UniSpeech-SAT

概述

UniSpeech-SAT 模型由 Sanyuan Chen, Yu Wu, Chengyi Wang, Zhengyang Chen, Zhuo Chen, Shujie Liu, Jian Wu, Yao Qian, Furu Wei, Jinyu Li, Xiangzhan Yu 在論文 UniSpeech-SAT: Universal Speech Representation Learning with Speaker Aware Pre-Training 中提出。

論文摘要如下：

自監督學習 (SSL) 是語音處理領域的一個長期目標，因為它利用大規模無標註資料，避免了繁瑣的人工標註。近年來，自監督學習在語音識別領域取得了巨大成功，但在說話人特徵建模方面的探索卻很有限。在本文中，我們旨在改進現有的 SSL 框架以用於說話人表示學習。我們引入了兩種方法來增強無監督說話人資訊提取。首先，我們將多工學習應用於當前的 SSL 框架，將話語級對比損失與 SSL 目標函式相結合。其次，為了更好地區分說話人，我們提出了一種用於資料增強的話語混合策略，透過無監督地建立額外的重疊話語，並將其納入訓練過程。我們將所提出的方法整合到 HuBERT 框架中。在 SUPERB 基準上的實驗結果表明，所提出的系統在通用表示學習方面達到了最先進的效能，尤其是在面向說話人識別的任務上。透過消融研究驗證了每種方法的有效性。最後，我們將訓練資料集擴充套件到 94,000 小時的公開音訊資料，並在所有 SUPERB 任務上實現了進一步的效能提升。

此模型由 patrickvonplaten 貢獻。作者的程式碼可以在這裡找到。

使用技巧

UniSpeechSat 是一個語音模型，它接受一個與語音訊號原始波形相對應的浮點陣列。請使用 Wav2Vec2Processor 進行特徵提取。
UniSpeechSat 模型可以使用連線主義時間分類（CTC）進行微調，因此模型輸出必須使用 Wav2Vec2CTCTokenizer 進行解碼。
UniSpeechSat 在說話人驗證、說話人識別和說話人分割任務上表現尤為出色。

[!NOTE] 當使用除 “eager” 之外的任何注意力實現時，`head_mask` 引數會被忽略。如果你有一個 `head_mask` 並且希望它生效，請使用 `XXXModel.from_pretrained(model_id, attn_implementation="eager")` 載入模型。

資源

UniSpeechSatConfig

class transformers.UniSpeechSatConfig

< 源 >

( vocab_size = 32 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout = 0.1 activation_dropout = 0.1 attention_dropout = 0.1 feat_proj_dropout = 0.0 feat_quantizer_dropout = 0.0 final_dropout = 0.1 layerdrop = 0.1 initializer_range = 0.02 layer_norm_eps = 1e-05 feat_extract_norm = 'group' feat_extract_activation = 'gelu' conv_dim = (512, 512, 512, 512, 512, 512, 512) conv_stride = (5, 2, 2, 2, 2, 2, 2) conv_kernel = (10, 3, 3, 3, 3, 2, 2) conv_bias = False num_conv_pos_embeddings = 128 num_conv_pos_embedding_groups = 16 do_stable_layer_norm = False apply_spec_augment = True mask_time_prob = 0.05 mask_time_length = 10 mask_time_min_masks = 2 mask_feature_prob = 0.0 mask_feature_length = 10 mask_feature_min_masks = 0 num_codevectors_per_group = 320 num_codevector_groups = 2 contrastive_logits_temperature = 0.1 num_negatives = 100 codevector_dim = 256 proj_codevector_dim = 256 diversity_loss_weight = 0.1 ctc_loss_reduction = 'mean' ctc_zero_infinity = False use_weighted_layer_sum = False classifier_proj_size = 256 tdnn_dim = (512, 512, 512, 512, 1500) tdnn_kernel = (5, 3, 3, 1, 1) tdnn_dilation = (1, 2, 3, 1, 1) xvector_output_dim = 512 pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 num_clusters = 504 **kwargs )

引數

vocab_size (int, 可選, 預設為 32) — UniSpeechSat 模型的詞彙表大小。定義了在呼叫 UniSpeechSatModel 時傳遞的 `inputs_ids` 可以表示的不同標記的數量。模型的詞彙表大小。定義了可以由傳遞給 UniSpeechSatModel 的 forward 方法的 *inputs_ids* 表示的不同標記。
hidden_size (int, 可選, 預設為 768) — 編碼器層和池化層的維度。
num_hidden_layers (int, 可選, 預設為 12) — Transformer 編碼器中的隱藏層數。
num_attention_heads (int, 可選, 預設為 12) — Transformer 編碼器中每個注意力層的注意力頭數。
intermediate_size (int, 可選, 預設為 3072) — Transformer 編碼器中“中間”（即前饋）層的維度。
hidden_act (str 或 function, 可選, 預設為 "gelu") — 編碼器和池化器中的非線性啟用函式（函式或字串）。如果為字串，支援 "gelu"、"relu"、"selu" 和 "gelu_new"。
hidden_dropout (float, 可選, 預設為 0.1) — 嵌入層、編碼器和池化器中所有全連線層的丟棄機率。
activation_dropout (float, 可選, 預設為 0.1) — 全連線層內啟用函式的丟棄率。
attention_dropout (float, 可選, 預設為 0.1) — 注意力機率的丟棄率。
feat_proj_dropout (float, 可選, 預設為 0.0) — 特徵編碼器輸出的丟棄機率。
feat_quantizer_dropout (float, 可選, 預設為 0.0) — 量化器使用的特徵編碼器輸出的丟棄機率。
final_dropout (float, 可選, 預設為 0.1) — UniSpeechSatForCTC 最終投影層的丟棄機率。
layerdrop (float, 可選, 預設為 0.1) — LayerDrop 機率。更多細節請參見 [LayerDrop 論文](參見 https://huggingface.co/papers/1909.11556)。
initializer_range (float, 可選, 預設為 0.02) — 用於初始化所有權重矩陣的 truncated_normal_initializer 的標準差。
layer_norm_eps (float, 可選, 預設為 1e-05) — 層歸一化層使用的 epsilon 值。
feat_extract_norm (str, 可選, 預設為 "group") — 應用於特徵編碼器中 1D 卷積層的歸一化方法。`"group"` 表示僅對第一個 1D 卷積層進行組歸一化，`"layer"` 表示對所有 1D 卷積層進行層歸一化。
feat_extract_activation (str, *可選*, 預設為 `“gelu”`) -- 特徵提取器中 1D 卷積層的非線性啟用函式（函式或字串）。如果為字串，支援 `“gelu”`、`“relu”`、`“selu”` 和 `“gelu_new”`。
conv_dim (tuple[int] 或 list[int], 可選, 預設為 (512, 512, 512, 512, 512, 512, 512)) — 一個整數元組，定義了特徵編碼器中每個 1D 卷積層的輸入和輸出通道數。conv_dim 的長度定義了 1D 卷積層的數量。
conv_stride (tuple[int] 或 list[int], 可選, 預設為 (5, 2, 2, 2, 2, 2, 2)) — 一個整數元組，定義了特徵編碼器中每個 1D 卷積層的步幅。conv_stride 的長度定義了卷積層的數量，並且必須與 conv_dim 的長度匹配。
conv_kernel (tuple[int] 或 list[int], 可選, 預設為 (10, 3, 3, 3, 3, 2, 2)) — 一個整數元組，定義了特徵編碼器中每個 1D 卷積層的核大小。conv_kernel 的長度定義了卷積層的數量，並且必須與 conv_dim 的長度匹配。
conv_bias (bool, 可選, 預設為 False) — 1D 卷積層是否帶有偏置。
num_conv_pos_embeddings (int, 可選, 預設為 128) — 卷積位置嵌入的數量。定義了 1D 卷積位置嵌入層的核大小。
num_conv_pos_embedding_groups (int, 可選, 預設為 16) — 1D 卷積位置嵌入層的組數。
do_stable_layer_norm (bool, 可選, 預設為 False) — 是否應用 Transformer 編碼器的*穩定*層歸一化架構。`do_stable_layer_norm is True` 對應於在注意力層之前應用層歸一化，而 `do_stable_layer_norm is False` 對應於在注意力層之後應用層歸一化。
apply_spec_augment (bool, 可選, 預設為 True) — 是否對特徵編碼器的輸出應用 *SpecAugment* 資料增強。參考論文 SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition。
mask_time_prob (float, 可選, 預設為 0.05) — 沿時間軸的所有特徵向量中將被掩碼的百分比（介於 0 和 1 之間）。掩碼過程會沿時間軸生成 “mask_time_prob*len(time_axis)/mask_time_length” 個獨立的掩碼。如果從每個特徵向量被選為要掩碼的向量跨度起點的機率來推斷，則 *mask_time_prob* 應為 `prob_vector_start*mask_time_length`。請注意，重疊可能會減少實際被掩碼向量的百分比。僅在 `apply_spec_augment` 為 True 時 relevant。
mask_time_length (int, 可選, 預設為 10) — 沿時間軸的向量跨度長度。
mask_time_min_masks (int, 可選, 預設為 2) — 沿時間軸生成的長度為 `mask_feature_length` 的最小掩碼數量，每個時間步都生成，與 `mask_feature_prob` 無關。僅在 “mask_time_prob*len(time_axis)/mask_time_length < mask_time_min_masks” 時相關。
mask_feature_prob (float, 可選, 預設為 0.0) — 沿特徵軸的所有特徵向量中將被掩碼的百分比（介於 0 和 1 之間）。掩碼過程會沿特徵軸生成 “mask_feature_prob*len(feature_axis)/mask_time_length” 個獨立的掩碼。如果從每個特徵向量被選為要掩碼的向量跨度起點的機率來推斷，則 *mask_feature_prob* 應為 `prob_vector_start*mask_feature_length`。請注意，重疊可能會減少實際被掩碼向量的百分比。僅在 `apply_spec_augment` 為 True 時相關。
mask_feature_length (int, 可選, 預設為 10) — 沿特徵軸的向量跨度長度。
mask_feature_min_masks (int, 可選, 預設為 0) — 沿特徵軸生成的長度為 `mask_feature_length` 的最小掩碼數量，每個時間步都生成，與 `mask_feature_prob` 無關。僅在 “mask_feature_prob*len(feature_axis)/mask_feature_length < mask_feature_min_masks” 時相關。
num_codevectors_per_group (int, 可選, 預設為 320) — 每個量化碼本（組）中的條目數。
num_codevector_groups (int, 可選, 預設為 2) — 用於乘積碼本量化的碼本組數。
contrastive_logits_temperature (float, 可選, 預設為 0.1) — 對比損失中的溫度 *kappa*。
num_negatives (int, 可選, 預設為 100) — 對比損失的負樣本數量。
codevector_dim (int, 可選, 預設為 256) — 量化特徵向量的維度。
proj_codevector_dim (int, 可選, 預設為 256) — 量化特徵和 Transformer 特徵最終投影的維度。
diversity_loss_weight (int, 可選, 預設為 0.1) — 碼本多樣性損失分量的權重。
ctc_loss_reduction (str, 可選, 預設為 "mean") — 指定應用於 `torch.nn.CTCLoss` 輸出的規約方式。僅在訓練 UniSpeechSatForCTC 例項時相關。
ctc_zero_infinity (bool, 可選, 預設為 False) — 是否將 `torch.nn.CTCLoss` 的無限損失和相關梯度置零。無限損失主要發生在輸入過短而無法與目標對齊時。僅在訓練 UniSpeechSatForCTC 例項時相關。
use_weighted_layer_sum (bool, 可選, 預設為 False) — 是否使用帶有學習權重的層輸出的加權平均。僅在使用 UniSpeechSatForSequenceClassification 例項時相關。
classifier_proj_size (int, 可選, 預設為 256) — 用於分類任務時，在詞元均值池化（token mean-pooling）之前的投影維度。
tdnn_dim (tuple[int] 或 list[int], 可選, 預設為 (512, 512, 512, 512, 1500)) — 一個整數元組，定義了 XVector 模型中 TDNN 模組內每個一維卷積層的輸出通道數。tdnn_dim 的長度定義了 TDNN 層的數量。
tdnn_kernel (tuple[int] 或 list[int], 可選, 預設為 (5, 3, 3, 1, 1)) — 一個整數元組，定義了 XVector 模型中 TDNN 模組內每個一維卷積層的核大小。tdnn_kernel 的長度必須與 tdnn_dim 的長度相匹配。
tdnn_dilation (tuple[int] 或 list[int], 可選, 預設為 (1, 2, 3, 1, 1)) — 一個整數元組，定義了 XVector 模型中 TDNN 模組內每個一維卷積層的擴張因子。tdnn_dilation 的長度必須與 tdnn_dim 的長度相匹配。
xvector_output_dim (int, 可選, 預設為 512) — XVector 嵌入向量的維度。
pad_token_id (int, 可選, 預設為 0) — 填充詞元的 ID。
bos_token_id (int, 可選, 預設為 1) — “序列開始”詞元的 ID。
eos_token_id (int, 可選, 預設為 2) — “序列結束”詞元的 ID。
num_clusters (int, 可選, 預設為 504) — 用於弱標籤的聚類數量。僅在使用 UniSpeechSatForPreTraining 的例項時相關。

這是一個配置類，用於儲存 UniSpeechSatModel 的配置。它用於根據指定的引數例項化一個 UniSpeechSat 模型，定義了模型架構。使用預設值例項化配置將產生一個與 UniSpeechSat microsoft/unispeech-sat-base-100h-libri-ft 架構相似的配置。

配置物件繼承自 PretrainedConfig，可用於控制模型輸出。更多資訊請閱讀 PretrainedConfig 的文件。

示例

>>> from transformers import UniSpeechSatModel, UniSpeechSatConfig

>>> # Initializing a UniSpeechSat microsoft/unispeech-sat-base-100h-libri-ft style configuration
>>> configuration = UniSpeechSatConfig()

>>> # Initializing a model from the microsoft/unispeech-sat-base-100h-libri-ft style configuration
>>> model = UniSpeechSatModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

UniSpeechSat 特定輸出

class transformers.models.unispeech_sat.modeling_unispeech_sat.UniSpeechSatForPreTrainingOutput

< source >

( loss: typing.Optional[torch.FloatTensor] = None logits: typing.Optional[torch.FloatTensor] = None projected_states: typing.Optional[torch.FloatTensor] = None projected_quantized_states: typing.Optional[torch.FloatTensor] = None codevector_perplexity: typing.Optional[torch.FloatTensor] = None hidden_states: typing.Optional[tuple[torch.FloatTensor]] = None attentions: typing.Optional[tuple[torch.FloatTensor]] = None )

引數

loss (*可選*，在模型處於訓練模式時返回，形狀為 (1,) 的 torch.FloatTensor) — 總損失，是對比損失 (L_m) 和多樣性損失 (L_d) 的和，如官方論文所述。（分類）損失。
logits (形狀為 (batch_size, sequence_length, config.proj_codevector_dim) 的 torch.FloatTensor, 可選) — 對比損失模型的預測分數，即最終 softmax 之前的模型輸出。
projected_states (形狀為 (batch_size, sequence_length, config.proj_codevector_dim) 的 torch.FloatTensor) — 模型的隱藏狀態，被投影到 config.proj_codevector_dim 維度，可用於預測被掩碼的投影量化狀態。
projected_quantized_states (形狀為 (batch_size, sequence_length, config.proj_codevector_dim) 的 torch.FloatTensor) — 量化後的提取特徵向量，被投影到 config.proj_codevector_dim 維度，代表對比損失的正目標向量。
codevector_perplexity (形狀為 (1,) 的 torch.FloatTensor) — 碼向量分佈的困惑度，用於衡量碼本的多樣性。
hidden_states (tuple[torch.FloatTensor], 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個是嵌入層的輸出，如果模型有嵌入層，+ 每個層的輸出）。

模型在每層輸出處的隱藏狀態，以及可選的初始嵌入輸出。
attentions (tuple[torch.FloatTensor], 可選, 當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

經過注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

UniSpeechSatForPreTrainingOutput 的輸出型別，可能包含隱藏狀態和注意力。

UniSpeechSatModel

class transformers.UniSpeechSatModel

< source >

( config: UniSpeechSatConfig )

引數

config (UniSpeechSatConfig) — 包含模型所有引數的模型配置類。使用配置檔案進行初始化不會載入與模型相關的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。

基礎的 Unispeech Sat 模型，輸出原始隱藏狀態，頂部沒有任何特定的頭。

該模型繼承自 PreTrainedModel。有關該庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭等），請檢視超類的文件。

該模型也是 PyTorch torch.nn.Module 的子類。可以像常規 PyTorch 模組一樣使用它，並參考 PyTorch 文件瞭解所有與常規用法和行為相關的事項。

forward

< source >

( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None mask_time_indices: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.Wav2Vec2BaseModelOutput 或 tuple(torch.FloatTensor)

引數

input_values (形狀為 (batch_size, sequence_length) 的 torch.Tensor, 可選) — 輸入原始語音波形的浮點數值。可以透過將 .flac 或 .wav 音訊檔案載入到 list[float] 型別的陣列或 numpy.ndarray 中獲得，例如透過 soundfile 庫（pip install soundfile）。為了將陣列準備成 input_values，應使用 AutoProcessor 進行填充並轉換為 torch.FloatTensor 型別的張量。詳情請參閱 {processor_class}.__call__。
attention_mask (形狀為 (batch_size, sequence_length) 的 torch.Tensor, 可選) — 掩碼，用於避免對填充詞元索引執行注意力。掩碼值在 [0, 1] 中選擇：
- 1 表示詞元未被掩碼，
- 0 表示詞元被掩碼。
什麼是注意力掩碼？
mask_time_indices (形狀為 (batch_size, sequence_length) 的 torch.BoolTensor, 可選) — 用於掩碼提取特徵以進行對比損失的索引。在訓練模式下，模型學習在 config.proj_codevector_dim 空間中預測被掩碼的提取特徵。
output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的 hidden_states。
return_dict (bool, 可選) — 是否返回 ModelOutput 而不是普通的元組。

transformers.modeling_outputs.Wav2Vec2BaseModelOutput 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.Wav2Vec2BaseModelOutput 或一個 torch.FloatTensor 元組（如果傳遞了 return_dict=False 或 config.return_dict=False），根據配置（UniSpeechSatConfig）和輸入的不同，包含不同的元素。

last_hidden_state (torch.FloatTensor, 形狀為 (batch_size, sequence_length, hidden_size)) — 模型最後一層輸出的隱藏狀態序列。
extract_features (torch.FloatTensor 形狀為 (batch_size, sequence_length, conv_dim[-1])) — 模型最後一個卷積層的提取特徵向量序列。
hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個是嵌入層的輸出 + 每個層的輸出）。

模型在每個層輸出的隱藏狀態加上初始嵌入輸出。
attentions (tuple(torch.FloatTensor), 可選, 當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

UniSpeechSatModel 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的流程需要在此函式內定義，但之後應呼叫 Module 例項而不是此函式，因為前者會處理預處理和後處理步驟，而後者會默默地忽略它們。

UniSpeechSatForCTC

class transformers.UniSpeechSatForCTC

< source >

( config target_lang: typing.Optional[str] = None )

引數

config (UniSpeechSatForCTC) — 包含模型所有引數的模型配置類。使用配置檔案進行初始化不會載入與模型相關的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。
target_lang (str, 可選) — 介面卡權重的語言 ID。介面卡權重以 `adapter..safetensors` 或 `adapter..bin` 的格式儲存。僅在使用帶介面卡的 UniSpeechSatForCTC 例項時相關。預設使用‘eng’。

UniSpeechSat 模型，頂部帶有一個用於連線時序分類 (CTC) 的 語言建模 頭。

該模型繼承自 PreTrainedModel。有關該庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭等），請檢視超類的文件。

該模型也是 PyTorch torch.nn.Module 的子類。可以像常規 PyTorch 模組一樣使用它，並參考 PyTorch 文件瞭解所有與常規用法和行為相關的事項。

forward

< source >

( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None ) → transformers.modeling_outputs.CausalLMOutput 或 tuple(torch.FloatTensor)

引數

input_values (形狀為 (batch_size, sequence_length) 的 torch.Tensor, 可選) — 輸入原始語音波形的浮點數值。可以透過將 .flac 或 .wav 音訊檔案載入到 list[float] 型別的陣列或 numpy.ndarray 中獲得，例如透過 soundfile 庫（pip install soundfile）。為了將陣列準備成 input_values，應使用 AutoProcessor 進行填充並轉換為 torch.FloatTensor 型別的張量。詳情請參閱 {processor_class}.__call__。
attention_mask (形狀為 (batch_size, sequence_length) 的 torch.Tensor, 可選) — 掩碼，用於避免對填充詞元索引執行注意力。掩碼值在 [0, 1] 中選擇：
- 1 表示詞元未被掩碼，
- 0 表示詞元被掩碼。
什麼是注意力掩碼？
output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的 hidden_states。
return_dict (bool, 可選) — 是否返回 ModelOutput 而不是普通的元組。
labels (形狀為 (batch_size, target_length) 的 torch.LongTensor, 可選) — 用於連線時序分類的標籤。請注意，target_length 必須小於或等於輸出 logits 的序列長度。索引在 [-100, 0, ..., config.vocab_size - 1] 中選擇。所有設定為 -100 的標籤都將被忽略（掩碼），損失僅針對 [0, ..., config.vocab_size - 1] 中的標籤計算。

transformers.modeling_outputs.CausalLMOutput 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.CausalLMOutput 或一個 torch.FloatTensor 元組（如果傳遞了 return_dict=False 或 config.return_dict=False），根據配置（UniSpeechSatConfig）和輸入的不同，包含不同的元素。

loss (torch.FloatTensor 形狀為 (1,)，可選，當提供 labels 時返回) — 語言建模損失（用於下一個 token 預測）。
logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 語言建模頭部的預測分數（SoftMax 之前的每個詞彙標記的分數）。
hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個是嵌入層的輸出，如果模型有嵌入層，+ 每個層的輸出）。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple(torch.FloatTensor), 可選, 當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

UniSpeechSatForCTC 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的流程需要在此函式內定義，但之後應呼叫 Module 例項而不是此函式，因為前者會處理預處理和後處理步驟，而後者會默默地忽略它們。

示例

>>> from transformers import AutoProcessor, UniSpeechSatForCTC
>>> from datasets import load_dataset
>>> import torch

>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate

>>> processor = AutoProcessor.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")
>>> model = UniSpeechSatForCTC.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")

>>> # audio file is decoded on the fly
>>> inputs = processor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")
>>> with torch.no_grad():
...     logits = model(**inputs).logits
>>> predicted_ids = torch.argmax(logits, dim=-1)

>>> # transcribe speech
>>> transcription = processor.batch_decode(predicted_ids)
>>> transcription[0]
...

>>> inputs["labels"] = processor(text=dataset[0]["text"], return_tensors="pt").input_ids

>>> # compute loss
>>> loss = model(**inputs).loss
>>> round(loss.item(), 2)
...

UniSpeechSatForSequenceClassification

class transformers.UniSpeechSatForSequenceClassification

< source >

( config )

引數

config (UniSpeechSatForSequenceClassification) — 包含模型所有引數的模型配置類。使用配置檔案進行初始化不會載入與模型相關的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。

UniSpeechSat 模型，頂部帶有一個序列分類頭（在池化輸出上加一個線性層），用於像 SUPERB 關鍵詞識別這樣的任務。

該模型繼承自 PreTrainedModel。有關該庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭等），請檢視超類的文件。

該模型也是 PyTorch torch.nn.Module 的子類。可以像常規 PyTorch 模組一樣使用它，並參考 PyTorch 文件瞭解所有與常規用法和行為相關的事項。

forward

< source >

引數

input_values (torch.FloatTensor，形狀為 (batch_size, sequence_length)) — 浮點值的輸入原始語音波形。可以透過將 .flac 或 .wav 音訊檔案載入到型別為 list[float] 或 numpy.ndarray 的陣列中來獲取值，例如透過 soundfile 庫 (pip install soundfile)。要將陣列準備成 input_values，應使用 AutoProcessor 進行填充並轉換為 torch.FloatTensor 型別的張量。有關詳細資訊，請參閱 UniSpeechSatProcessor.__call__。
attention_mask (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 用於避免對填充標記索引執行注意力計算的掩碼。掩碼值在 [0, 1] 中選擇：
- 1 表示標記未被遮蔽，
- 0 表示標記被遮蔽。
什麼是注意力掩碼？
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。有關詳細資訊，請參閱返回張量下的 hidden_states。
return_dict (bool，可選) — 是否返回一個 ModelOutput 而不是一個普通的元組。
labels (torch.LongTensor，形狀為 (batch_size,)，可選) — 用於計算序列分類/迴歸損失的標籤。索引應在 [0, ..., config.num_labels - 1] 範圍內。如果 config.num_labels == 1，則計算迴歸損失（均方損失）；如果 config.num_labels > 1，則計算分類損失（交叉熵）。

transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.SequenceClassifierOutput 或一個 torch.FloatTensor 的元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (UniSpeechSatConfig) 和輸入。

loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失（如果 config.num_labels==1，則為迴歸損失）。
logits (形狀為 (batch_size, config.num_labels) 的 torch.FloatTensor) — 分類（如果 config.num_labels==1，則為迴歸）分數（SoftMax 之前）。
hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個是嵌入層的輸出，如果模型有嵌入層，+ 每個層的輸出）。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple(torch.FloatTensor), 可選, 當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

UniSpeechSatForSequenceClassification 的 forward 方法會覆蓋 __call__ 特殊方法。

雖然前向傳播的流程需要在此函式內定義，但之後應呼叫 Module 例項而不是此函式，因為前者會處理預處理和後處理步驟，而後者會默默地忽略它們。

單標籤分類示例

>>> import torch
>>> from transformers import AutoTokenizer, UniSpeechSatForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")
>>> model = UniSpeechSatForSequenceClassification.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_id = logits.argmax().item()
>>> model.config.id2label[predicted_class_id]
...

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = UniSpeechSatForSequenceClassification.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft", num_labels=num_labels)

>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss
>>> round(loss.item(), 2)
...

多標籤分類示例

>>> import torch
>>> from transformers import AutoTokenizer, UniSpeechSatForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")
>>> model = UniSpeechSatForSequenceClassification.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft", problem_type="multi_label_classification")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = UniSpeechSatForSequenceClassification.from_pretrained(
...     "microsoft/unispeech-sat-base-100h-libri-ft", num_labels=num_labels, problem_type="multi_label_classification"
... )

>>> labels = torch.sum(
...     torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1
... ).to(torch.float)
>>> loss = model(**inputs, labels=labels).loss

UniSpeechSatForAudioFrameClassification

class transformers.UniSpeechSatForAudioFrameClassification

< 原始碼 >

( config )

引數

config (UniSpeechSatForAudioFrameClassification) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型關聯的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。

帶有幀分類頭的 Unispeech Sat 模型，適用於說話人分割等任務。

該模型繼承自 PreTrainedModel。有關該庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭等），請檢視超類的文件。

該模型也是 PyTorch torch.nn.Module 的子類。可以像常規 PyTorch 模組一樣使用它，並參考 PyTorch 文件瞭解所有與常規用法和行為相關的事項。

forward

< 原始碼 >

( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)

引數

input_values (torch.FloatTensor，形狀為 (batch_size, sequence_length)) — 浮點值的輸入原始語音波形。可以透過將 .flac 或 .wav 音訊檔案載入到型別為 list[float] 或 numpy.ndarray 的陣列中來獲取值，例如透過 soundfile 庫 (pip install soundfile)。要將陣列準備成 input_values，應使用 AutoProcessor 進行填充並轉換為 torch.FloatTensor 型別的張量。有關詳細資訊，請參閱 UniSpeechSatProcessor.__call__。
attention_mask (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 用於避免對填充標記索引執行注意力計算的掩碼。掩碼值在 [0, 1] 中選擇：
- 1 表示標記未被遮蔽，
- 0 表示標記被遮蔽。
什麼是注意力掩碼？
labels (torch.LongTensor，形狀為 (batch_size,)，可選) — 用於計算序列分類/迴歸損失的標籤。索引應在 [0, ..., config.num_labels - 1] 範圍內。如果 config.num_labels == 1，則計算迴歸損失（均方損失）；如果 config.num_labels > 1，則計算分類損失（交叉熵）。
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。有關詳細資訊，請參閱返回張量下的 hidden_states。
return_dict (bool，可選) — 是否返回一個 ModelOutput 而不是一個普通的元組。

transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.TokenClassifierOutput 或一個 torch.FloatTensor 的元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (UniSpeechSatConfig) 和輸入。

loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失。
logits (形狀為 (batch_size, sequence_length, config.num_labels) 的 torch.FloatTensor) — 分類分數（SoftMax 之前）。
hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個是嵌入層的輸出，如果模型有嵌入層，+ 每個層的輸出）。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple(torch.FloatTensor), 可選, 當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

UniSpeechSatForAudioFrameClassification 的 forward 方法會覆蓋 __call__ 特殊方法。

雖然前向傳播的流程需要在此函式內定義，但之後應呼叫 Module 例項而不是此函式，因為前者會處理預處理和後處理步驟，而後者會默默地忽略它們。

示例

>>> from transformers import AutoFeatureExtractor, UniSpeechSatForAudioFrameClassification
>>> from datasets import load_dataset
>>> import torch

>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate

>>> feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")
>>> model = UniSpeechSatForAudioFrameClassification.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")

>>> # audio file is decoded on the fly
>>> inputs = feature_extractor(dataset[0]["audio"]["array"], return_tensors="pt", sampling_rate=sampling_rate)
>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> probabilities = torch.sigmoid(logits[0])
>>> # labels is a one-hot array of shape (num_frames, num_speakers)
>>> labels = (probabilities > 0.5).long()
>>> labels[0].tolist()
...

UniSpeechSatForXVector

class transformers.UniSpeechSatForXVector

< 原始碼 >

( config )

引數

config (UniSpeechSatForXVector) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型關聯的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。

帶有 XVector 特徵提取頭的 UniSpeechSat 模型，適用於說話人驗證等任務。

該模型繼承自 PreTrainedModel。有關該庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭等），請檢視超類的文件。

該模型也是 PyTorch torch.nn.Module 的子類。可以像常規 PyTorch 模組一樣使用它，並參考 PyTorch 文件瞭解所有與常規用法和行為相關的事項。

forward

< 原始碼 >

引數

input_values (torch.FloatTensor，形狀為 (batch_size, sequence_length)) — 浮點值的輸入原始語音波形。可以透過將 .flac 或 .wav 音訊檔案載入到型別為 list[float] 或 numpy.ndarray 的陣列中來獲取值，例如透過 soundfile 庫 (pip install soundfile)。要將陣列準備成 input_values，應使用 AutoProcessor 進行填充並轉換為 torch.FloatTensor 型別的張量。有關詳細資訊，請參閱 UniSpeechSatProcessor.__call__。
attention_mask (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 用於避免對填充標記索引執行注意力計算的掩碼。掩碼值在 [0, 1] 中選擇：
- 1 表示標記未被遮蔽，
- 0 表示標記被遮蔽。
什麼是注意力掩碼？
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。有關詳細資訊，請參閱返回張量下的 hidden_states。
return_dict (bool，可選) — 是否返回一個 ModelOutput 而不是一個普通的元組。
labels (torch.LongTensor，形狀為 (batch_size,)，可選) — 用於計算序列分類/迴歸損失的標籤。索引應在 [0, ..., config.num_labels - 1] 範圍內。如果 config.num_labels == 1，則計算迴歸損失（均方損失）；如果 config.num_labels > 1，則計算分類損失（交叉熵）。

transformers.modeling_outputs.XVectorOutput 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.XVectorOutput 或一個 torch.FloatTensor 的元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (UniSpeechSatConfig) 和輸入。

loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失。
logits (形狀為 (batch_size, config.xvector_output_dim) 的 torch.FloatTensor) — AMSoftmax 之前的分類隱藏狀態。
embeddings (形狀為 (batch_size, config.xvector_output_dim) 的 torch.FloatTensor) — 用於基於向量相似性檢索的話語嵌入。
hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個是嵌入層的輸出 + 每個層的輸出）。

模型在每個層輸出的隱藏狀態加上初始嵌入輸出。
attentions (tuple(torch.FloatTensor), 可選, 當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

UniSpeechSatForXVector 的 forward 方法會覆蓋 __call__ 特殊方法。

雖然前向傳播的流程需要在此函式內定義，但之後應呼叫 Module 例項而不是此函式，因為前者會處理預處理和後處理步驟，而後者會默默地忽略它們。

示例

>>> from transformers import AutoFeatureExtractor, UniSpeechSatForXVector
>>> from datasets import load_dataset
>>> import torch

>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate

>>> feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")
>>> model = UniSpeechSatForXVector.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")

>>> # audio file is decoded on the fly
>>> inputs = feature_extractor(
...     [d["array"] for d in dataset[:2]["audio"]], sampling_rate=sampling_rate, return_tensors="pt", padding=True
... )
>>> with torch.no_grad():
...     embeddings = model(**inputs).embeddings

>>> embeddings = torch.nn.functional.normalize(embeddings, dim=-1).cpu()

>>> # the resulting embeddings can be used for cosine similarity-based retrieval
>>> cosine_sim = torch.nn.CosineSimilarity(dim=-1)
>>> similarity = cosine_sim(embeddings[0], embeddings[1])
>>> threshold = 0.7  # the optimal threshold is dataset-dependent
>>> if similarity < threshold:
...     print("Speakers are not the same!")
>>> round(similarity.item(), 2)
...

UniSpeechSatForPreTraining

class transformers.UniSpeechSatForPreTraining

< 原始碼 >

( config: UniSpeechSatConfig )

引數

config (UniSpeechSatConfig) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型關聯的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。

UniSpeechSat 模型帶有用於預訓練的向量量化模組和 ctc 損失。

該模型繼承自 PreTrainedModel。有關該庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭等），請檢視超類的文件。

該模型也是 PyTorch torch.nn.Module 的子類。可以像常規 PyTorch 模組一樣使用它，並參考 PyTorch 文件瞭解所有與常規用法和行為相關的事項。

forward

< 原始碼 >

( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.unispeech_sat.modeling_unispeech_sat.UniSpeechSatForPreTrainingOutput 或 tuple(torch.FloatTensor)

引數

input_values (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 浮點值的輸入原始語音波形。可以透過將 .flac 或 .wav 音訊檔案載入到型別為 list[float] 或 numpy.ndarray 的陣列中來獲取值，例如透過 soundfile 庫 (pip install soundfile)。要將陣列準備成 input_values，應使用 AutoProcessor 進行填充並轉換為 torch.FloatTensor 型別的張量。有關詳細資訊，請參閱 {processor_class}.__call__。
attention_mask (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 用於避免對填充標記索引執行注意力計算的掩碼。掩碼值在 [0, 1] 中選擇：
- 1 表示標記未被遮蔽，
- 0 表示標記被遮蔽。
什麼是注意力掩碼？
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。有關詳細資訊，請參閱返回張量下的 hidden_states。
return_dict (bool，可選) — 是否返回一個 ModelOutput 而不是一個普通的元組。

transformers.models.unispeech_sat.modeling_unispeech_sat.UniSpeechSatForPreTrainingOutput 或 tuple(torch.FloatTensor)

一個 transformers.models.unispeech_sat.modeling_unispeech_sat.UniSpeechSatForPreTrainingOutput 或一個 torch.FloatTensor 的元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (UniSpeechSatConfig) 和輸入。

loss (*可選*，在模型處於訓練模式時返回，torch.FloatTensor，形狀為 (1,)) — 總損失，為對比損失 (L_m) 和多樣性損失 (L_d) 的和，如官方論文所述。（分類）損失。
logits (torch.FloatTensor，形狀為 (batch_size, sequence_length, config.proj_codevector_dim)，可選) — 對比損失模型的預測分數，即最終 softmax 之前的模型輸出。
projected_states (torch.FloatTensor，形狀為 (batch_size, sequence_length, config.proj_codevector_dim)) — 模型投影到 config.proj_codevector_dim 的隱藏狀態，可用於預測被掩蔽的投影量化狀態。
projected_quantized_states (torch.FloatTensor，形狀為 (batch_size, sequence_length, config.proj_codevector_dim)) — 投影到 config.proj_codevector_dim 的量化提取特徵向量，表示對比損失的正目標向量。
codevector_perplexity (形狀為(1,)的torch.FloatTensor) — 碼向量分佈的困惑度，用於衡量碼本的多樣性。
hidden_states (tuple[torch.FloatTensor]，可選，當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（如果模型有嵌入層，則一個用於嵌入層的輸出，+ 每個層一個輸出），形狀為 (batch_size, sequence_length, hidden_size)。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple[torch.FloatTensor]，可選，當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — torch.FloatTensor 的元組（每層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

UniSpeechSatForPreTraining 的 forward 方法會覆蓋 __call__ 特殊方法。

雖然前向傳播的流程需要在此函式內定義，但之後應呼叫 Module 例項而不是此函式，因為前者會處理預處理和後處理步驟，而後者會默默地忽略它們。

示例

>>> import torch
>>> from transformers import AutoFeatureExtractor, UniSpeechSatForPreTraining
>>> from transformers.models.unispeech_sat.modeling_unispeech_sat import _compute_mask_indices

>>> feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/unispeech-sat-base")
>>> model = UniSpeechSatForPreTraining.from_pretrained("microsoft/unispeech-sat-base")
>>> # TODO: Add full pretraining example

< > 在 GitHub 上更新

Transformers

UniSpeech-SAT

概述

使用技巧

資源

UniSpeechSatConfig

class transformers.UniSpeechSatConfig

UniSpeechSat 特定輸出

class transformers.models.unispeech_sat.modeling_unispeech_sat.UniSpeechSatForPreTrainingOutput

UniSpeechSatModel

class transformers.UniSpeechSatModel

forward

UniSpeechSatForCTC

class transformers.UniSpeechSatForCTC

forward

UniSpeechSatForSequenceClassification

class transformers.UniSpeechSatForSequenceClassification

forward

UniSpeechSatForAudioFrameClassification

class transformers.UniSpeechSatForAudioFrameClassification

forward

UniSpeechSatForXVector

class transformers.UniSpeechSatForXVector

forward

UniSpeechSatForPreTraining

class transformers.UniSpeechSatForPreTraining

forward