/ Модель

Характеристики

Размер весов
17,6 ГБ
Лицензия
Llama 3
Архитектура
typhoonaudio · dense
Библиотека
transformers
Опубликована
10 авг 2024

llama-3-typhoon-v1.5-8b-audio-preview

Генерация текстаТекст → текст4 профессии

Экспериментальная аудиоязыковая модель Typhoon AI, которая принимает речь и текст и генерирует текстовые ответы на тайском и английском языках.

94скачиваний за 30 дней13лайковвеса обновлены31 мар 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

Typhoon-Audio Preview — мультимодальная аудиоязыковая модель команды Typhoon AI, выпущенная в августе 2024 года как исследовательская предварительная версия. Она принимает аудио и текст, а отвечает текстом; языки модели — тайский и английский. Языковая часть основана на llama-3-typhoon-v1.5-8b-instruct, аудиоэнкодер использует компоненты Whisper и BEATs. Модель предназначена для распознавания речи, вопросов и ответов по аудио и задач перевода между тайским и английским; в примере использования максимальная длина генерации по умолчанию — 1024 новых токена.

Модель экспериментальная: она может неверно выполнять инструкции и галлюцинировать, а встроенной модерации нет. Лицензия — Llama 3 Community License.

Сценарии применения

  • транскрибация тайской речи
  • транскрибация английской речи
  • ответы на вопросы по аудиозаписям на тайском языке
  • перевод речи с английского на тайский
  • перевод речи с тайского на английский

Ограничения

Это предварительная экспериментальная версия; модель может неточно следовать инструкциям и галлюцинировать. У неё нет встроенной модерации, поэтому возможны вредные или неподходящие ответы.

Для каких профессий подходит4

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

Typhoon-Audio Preview

llama-3-typhoon-v1.5-8b-audio-preview is a 🇹🇭 Thai audio-language model. It supports both text and audio input modalities natively while the output is text. This version (August 2024) is our first audio-language model as a part of our multimodal effort, and it is a research preview version. The base language model is our llama-3-typhoon-v1.5-8b-instruct.

More details can be found in our technical report. *To acknowledge Meta's effort in creating the foundation model and to comply with the license, we explicitly include "llama-3" in the model name.

Model Description

  • Model type: The LLM is based on Typhoon-1.5-8b-instruct, and the audio encoder is based on Whisper's encoder and BEATs.
  • Requirement: transformers 4.38.0 or newer.
  • Primary Language(s): Thai 🇹🇭 and English 🇬🇧
  • Demo: https://audio.opentyphoon.ai/
  • License: Llama 3 Community License

Usage Example

from transformers import AutoModel
import soundfile as sf
import librosa

# Initialize from the trained model
model = AutoModel.from_pretrained(
    "scb10x/llama-3-typhoon-v1.5-8b-audio-preview", 
    torch_dtype=torch.float16,
    trust_remote_code=True
)
model.to("cuda")
model.eval()

# read a wav file (it needs to be in 16 kHz and clipped to 30 seconds)
audio, sr = sf.read("path_to_your_audio.wav")
if len(audio.shape) == 2:
    audio = audio[:, 0]
if len(audio) > 30 * sr:
    audio = audio[: 30 * sr]
if sr != 16000:
    audio = librosa.resample(audio, orig_sr=sr, target_sr=16000, res_type="fft")

# Run generation
prompt_pattern="<|begin_of_text|><|start_header_id|>user<|end_header_id|>\n\n<Speech><SpeechHere></Speech> {}<|eot_id|><|start_header_id|>assistant<|end_header_id|>\n\n"
response = model.generate(
    audio=audio,
    prompt="transcribe this audio",
    prompt_pattern=prompt_pattern,
    do_sample=False,
    max_new_tokens=512,
    repetition_penalty=1.1,
    num_beams=1,
    # temperature=0.4,
    # top_p=0.9,
)
print(response)

Generation Parameters:

  • audio -- audio input, e.g., using soundfile.read or librosa.resample to read a wav file like the example above
  • prompt (str) -- Text input to the model
  • prompt_pattern (str) -- Chat template that is augmented with special tokens, and it must be set the same as one during training
  • max_new_tokens (int, optional, defaults to 1024)
  • num_beams (int, optional, defaults to 4)
  • do_sample (bool, optional, defaults to True)
  • top_p (float, optional, defaults to 0.9)
  • repetition_penalty (float, optional, defaults to 1.0),
  • length_penalty (float, optional, defaults to 1.0),
  • temperature (float, optional, defaults to 1.0),

This is also model.generate_stream() for streaming generation. Please refer to modeling_typhoonaudio.py for this function.

Evaluation Results

More information is provided in our technical report.

ModelASR-en (WER↓)ASR-th (WER↓)En2Th (BLEU↑)X2Th (BLEU↑)Th2En (BLEU↑)
SALMONN-13B5.7998.070.070.1014.97
DiVA-8B30.2865.219.825.317.97
Gemini-1.5-pro-0015.9813.5620.6913.5222.54
Typhoon-Audio-Preview8.7214.1717.5210.6724.14
ModelGender-th (Acc)SpokenQA-th (F1)SpeechInstruct-th
SALMONN-13B93.262.951.18
DiVA-8B50.1215.132.68
Gemini-1.5-pro-00181.3262.103.93
Typhoon-Audio-Preview93.7464.606.11

Intended Uses & Limitations

This model is experimental and may not always follow human instructions accurately, making it prone to generating hallucinations. Additionally, the model lacks moderation mechanisms and may produce harmful or inappropriate responses. Developers should carefully assess potential risks based on their specific applications.

Follow us & Support

Acknowledgements

We would like to thank the SALMONN team for open-sourcing their code and data, and thanks to the Biomedical and Data Lab at Mahidol University for releasing the fine-tuned Whisper that allowed us to adopt its encoder. Thanks to many other open-source projects for their useful knowledge sharing, data, code, and model weights.

Typhoon Team

Potsawee Manakul, Sittipong Sripaisarnmongkol, Natapong Nitarach, Warit Sirichotedumrong, Adisai Na-Thalang, Phatrasek Jirabovonvisut, Parinthapat Pengpun, Krisanapong Jirayoot, Pathomporn Chokchainant, Kasima Tharnpipitchai, Kunat Pipatanakul

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
TyphoonAudio
Ревизия весов
b4f99a5

0 моделей