🚀 Ultravox模型卡片

Ultravox是一个多模态语音大语言模型，它围绕预训练的[Llama3.3 - 70B - Instruct](https://huggingface.co/meta - llama/Llama - 3.3 - 70B - Instruct)和[whisper - large - v3 - turbo](https://huggingface.co/openai/whisper - large - v3 - turbo)主干构建。它能够同时处理语音和文本输入，为语音交互和处理提供了强大的能力。

更多信息和GitHub仓库请访问：https://ultravox.ai

🚀 快速开始

将该模型视为一个还能“听”和理解语音的大语言模型。因此，它可以用作语音代理，还能进行语音到语音的翻译、对语音音频进行分析等。

要使用该模型，可尝试以下代码：

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_5-llama-3_3-70b', trust_remote_code=True)

path = "<path-to-input-audio>"  # TODO: pass the audio here
audio, sr = librosa.load(path, sr=16000)


turns = [
  {
    "role": "system",
    "content": "You are a friendly and helpful character. You love to answer questions for people."
  },
]
pipe({'audio': audio, 'turns': turns, 'sampling_rate': sr}, max_new_tokens=30)

✨ 主要特性

• 多模态输入：可以同时接收语音和文本作为输入，例如文本系统提示和语音用户消息。
• 未来功能扩展：计划在未来版本中扩展词表，支持生成语义和声学音频令牌，以产生语音输出。

📦 安装指南

pip install transformers peft librosa

📚 详细文档

模型详情

模型描述

Ultravox是一个多模态模型，能够将语音和文本作为输入（例如，文本系统提示和语音用户消息）。模型的输入是带有特殊<|audio|>伪令牌的文本提示，模型处理器会用从输入音频派生的嵌入替换这个魔法令牌。以合并后的嵌入作为输入，模型随后会像往常一样生成输出文本。

在Ultravox的未来版本中，计划扩展词表，以支持生成语义和声学音频令牌，然后将其输入到声码器中以产生语音输出。此版本的模型未应用偏好调整。

• 开发者：Fixie.ai
• 许可证：MIT

模型来源

• 仓库：https://ultravox.ai
• 演示：见仓库

训练详情

训练数据

训练数据集是自动语音识别（ASR）数据集和语音翻译数据集的混合。其中，ASR数据集通过Llama 3.1 8B生成的延续内容进行了扩展，这在翻译评估中带来了适度的改进。

训练过程

通过知识蒸馏进行有监督的语音指令微调。更多信息，请参阅Ultravox仓库中的训练代码。

训练超参数

• 训练机制：BF16混合精度训练
• 使用的硬件：8x H100 GPU

速度、大小、时间

当前版本的Ultravox在处理音频内容时，使用Llama 3.3 70B主干和A100 - 40GB GPU，首次生成令牌的时间（TTFT）约为150ms，每秒生成令牌的速率约为50 - 100。

请查看TheFastest.ai上的音频标签，了解每日基准测试以及与其他现有模型的比较。

评估

🔧 技术细节

• 模型架构：基于预训练的[Llama3.3 - 70B - Instruct](https://huggingface.co/meta - llama/Llama - 3.3 - 70B - Instruct)和[whisper - large - v3 - turbo](https://huggingface.co/openai/whisper - large - v3 - turbo)主干构建。
• 训练损失：使用知识蒸馏损失，Ultravox尝试匹配基于文本的Llama主干的对数概率。

📄 许可证

本项目采用MIT许可证。

支持语言

• ar
• be
• bg
• bn
• cs
• cy
• da
• de
• el
• en
• es
• et
• fa
• fi
• fr
• gl
• hi
• hu
• it
• ja
• ka
• lt
• lv
• mk
• mr
• nl
• pl
• pt
• ro
• ru
• sk
• sl
• sr
• sv
• sw
• ta
• th
• tr
• uk
• ur
• vi
• zh

指标

• bleu

管道标签

audio - text - to - text