语言:

• 英文
• 阿拉伯文
• 德文
• 西班牙文
• 法文
• 意大利文
• 日文
• 葡萄牙文
• 俄文

许可证: MIT
模型库名称: transformers
数据集:

• fixie-ai/librispeech_asr
• fixie-ai/common_voice_17_0
• fixie-ai/peoples_speech
• fnlp/AnyInstruct

评估指标:

• BLEU

任务标签: 音频文本转文本

Ultravox 模型卡

Ultravox 是一款基于预训练模型 Llama3.1-8B-Instruct 和 Whisper-medium 的多模态语音大语言模型。

更多信息请访问 GitHub 仓库: https://ultravox.ai

模型详情

模型描述

Ultravox 是一款多模态模型，能够同时接收语音和文本输入（例如系统文本提示和用户语音消息）。
模型输入是一个包含特殊伪标记 <|audio|> 的文本提示，模型处理器会将该标记替换为输入音频生成的嵌入向量。
使用合并后的嵌入向量作为输入，模型将像通常一样生成文本输出。

在未来的 Ultravox 版本中，我们计划扩展标记词汇表以支持生成语义和声学音频标记，这些标记可以输入声码器以产生语音输出。
当前版本尚未应用偏好调优。

• 开发团队: Fixie.ai
• 许可证: MIT

模型来源

• 代码仓库: https://ultravox.ai
• 演示: 参见仓库

使用方法

可以将该模型视为一个既能听又能理解语音的大语言模型。因此，它可以用作语音代理，也可用于语音到语音翻译、口语音频分析等任务。

使用示例:

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_4', trust_remote_code=True)

path = "<输入音频路径>"  # 请替换为实际音频路径
audio, sr = librosa.load(path, sr=16000)

turns = [
  {
    "role": "system",
    "content": "你是一个友好且乐于助人的角色，喜欢回答人们的问题。"
  },
]
pipe({'audio': audio, 'turns': turns, 'sampling_rate': sr}, max_new_tokens=30)

训练详情

模型使用预训练的 Llama3.1-8B-Instruct 主干网络和 Whisper-medium 的编码器部分。

仅训练多模态适配器，Whisper 编码器和 Llama 保持冻结状态。

我们采用知识蒸馏损失函数，使 Ultravox 尝试匹配基于文本的 Llama 主干网络的逻辑输出。

训练数据

训练数据集是自动语音识别(ASR)数据集的混合，通过添加由 Llama 3.1 8B 生成的"续写"内容进行扩展。

训练过程

采用监督式语音到音频的微调方法。更多信息请参见 Ultravox 仓库中的训练代码。

训练超参数

• 训练模式: BF16 混合精度训练
• 硬件配置: 8块 H100 GPU

速度、规模与时间

当前版本的 Ultravox 在处理音频内容时，使用 A100-40GB GPU 的情况下，首令牌生成时间(TTFT)约为 150 毫秒，令牌生成速度为每秒 50-100 个令牌（基于 Llama 3.1 8B 主干网络）。

每日基准测试和与其他现有模型的比较，请访问 TheFastest.ai 的音频板块。

评估结果