/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
16,1 ГБ
Лицензия
MIT
Архитектура
ultravox · dense
Библиотека
transformers
Опубликована
25 июл 2024

ultravox-v0_3

Распознавание речиАудио, текст → текст3 профессии

Речевая LLM Fixie.ai принимает аудио и текстовый контекст и генерирует текст для голосовых агентов, анализа и перевода речи.

5 305скачиваний за 30 дней17лайковвеса обновлены6 мая 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ultravox v0.3 — мультимодальная речевая LLM от Fixie.ai, построенная на Llama 3.1 8B Instruct и аудиобэкенде Whisper-small. Она принимает аудио вместе с текстовым контекстом и генерирует текст; модель рассчитана на голосовых агентов, анализ речи и перевод речи между языками. В этой версии не применялась настройка предпочтений. В README указана скорость первого токена около 200 мс и генерация примерно 50–100 токенов в секунду на GPU A100 40 ГБ.

В тестах для Ultravox v0.3 приведены BLEU 22,68 для перевода с английского на немецкий, BLEU 24,10 для перевода с испанского на английский и WER 6,67 на LibriSpeech clean.test. Модель выдаёт текст, а не синтезированную речь. Репозиторий использует формат safetensors, библиотеку Transformers и распространяется по лицензии MIT.

Сценарии применения

  • создание голосового агента с ответами на речь пользователя
  • распознавание и анализ содержания аудиозаписей
  • перевод речи с английского на немецкий
  • перевод речи с испанского на английский
  • обработка голосовых запросов вместе с текстовой инструкцией

Ограничения

Модель генерирует текст, но не синтезирует аудио; настройка предпочтений для этой версии не выполнялась. На LibriSpeech clean.test её WER составляет 6,67, выше показателя 3,4 у Whisper-Llama3.1 в приведённом сравнении.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Ultravox

Ultravox is a multimodal Speech LLM built around a pretrained Llama3.1-8B-Instruct and Whisper-small backbone.
See https://ultravox.ai for the GitHub repo and more information.

Model Details

Model Description

Ultravox is a multimodal model that can consume both speech and text as input (e.g., a text system prompt and voice user message). The input to the model is given as a text prompt with a special <|audio|> pseudo-token, and the model processor will replace this magic token with embeddings derived from the input audio. Using the merged embeddings as input, the model will then generate output text as usual.

In a future revision of Ultravox, we plan to expand the token vocabulary to support generation of semantic and acoustic audio tokens, which can then be fed to a vocoder to produce voice output. No preference tuning has been applied to this revision of the model.

  • Developed by: Fixie.ai
  • License: MIT

Model Sources

Usage

Think of the model as an LLM that can also hear and understand speech. As such, it can be used as a voice agent, and also to do speech-to-speech translation, analysis of spoken audio, etc.

To use the model, try the following:

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_3', 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)

Training Details

The model uses a pre-trained Llama3.1-8B-Instruct backbone as well as the encoder part of Whisper-small.

Only the multi-modal adapter is trained, while Whisper encoder and Llama are kept frozen. We use a knowledge-distillation loss where Ultravox is trying to match the logits of the text-based Llama backbone.

Training Data

Training dataset is a mix of ASR datasets, extended by adding a "continuation" generated by Llama 3.1 8B.

Training Procedure

Supervised speech to audio finetuning. For more info, see training code in Ultravox repo.

Training Hyperparameters

  • Training regime: BF16 mixed precision training
  • Hardward used: 8x H100 GPUs

Speeds, Sizes, Times

The current version of Ultravox, when invoked with audio content, has a time-to-first-token (TTFT) of approximately 200ms, and a tokens-per-second rate of ~50-100 when using an A100-40GB GPU, all using a Llama 3.1 8B backbone.

Check out the audio tab on TheFastest.ai for daily benchmarks and a comparison with other existing models.

Evaluation

en_de (BLEU)es_en (BLEU)LibriSpeech clean.test (WER)
Ultravox v0.212.0715.176.07
Ultravox v0.322.6824.106.67
Whisper-Llama3.124.8928.673.4
Llama3.1 (text-only)31.9538.28-

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
UltravoxModel
Ревизия весов
7c5f939

0 моделей