库名称：transformers
许可证：mit
数据集：

• maitrix-org/Voila-Benchmark
• maitrix-org/Voila-million-voice
  语言：
• 英文
• 中文
• 法语
• 德语
• 日语
• 韩语
  流水线标签：音频到音频
  标签：
• 音频
• 音频语言模型
• 语音识别
• 文本到语音
• 语音对话

Voila：语音-语言基础模型

üíú 项目主页    ÔΩú    üñ•Ô∏è GitHub    |   ü§ó Hugging Face   |    üìë 论文    |    üåê 在线演示   |    üè†Maitrix.org

Voila是一个全新的大型语音-语言基础模型家族，旨在将人机交互体验提升至新高度。它突破了传统语音AI系统的限制——高延迟、丢失语音细节和机械式响应，采用创新的端到端模型设计和新型分层Transformer架构。这种方法实现了实时、自主且丰富的语音交互，延迟低至195毫秒，超越了人类的平均反应时间。结合先进的语音和语言建模技术，Voila提供可定制、角色驱动的交互体验，并在多种音频任务中表现出色，包括六种语言的自动语音识别（ASR）、文本到语音（TTS）和语音翻译。通过在线网页演示，Voila邀请您探索人与AI之间变革性的自然对话体验。

‚ú® 亮点

• ‚≠ê 高保真、低延迟、实时流式音频处理
• ‚≠ê 语音与语言建模能力的高效整合
• ‚≠ê 数百万预构建及自定义语音，支持对话中快速切换
• ‚≠ê 统一模型支持多种音频任务

üé• 视频演示

üî• 最新动态!!

• 2025年4月28日：üëã 我们发布了Voila的推理代码和模型权重。

‚öôÔ∏è 基础模型

使用方法

命令行演示

for model_name in "maitrix-org/Voila-audio-alpha" "maitrix-org/Voila-base" "maitrix-org/Voila-chat"; do  
    # 文本聊天  
    python infer.py \  
        --model-name ${model_name} \  
	    --instruction "" \  
	    --input-text "你好" \  
	    --task-type chat_tito  
    # 语音聊天  
    python infer.py \  
        --model-name ${model_name} \  
	    --instruction "" \  
	    --input-audio "examples/test1.mp3" \  
	    --task-type chat_aiao  
done  

# 自主模式  
python infer.py \  
    --model-name "maitrix-org/Voila-autonomous-preview" \  
	--instruction "" \  
	--input-audio "examples/test_autonomous1.mp3" \  
	--task-type chat_aiao_auto  

Gradio演示

python gradio_demo.py  

更多信息请参阅代码仓库。

üìÅ 数据集

我们发布了以下两个数据集：Voila Benchmark和Voila语音库。Voila-Benchmark是一个新颖的语音评估基准，而Voila语音库提供了数百万预构建及可定制的语音。

üìä 基准测试

1. Voila Benchmark

我们引入了一个名为VoilaBenchmark的新型语音评估基准。该基准通过从五个广泛使用的语言模型评估数据集（MMLU、MATH、OpenAI HumanEval、NQ-Open和GSM8k）中采样构建。我们将结果与SpeechGPT和Moshi进行对比。

(数值越高越好)

关于Voila Benchmark在各具体领域的详细得分，请参阅我们的论文（第5.1节"Voila Benchmark评估"）。

2. ASR评估

由于Voila支持多种任务，包括自动语音识别（ASR）、文本到语音（TTS）和语音问答，我们还评估了ASR和TTS的性能。
在ASR方面，我们在LibriSpeech test-clean数据集上评估性能，使用词错误率（WER）作为指标。Voila的词错误率（WER）为4.8%，优于Moshi报告的5.7%。在两者均使用LibriSpeech训练数据的情况下，Voila实现了惊人的2.7% WER。

(数值越低越好)

3. TTS评估

在TTS方面，我们遵循Vall-E提出的评估指标，使用HuBERT-Large对生成的音频进行转录。
Voila再次领先，WER为3.2%（使用LibriSpeech训练数据时为2.8%）。

(数值越低越好)

üìù 引用

如果您觉得我们的工作有帮助，请引用我们。

@article{voila2025,  
  author    = {Yemin Shi, Yu Shu, Siwei Dong, Guangyi Liu, Jaward Sesay, Jingwen Li, Zhiting Hu},  
  title     = {Voila：支持实时自主交互与语音角色扮演的语音-语言基础模型},  
  eprint={2505.02707},  
  archivePrefix={arXiv},  
  primaryClass={cs.CL},  
  year      = {2025}  
}