一款为实时语音交互设计的快速多模态LLM

概述

Ultravox是一种新型的多模态LLM，能够理解文本和人类语音，无需单独的自动语音识别（ASR）阶段。基于AudioLM、SeamlessM4T、Gazelle、SpeechGPT等研究，Ultravox能够将任何开放权重LLM扩展为一个多模态投影器，直接将音频转换为LLM使用的高维空间。

ultravox官方仓库：https://github.com/fixie-ai/ultravox

ultravox-cn仓库：https://github.com/seanzhang-zhichen/ultravox-cn

由于官方版本模型对中文支持较差，因此，我们训练了基于Qwen2.5-7B-Instruct和whisper-large-v3-turbo的中文友好的语音多模态模型

架构

效果

模型

• Huggingface下载地址：https://huggingface.co/zhichen/ultravox-cn
• Modelscope下载地址：https://modelscope.cn/models/seanzhang/ultravox-cn

环境设置

安装just

git clone https://github.com/seanzhang-zhichen/ultravox-cn.git
cd ultravox-cn
sudo apt-get install just
conda create -n ultravox python=3.11
conda activate ultravox
just install

模型准备

运行demo前，需准备以下模型：

• Qwen2.5-7B-Instruct
• whisper-large-v3-turbo
• seanzhang/ultravox-cn

以上模型准备好后，修改seanzhang/ultravox-cn/config.json中的audio_model_id为本地whisper-large-v3-turbo路径，text_model_id为本地Qwen2.5-7B-Instruct路径。

Web Demo

python ultravox/tools/gradio_demo.py --model_path seanzhang/ultravox-cn（或本地路径）