/ Модель

Характеристики

Лицензия
MIT
Архитектура
ultravox · dense
Библиотека
transformers
Опубликована
7 ноя 2024

ultravox-v0_4_1-mistral-nemo

Распознавание речиАудио, текст → текст11 профессий

Ultravox v0.4.1 — речевая языковая модель Fixie.ai, которая понимает аудио и текст и отвечает текстом, поддерживая голосовых агентов, анализ речи и перевод.

130скачиваний за 30 дней28лайковвеса 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 v0.4.1 Mistral Nemo — мультимодальная речевая языковая модель от Fixie.ai на основе Mistral-Nemo-Instruct-2407 и Whisper Large V3 Turbo. Она принимает аудио вместе с текстом, например системной инструкцией, и формирует текстовый ответ. Модель предназначена для голосовых агентов, анализа речи и перевода устной речи; README также отмечает низкую задержку первого токена и скорость генерации около 50–100 токенов в секунду на GPU A100 40 ГБ.

Для обучения использовалась смесь наборов данных распознавания речи, продолжений текста, созданных Mistral Nemo, и наборов для перевода речи. Поддерживаемые языки включают арабский, немецкий, английский, испанский, французский, хинди, итальянский, японский, нидерландский, португальский, русский, шведский, турецкий, украинский и китайский. Модель принимает речь и текст, но выдаёт текст; генерация аудио в этой версии не поддерживается. Настройка предпочтений не проводилась. Лицензия — MIT.

Сценарии применения

  • создание голосового агента с текстовыми ответами
  • анализ содержания аудиозаписей
  • перевод устной речи между языками
  • ответы на текстовые инструкции по аудиосообщениям
  • распознавание и понимание многоязычной речи

Ограничения

Модель не генерирует аудио и в этой версии не проходила настройку предпочтений. Указанные в README показатели скорости относятся к GPU A100 40 ГБ.

Для каких профессий подходит11

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

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 Mistral-Nemo-Instruct-2407 and whisper-large-v3-turbo 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_4_1-mistral-nemo', 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 Mistral-Nemo-Instruct-2407 backbone as well as the encoder part of whisper-large-v3-turbo.

Only the multi-modal adapter is trained, while Whisper encoder and Mistral are kept frozen.

We use a knowledge-distillation loss where Ultravox is trying to match the logits of the text-based Mistral backbone.

Training Data

The training dataset is a mix of ASR datasets, extended with continuations generated by Mistral Nemo, and speech translation datasets, which yield a modest improvement in translation evaluations.

Training Procedure

Supervised speech instruction finetuning via knowledge-distillation. 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 150ms, and a tokens-per-second rate of ~50-100 when using an A100-40GB GPU, all using a Mistral Nemo backbone.

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

Evaluation

Ultravox 0.4.1 Mistral Nemo
en_ar10.36
en_de28.39
es_en37.49
ru_en41.64
en_ca26.85
zh_en12.65

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
afc86ce

0 моделей