🚀 Ultravox模型卡

Ultravox是一个多模态语音大语言模型（LLM），它围绕预训练的大语言模型（如Llama、Gemma、Qwen等）和语音编码器（whisper-large-v3-turbo）构建。该模型能够同时处理语音和文本输入，为语音交互场景提供了强大的支持。

更多信息请访问GitHub仓库：https://ultravox.ai 。

🚀 快速开始

将该模型视为一个能够“听见”并理解语音的大语言模型。因此，它可以用作语音代理，还可以进行语音到语音的翻译、语音音频分析等。

使用该模型，可参考以下代码：

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_6-llama-3_1-8b', 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：支持语音和文本作为输入，通过特殊的 <|audio|> 伪标记处理语音输入。
• 语言性能优化：v0.6系列在印地语语音数据上进行训练，显著提升了印地语的语音理解性能。
• 抗噪能力增强：在噪声数据集上训练，提高了对噪声的鲁棒性，能够识别嘈杂音频。
• 未来功能规划：计划扩展词表，支持生成语义和声学音频标记，实现语音输出。

📚 详细文档

🔍 模型详情

📖 模型描述

Ultravox是一个多模态模型，能够同时接受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|> 伪标记的文本提示，模型处理器会用从输入音频中提取的嵌入替换这个标记。以合并后的嵌入作为输入，模型将像往常一样生成输出文本。

在v0.6系列中，Ultravox模型在扩展的印地语语音数据上进行训练，这显著提高了印地语的语音理解性能，但对其他语言的性能有轻微影响。此外，v0.6模型还在噪声数据集上进行训练，以提高抗噪能力，并在输入音频过于嘈杂或不包含清晰语音时输出特殊字符串 ((noise))。

在未来的版本中，我们计划扩展词表，以支持生成语义和声学音频标记，然后将这些标记输入到声码器中以产生语音输出。此版本的模型未进行偏好调整。

• 开发者：Fixie.ai
• 许可证：MIT

🌐 模型来源

• 仓库：https://ultravox.ai
• 演示：详见仓库

💻 使用方法

将该模型视为一个能够“听见”并理解语音的大语言模型。因此，它可以用作语音代理，还可以进行语音到语音的翻译、语音音频分析等。

🔧 训练详情

📊 训练数据

训练数据集是自动语音识别（ASR）数据集、由Llama 3.1 8B生成的扩展数据、语音翻译数据集和噪声数据集的混合。

📋 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

• 训练模式：BF16混合精度训练
• 使用的硬件：8x H100 GPU

⏱️ 速度、大小和时间

当前版本的Ultravox在处理音频内容时，使用基于文本的大语言模型（Llama、Gemma或Qwen）作为骨干，在A100 - 40GB GPU上的首词生成时间（TTFT）约为150ms，每秒生成约50 - 100个标记。

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

📈 评估

评估在covost2（语音翻译，以BLEU衡量）、fleurs和ultravox_calls（语音识别，以WER衡量）、big bench audio（音频推理，以准确率衡量）以及musan和ultravox_unintelligible（噪声/难以理解的语音检测，以召回率衡量）上进行。

📄 许可证

本模型使用的许可证为MIT。

📋 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

📊 评估指标

• bleu

🚀 任务类型

音频文本到文本转换