模型介绍
中文整理中文 English
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
[](https://docs.google.com/presentation/d/1ey81xuuMzrJaBwztb Rq24Cit37GQokD2aAes KkGVI/edit)
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
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
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。