VALL-E X
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Microsoft
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 7 March 2023
- Autori
- 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
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Speech
- Compito
- Translation, Speech synthesis, Speech recognition (ASR), Speech-to-speech
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 700M
- Dati di addestramento
- 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 …
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 1.2 × 10²¹ FLOP
- Come è stato stabilito
- 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 corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA V100
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 262
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Speak Foreign Languages with Your Own Voice: Cross-Lingual Neural Codec Language Modeling
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
VALL-E X è stato pubblicato da Microsoft, nel paese registrato come United States of America, durante March 2023. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Speech, ed è registrato come eseguire il compito di translation, Speech synthesis, Speech recognition (ASR), Speech-to-speech.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 1.2 × 10²¹ FLOP, su hardware registrato come NVIDIA V100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 151,200,000,000 token di testo
Risposte
VALL-E X — domande comuni
VALL-E X— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
VALL-E X— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
VALL-E X— quanti parametri ha?
Ha un numero di parametri di 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). Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
VALL-E X— chi l'ha creato?
È stato pubblicato da Microsoft, basato su United States of America, un'organizzazione categorizzata come industry.
VALL-E X— quando è stato rilasciato?
È stato pubblicato in March 2023. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
VALL-E X— A cosa serve?
Funziona nel dominio di Speech, e viene registrato come gestire il compito di translation, Speech synthesis, Speech recognition (ASR), Speech-to-speech. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
VALL-E X— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.2 × 10²¹ FLOP, su hardware registrato come NVIDIA V100. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.