库名称: transformers 标签:

• 全能模态大语言模型
• 多模态大语言模型
• 情感语音对话 许可证: apache-2.0 数据集:
• Emova-ollm/emova-alignment-7m
• Emova-ollm/emova-sft-4m
• Emova-ollm/emova-sft-speech-231k 语言:
• 英文
• 中文 基础模型:
• Emova-ollm/qwen2vit600m
• Emova-ollm/Qwen2.5-7B-Instruct_add_speech_token_4096_nostrip 模型索引:
• 名称: emova-qwen-2-5-7b-hf 结果:
  • 任务: 类型: 多模态 数据集: 名称: AI2D 类型: ai2d 指标:
    • 类型: 准确率 值: 81.7 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: ChartQA 类型: chartqa 指标:
    • 类型: 准确率 值: 84.9 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: DocVQA 类型: docvqa 指标:
    • 类型: 准确率 值: 94.2 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: InfoVQA 类型: infovqa 指标:
    • 类型: 准确率 值: 75.1 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MathVerse 类型: mathverse 指标:
    • 类型: 准确率 值: 40.9 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MathVista 类型: mathvista 指标:
    • 类型: 准确率 值: 65.5 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MMBench 类型: mmbench 指标:
    • 类型: 准确率 值: 83 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MME 类型: mme 指标:
    • 类型: 分数 值: 2317 名称: 分数 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MMVet 类型: mmvet 指标:
    • 类型: 准确率 值: 59.4 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: OCRBench 类型: ocrbench 指标:
    • 类型: 准确率 值: 814 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: RealWorldQA 类型: realworldqa 指标:
    • 类型: 准确率 值: 67.5 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: Seed-Bench-Image 类型: seed-bench-image 指标:
    • 类型: 准确率 值: 75.5 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: Science-QA 类型: science-qa 指标:
    • 类型: 准确率 值: 96.4 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: TextVQA 类型: textvqa 指标:
    • 类型: 准确率 值: 78 名称: 准确率 已验证: 是
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: LibriSpeech (clean) 类型: librispeech_asr 配置: clean 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 4.1

EMOVA-Qwen-2.5-7B-HF

模型概述

EMOVA (EMotionally Omni-present Voice Assistant) 是一种新颖的端到端全能模态大语言模型，无需依赖外部模型即可实现视觉、听觉和语音功能。通过接收全能模态（即文本、视觉和语音）输入，EMOVA能够利用语音解码器和风格编码器生成带有生动情感控制的文本和语音响应。EMOVA具备通用的全能模态理解和生成能力，在高级视觉语言理解、情感语音对话以及结构化数据理解的语音对话方面表现卓越。其主要优势总结如下：

• 顶尖的全能模态性能：EMOVA在视觉语言和语音基准测试中同时取得领先的可比结果。我们的最佳性能模型EMOVA-72B甚至超越了包括GPT-4o和Gemini Pro 1.5在内的商业模型。
• 情感语音对话：采用语义-声学解耦的语音分词器和轻量级风格控制模块，实现无缝的全能模态对齐和多样化的语音风格可控性。EMOVA支持双语（中文和英文）语音对话，并提供24种语音风格控制（即2种说话者、3种音高和4种情感）。
• 多样化配置：我们开源了3种配置，EMOVA-3B/7B/72B，以支持不同计算预算下的全能模态使用。查看我们的模型库，找到最适合您计算设备的模型！

性能表现

使用方法

本仓库包含以HuggingFace格式组织的EMOVA-Qwen2.5-7B检查点，因此可以直接使用transformers Auto API加载。

from transformers import AutoModel, AutoProcessor
from PIL import Image
import torch

### 如需使用昇腾NPU，请取消注释
# import torch_npu
# from torch_npu.contrib import transfer_to_npu

# 准备模型和处理器
model = AutoModel.from_pretrained(
    "Emova-ollm/emova-qwen-2-5-7b-hf",
    torch_dtype=torch.bfloat16,
    attn_implementation='flash_attention_2', # 或使用'sdpa'以适配昇腾NPU
    low_cpu_mem_usage=True,
    trust_remote_code=True).eval().cuda()
processor = AutoProcessor.from_pretrained("Emova-ollm/emova-qwen-2-5-7b-hf", trust_remote_code=True)

# 仅语音对话需要
# 注意：要处理语音输入/输出，**emova_speech_tokenizer**仍是必要依赖项(https://huggingface.co/Emova-ollm/emova_speech_tokenizer_hf#install)。
speeck_tokenizer = AutoModel.from_pretrained("Emova-ollm/emova_speech_tokenizer_hf", torch_dtype=torch.float32, trust_remote_code=True).eval().cuda()
processor.set_speech_tokenizer(speeck_tokenizer)

# 示例1: 图像-文本
inputs = dict(
    text=[
        {"role": "system", "content": [{"type": "text", "text": "You are a helpful assistant."}]},
        {"role": "user", "content": [{"type": "image"}, {"type": "text", "text": "What's shown in this image?"}]},
        {"role": "assistant", "content": [{"type": "text", "text": "This image shows a red stop sign."}]},
        {"role": "user", "content": [{"type": "text", "text": "Describe the image in more details."}]},
    ],
    images=Image.open('path/to/image')
)

# 示例2: 文本-音频
inputs = dict(
    text=[{"role": "system", "content": [{"type": "text", "text": "You are a helpful assistant."}]}],
    audios='path/to/audio'
)

# 示例3: 图像-文本-音频
inputs = dict(
    text=[{"role": "system", "content": [{"type": "text", "text": "You are a helpful assistant."}]}],
    images=Image.open('path/to/image'),
    audios='path/to/audio'
)

# 运行处理器
has_speech = 'audios' in inputs.keys()
inputs = processor(**inputs, return_tensors="pt")
inputs = inputs.to(model.device)

# 准备生成参数
gen_kwargs = {"max_new_tokens": 4096, "do_sample": False} # 按需添加
speech_kwargs = {"speaker": "female", "output_wav_prefix": "output"} if has_speech else {}

# 运行生成
# 对于语音输出，将返回保存的wav路径（参见output_wav_prefix）
with torch.no_grad():
    outputs = model.generate(**inputs, **gen_kwargs)
    outputs = outputs[:, inputs['input_ids'].shape[1]:]
    print(processor.batch_decode(outputs, skip_special_tokens=True, **speech_kwargs))

引用

@article{chen2024emova,
  title={Emova: Empowering language models to see, hear and speak with vivid emotions},
  author={Chen, Kai and Gou, Yunhao and Huang, Runhui and Liu, Zhili and Tan, Daxin and Xu, Jing and Wang, Chunwei and Zhu, Yi and Zeng, Yihan and Yang, Kuo and others},
  journal={arXiv preprint arXiv:2409.18042},
  year={2024}
}