VALL-E X
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Microsoft
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 7 March 2023
- Autorzy
- 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
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Speech
- Zadanie
- Translation, Speech synthesis, Speech recognition (ASR), Speech-to-speech
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 700M
- Dane treningowe
- 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 …
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 1.2 × 10²¹ FLOP
- Jak to zostało ustalone
- 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?)
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA V100
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Likely
- Cytaty
- 262
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Speak Foreign Languages with Your Own Voice: Cross-Lingual Neural Codec Language Modeling
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
VALL-E X został opublikowany przez Microsoft, w kraju zapisanym jako United States of America, podczas March 2023. Organizacja publikująca jest klasyfikowana jako industry.
Działa w dziedzinie Speech, i jest zapisany jako wykonujący zadanie translation, Speech synthesis, Speech recognition (ASR), Speech-to-speech.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 1.2 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 151,200,000,000 Tokeny tekstu.
Odpowiedzi
VALL-E X — częste pytania
VALL-E X— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
VALL-E X— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
VALL-E X— ile ma parametrów?
Ma liczbę parametrów równą 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). Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
VALL-E X— kto to stworzył?
Zostało opublikowane przez Microsoft, oparty na United States of America, organizacja sklasyfikowana jako industry.
VALL-E X— kiedy to zostało wydane?
Zostało opublikowane w March 2023. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
VALL-E X— do czego to służy?
Działa w dziedzinie Speech, i jest zarejestrowany jako realizujący zadanie translation, Speech synthesis, Speech recognition (ASR), Speech-to-speech. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
VALL-E X— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.2 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.