VALL-E X
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Microsoft
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 7 March 2023
- Autores
- Ziqiang Zhang, Long Zhou, Chengyi Wang, Sanyuan Chen, Yu Wu, Shujie Liu, Zhuo Chen, Yanqing Liu, Huaming Wang, Jinyu Li, Lei He, Sheng Zhao, Furu Wei
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Speech
- Tarea
- Translation, Speech synthesis, Speech recognition (ASR), Speech-to-speech
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 700M
- Datos de entrenamiento
- 151,200,000,000 tokens
"For the cross-lingual codec language models, φMAR and φMNAR are both 12-layer Transformer decoders with an attention dimension of 1024 and the FFN dimension of 4096." These are two parts of the model. According to Ben's script, that's 353M parameters, or ~700M for both (https://github.com/bencottier/ml-parameter-count/blob/main/parameter_count.py)
70k hours, encoded by an 8 layer EnCodec, where each layer generates 75 encodings per second of 24 kHz audio. 70k hr * 3600 sec/hr * 75/sec = 18.9B audio encodings per layer φMAR is trained to autoregressively predict the each subsequent token in the first layer of encodings. φMNAR is trained to predict the remaining acoustic embedding layers after being shown both the first layer of the current input and the full set of embeddings from a previous sentence. Based on this, the total number of …
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 1.2 × 10²¹ FLOP
- Cómo se estableció
- Operation counting
" The batch sizes of speech and phonemes on each GPU are 1,400,000 (87.5 seconds) and 3,000, respectively. The maximum learning rate is 5e-4 with warm-up steps of 32,000. The model is pre-trained on 32 V100 GPUs for 400K step" 6CN: 6 * (1.4M + 3000) * 353M * 400k = 1.2e21 (2 OOM larger than our estimate for VALL-E, and would take ~46 days on the V100 cluster at 30% utilization. Seems perhaps a bit high?)
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA V100
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Likely
- Citas
- 262
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Speak Foreign Languages with Your Own Voice: Cross-Lingual Neural Codec Language Modeling
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
VALL-E X fue publicado por Microsoft, en el país registrado como United States of America, durante March 2023. La organización editora está clasificada como industry.
Funciona en el dominio de Speech, y se registra como realizando la tarea de translation, Speech synthesis, Speech recognition (ASR), Speech-to-speech.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.2 × 10²¹ FLOP, en hardware registrado como NVIDIA V100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 151,200,000,000 tokens de texto
Respuestas
VALL-E X — preguntas comunes
VALL-E X— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
VALL-E X— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
VALL-E X— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 700M. "For the cross-lingual codec language models, φMAR and φMNAR are both 12-layer Transformer decoders with an attention dimension of 1024 and the FFN dimension of 4096." These are two parts of the model. According to Ben's script, that's 353M parameters, or ~700M for both (https://github.com/bencottier/ml-parameter-count/blob/main/parameter_count.py). Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
VALL-E X— ¿Quién lo creó?
Fue publicado por Microsoft, basado en United States of America, una organización categorizada como industry.
VALL-E X— ¿cuándo fue lanzado?
Se publicó en March 2023. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
VALL-E X— ¿Para qué se utiliza?
Funciona en el dominio de Speech, y se registra como manejando la tarea de translation, Speech synthesis, Speech recognition (ASR), Speech-to-speech. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
VALL-E X— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.2 × 10²¹ FLOP, en hardware registrado como NVIDIA V100. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.