/ Модель

Характеристики

Контекст
128 000 токенов
Лицензия
MIT
Архитектура
ultravox · dense
Библиотека
transformers
Опубликована
9 июл 2026

ultravox-v0_7-glm-4_6

Распознавание речиАудио, текст → текст6 профессий

Производная модели fixie-ai/ultravox-v0_7-glm-4_6. Ultravox v0.7 GLM 4.6 — речевая языковая модель для распознавания, понимания и перевода аудио с выдачей текстовых ответов.

28скачиваний за 30 дней1лайквеса обновлены9 июл 2026

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

Карточка модели ponkyky/ultravox-v0_7-glm-4_6 на Hugging Face совпадает с карточкой fixie-ai/ultravox-v0_7-glm-4_6, поэтому описание составлено по ней.

Ultravox v0.7 GLM 4.6 — мультимодальная речевая языковая модель от Ultravox.ai. Она объединяет языковую модель GLM 4.6 с речевым энкодером whisper-large-v3-turbo: принимает речь и текстовый контекст, после чего формирует текстовый ответ.

Модель предназначена для распознавания речи, понимания аудио, ответов на вопросы по аудиозаписям и перевода речи. В README сообщается о тестировании на BigBenchAudio, VoiceBench, CoVoST 2 и LibriSpeech; в частности, приведены результаты для аудио-рассуждений, речевого перевода и распознавания. Метаданные указывают архитектуру Ultravox и формат safetensors. Версия v0.7 построена на GLM 4.6; README также описывает обучение на смеси наборов для ASR, речевого перевода и аудио с шумом.

Модель принимает аудио вместе с текстом, например текстовую системную инструкцию и голосовое сообщение, и выдаёт текст. В карточке заявлена поддержка многозадачных сценариев работы с речью, однако точные ограничения по языкам и размеру контекста не приведены. Лицензия — MIT. README указывает, что использование собственных системных инструкций учитывалось при оценке; результаты тестов сами по себе не гарантируют качество на других данных.

Сценарии применения

  • транскрибация голосовых сообщений
  • ответы на вопросы по аудиозаписям
  • понимание содержания речи и аудио
  • перевод речи между языками
  • оценка речевых диалогов и голосовых запросов

Ограничения

Качество зависит от языка, условий записи и типа аудиозадачи; приведённые в карточке результаты относятся к конкретным бенчмаркам и системным инструкциям. Размер контекста в доступных данных не указан.

Для каких профессий подходит6

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 LLM (GLM 4.6 in this case) and a speech encoder (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 the v0.7 series, the Ultravox model is trained on GLM 4.6, taking the lead on audio reasoning tasks over closed source models like gpt4o-audio, while retaining advantages in speech understanding from previous versions.

  • Developed by: Ultravox.ai
  • License: MIT

Model Sources

Usage

Coming soon.

Training Details

The model uses a pre-trained LLM (GLM, Llama, Gemma, Qwen, etc) backbone as well as the encoder part of whisper-large-v3-turbo.

The multi-modal adapter is trained, the Whisper encoder is fine-tuned, and the LLM is kept frozen.

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

Training Data

The training dataset is a mix of ASR datasets, extended with continuations generated by Llama 3.1 8B, speech translation datasets, and noise datasets.

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
  • Hardware used: 8x B200 GPUs

Evaluation

Evaluations are conducted big bench audio (audio reasoning measured in accuracy), VoiceBench (overall score averaged across multiple evaluations), as well as on covost2 (speech translation measured in BLEU), and LibriSpeech (speech recognition measured in WER).

Audio Reasoning & General Understanding

v0_7-glm-4_6 w/ reasoningv0_7-glm-4_6 w/o reasoningv0_6-llama-3_3-70bv0_6-gemma-3-27bv0_6-qwen-3-32bgpt4o-audio
big bench audio97.0091.8085.4883.8484.2282.80
voicebench overall90.7587.0581.81––86.75

Speech Translation & Recognition

v0_7-glm-4_6v0_6-llama-3_3-70bv0_6-gemma-3-27bv0_6-qwen-3-32b
covost2 en_ar22.8918.9222.6816.91
covost2 en_ca41.4838.7339.6733.63
covost2 en_de35.4433.6934.7631.09
covost2 es_en42.8841.3941.1141.20
covost2 ru_en50.3043.7349.2947.08
covost2 zh_en23.8517.8120.8822.24
librispeech2.282.552.732.88

Note that custom system prompts are used with v0_7-glm-4_6 on VoiceBench and BigBenchAudio:

  • BigBenchAudio in non-reasoning mode:
    You are a helpful assistant. Answer the question at the end of your response.
    
  • VoiceBench in both reasoning and non-reasoning modes:
    You are a helpful assistant. When answering questions: For multiple choice questions (A/B/C/D options): End your response with "The answer is [X]" where X is the letter (A, B, C, or D)
    

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
3acaac0

0 моделей