🚀 Ultravox模型卡片

Ultravox是一个多模态语音大语言模型（LLM），它围绕预训练大语言模型（如Llama、Gemma、Qwen等）和语音编码器（whisper-large-v3-turbo）构建。

请访问https://ultravox.ai查看GitHub仓库和更多信息。

🚀 快速开始

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

# 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：可以同时处理语音和文本输入。
• 支持多种语言：支持包括阿拉伯语、白俄罗斯语、保加利亚语等在内的多种语言。
• 噪声鲁棒性：在v0.6系列中，模型在噪声数据集上进行了训练，提高了噪声鲁棒性。
• 未来规划：计划扩展词表，支持生成语义和声学音频令牌，以产生语音输出。

📦 安装指南

文档未提及具体安装步骤，可参考模型仓库获取安装信息。

💻 使用示例

基础用法

# 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)

📚 详细文档

模型详情

模型描述

Ultravox是一个多模态模型，它可以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）。模型的输入是一个带有特殊 <|audio|> 伪令牌的文本提示，模型处理器会用从输入音频中提取的嵌入替换这个特殊令牌。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了训练，这使得模型在印地语上的语音理解性能显著提高，但在其他语言上有适度的性能下降。此外，v0.6模型还在噪声数据集上进行了训练，以提高噪声鲁棒性，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Ultravox的未来版本中，我们计划扩展词表，以支持生成语义和声学音频令牌，然后将这些令牌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：请查看仓库

训练详情

训练数据

训练数据集是自动语音识别（ASR）数据集、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：8个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上的首次输出令牌时间（TTFT）约为150毫秒，每秒输出令牌率约为50 - 100。

请查看TheFastest.ai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，以字错误率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。

🔧 技术细节

Ultravox模型围绕预训练大语言模型（如Llama、Gemma、Qwen等）和语音编码器（whisper-large-v3-turbo）构建。多模态适配器进行训练，Whisper编码器进行微调，而大语言模型保持冻结。使用知识蒸馏损失，使Ultravox尝试匹配基于文本的大语言模型骨干的对数几率。

📄 许可证

本模型使用的许可证为MIT。