CLVP
概述
CLVP(对比语言-语音预训练 Transformer)模型是由 James Betker 在 通过扩展实现更好的语音合成 中提出的。
该论文的摘要是:
近年来,图像生成领域发生了革命性的变化,这得益于自回归 Transformer 和 DDPM 的应用。这些方法将图像生成过程建模为逐步概率过程,并利用大量的计算和数据来学习图像分布。这种提高性能的方法不必局限于图像。本文描述了一种将图像生成领域的进步应用于语音合成的方法。其结果是 TorToise——一个富有表现力的多语音文本到语音系统。
该模型由 Susnato Dhar 贡献。原始代码可以在 此处 找到。
使用技巧
- CLVP 是 Tortoise TTS 模型不可或缺的一部分。
- CLVP 可用于将不同的生成的语音候选项与提供的文本进行比较,并将最佳语音标记转发到扩散模型。
- 强烈建议在使用 Tortoise 时使用
ClvpModelForConditionalGeneration.generate()
方法。 - 请注意,CLVP 模型期望音频的采样率为 22.05 kHz,这与其他期望 16 kHz 的音频模型不同。
简要说明:
- ClvpTokenizer 对文本输入进行分词,ClvpFeatureExtractor 从所需音频中提取对数梅尔频谱图。
ClvpConditioningEncoder
接收这些文本标记和音频表示,并将它们转换为以文本和音频为条件的嵌入。- ClvpForCausalLM 使用这些嵌入生成多个语音候选项。
- 每个语音候选项都通过语音编码器(ClvpEncoder)转换为向量表示,文本编码器(ClvpEncoder)将文本标记转换为相同的潜在空间。
- 最后,我们将每个语音向量与文本向量进行比较,以查看哪个语音向量与文本向量最相似。
ClvpModelForConditionalGeneration.generate()
将上述所有逻辑压缩到一个方法中。
示例
>>> import datasets
>>> from transformers import ClvpProcessor, ClvpModelForConditionalGeneration
>>> # Define the Text and Load the Audio (We are taking an audio example from HuggingFace Hub using `datasets` library).
>>> text = "This is an example text."
>>> ds = datasets.load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.cast_column("audio", datasets.Audio(sampling_rate=22050))
>>> sample = ds[0]["audio"]
>>> # Define processor and model.
>>> processor = ClvpProcessor.from_pretrained("susnato/clvp_dev")
>>> model = ClvpModelForConditionalGeneration.from_pretrained("susnato/clvp_dev")
>>> # Generate processor output and model output.
>>> processor_output = processor(raw_speech=sample["array"], sampling_rate=sample["sampling_rate"], text=text, return_tensors="pt")
>>> generated_output = model.generate(**processor_output)
ClvpConfig
类 transformers.ClvpConfig
< 来源 >( text_config = None speech_config = None decoder_config = None projection_dim = 768 logit_scale_init_value = 2.6592 initializer_factor = 1.0 **kwargs )
参数
- text_config (
dict
,可选) — 用于初始化 CLVP 文本编码器的配置选项字典。 - speech_config (
dict
,可选) — 用于初始化 CLVP 语音编码器的配置选项字典。 - decoder_config (
dict
,可选) — 用于初始化 ClvpDecoderConfig 的配置选项字典。 - projection_dim (
int
,可选,默认为 768) — 文本和语音投影层的维度。 - logit_scale_init_value (
float
,可选,默认为 2.6592) — logit_scale 参数的初始值。根据原始 CLVP 实现使用默认值。 - initializer_factor (
float
,可选,默认为 1.0) — 用于初始化所有权重矩阵的因子(应保持为 1.0,内部用于初始化测试)。 - kwargs (可选) — 关键字参数字典。
ClvpConfig 是用于存储 ClvpModelForConditionalGeneration 配置的配置类。它用于根据指定的参数实例化 CLVP 模型,定义文本模型、语音模型和解码器模型配置。使用默认值实例化配置将产生类似于 CLVP susnato/clvp_dev 架构的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。
示例
>>> from transformers import ClvpConfig, ClvpModelForConditionalGeneration
>>> # Initializing a ClvpConfig with susnato/clvp_dev style configuration
>>> configuration = ClvpConfig()
>>> # Initializing a ClvpModelForConditionalGeneration (with random weights) from the susnato/clvp_dev style configuration
>>> model = ClvpModelForConditionalGeneration(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
>>> # We can also initialize a CLVPConfig from a CLVPTextConfig, CLVPSpeechConfig and a CLVPAutoRegressiveConfig
>>> from transformers import ClvpEncoderConfig, ClvpDecoderConfig
>>> # Initializing a CLVP text, CLVP speech and CLVP decoder configuration
>>> config_text = ClvpEncoderConfig()
>>> config_speech = ClvpEncoderConfig()
>>> decoder_config = ClvpDecoderConfig()
>>> config = ClvpConfig.from_sub_model_configs(config_text, config_speech, decoder_config)
from_sub_model_configs
< 源代码 >( text_config: ClvpEncoderConfig speech_config: ClvpEncoderConfig decoder_config: ClvpDecoderConfig **kwargs ) → ClvpConfig
参数
- text_config (
ClvpEncoderConfig
) — 类型为 ClvpEncoderConfig 的文本模型配置。 - speech_config (
ClvpEncoderConfig
) — 类型为 ClvpEncoderConfig 的语音模型配置。 - decoder_config (
ClvpDecoderConfig
) — 类型为 ClvpDecoderConfig 的解码器模型配置。
返回
配置对象的实例
从 CLVP 文本模型配置、CLVP 语音模型配置和 CLVP 解码器模型配置实例化 ClvpConfig(或派生类)。
ClvpEncoderConfig
类 transformers.ClvpEncoderConfig
< 源代码 >( vocab_size = 256 hidden_size = 768 intermediate_size = 1536 projection_dim = 768 num_hidden_layers = 20 num_attention_heads = 12 hidden_act = 'gelu' layer_norm_eps = 1e-05 attention_dropout = 0.1 dropout = 0.1 use_rotary_embedding = True use_attention_bias = False summary_type = 'mean' initializer_factor = 1.0 bos_token_id = 255 eos_token_id = 0 **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 256) — CLVP 编码器模型的词汇表大小。 - hidden_size (
int
, 可选, 默认为 768) — 编码器层和池化层的维度。 - intermediate_size (
int
, 可选, 默认为 1536) — Transformer 编码器中“中间”(即前馈)层的维度。 - projection_dim (
int
, 可选, 默认为 768) — 投影向量的维度。 - num_hidden_layers (
int
, 可选, 默认为 20) — Transformer 编码器中隐藏层的数量。 - num_attention_heads (
int
, 可选, 默认为 12) — Transformer 编码器中每个注意力层的注意力头数。 - hidden_act (
str
或function
, 可选, 默认为"gelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,则支持"gelu"
、"relu"
、"selu"
、"gelu_new"
和"quick_gelu"
。 - layer_norm_eps (
float
, 可选, 默认为 1e-05) — 层归一化层使用的 epsilon。 - attention_dropout (
float
, 可选, 默认为 0.1) — 注意力概率的 dropout 比率。 - dropout (
float
, 可选, 默认为 0.1) —ClvpEncoderMLP
中前馈层的 dropout 比率。 - use_rotary_embedding (
bool
, 可选, 默认为True
) — 是否使用 rotary_embedding。 - use_attention_bias (
bool
, 可选, 默认为False
) — 自注意力期间是否在查询、键和值层中使用偏差。 - summary_type (
str
, 可选, 默认为"mean"
) — 从 last_hidden_state 获取 pooler_output 的策略。支持"last"
、"first"
、"mean"
和"cls_index"
。 - initializer_factor (
float
, 可选, 默认为 1.0) — 初始化所有权重矩阵的因子(应保持为 1.0,内部用于初始化测试)。 - bos_token_id (
int
, 可选, 默认为 255) — 序列开始标记 id。 - eos_token_id (
int
, 可选, 默认为 0) — 序列结束标记 id。
这是用于存储 ClvpEncoder 配置的配置类。它用于根据指定的参数实例化 CLVP 文本或 CLVP 语音编码器。使用默认值实例化配置将产生与 CLVP susnato/clvp_dev 架构的编码器类似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。
示例
>>> from transformers import ClvpEncoderConfig, ClvpEncoder
>>> # Initializing a ClvpEncoderConfig with susnato/clvp_dev style configuration
>>> encoder_configuration = ClvpEncoderConfig()
>>> # Initializing a ClvpEncoder (with random weights) from the susnato/clvp_dev style configuration
>>> model = ClvpEncoder(encoder_configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
ClvpDecoderConfig
类 transformers.ClvpDecoderConfig
< 源代码 >( vocab_size = 8194 max_position_embeddings = 608 max_text_tokens = 404 hidden_size = 1024 num_hidden_layers = 30 num_attention_heads = 16 n_inner = None num_mel_attn_blocks = 6 activation_function = 'gelu_new' resid_pdrop = 0.1 embd_pdrop = 0.1 attention_dropout = 0.1 layer_norm_epsilon = 1e-05 initializer_range = 0.02 summary_type = 'cls_index' summary_use_proj = True summary_activation = None summary_proj_to_labels = True summary_first_dropout = 0.1 use_cache = True bos_token_id = 8192 eos_token_id = 8193 feature_size = 80 use_attention_bias = True initializer_factor = 1.0 decoder_fixing_codes = [83, 45, 45, 248] **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 8194) — 模型的词汇量大小。 - max_position_embeddings (
int
, 可选, 默认为 608) — 此模型可能使用的梅尔标记的最大序列长度。类似于GPT2Config
中的n_positions
。 - max_text_tokens (
int
, 可选, 默认为 404) — 此模型可能使用的文本标记的最大序列长度。类似于GPT2Config
中的n_positions
。 - hidden_size (
int
, 可选, 默认为 1024) — 嵌入和隐藏状态的维度。 - num_hidden_layers (
int
, 可选, 默认为 30) — Transformer 编码器中隐藏层的数量。 - num_attention_heads (
int
, 可选, 默认为 16) — Transformer 编码器中每个注意力层的注意力头数量。 - n_inner (
int
, 可选) — 内部前馈层的维度。None
将其设置为hidden_size
的 4 倍。 - num_mel_attn_blocks (
int
, 可选, 默认为 6) — 表示ClvpConditioningEncoder
中自注意力层的数量。 - activation_function (
str
, 可选, 默认为"gelu_new"
) — 激活函数,可从列表["relu", "silu", "gelu", "tanh", "gelu_new"]
中选择。 - resid_pdrop (
float
, 可选, 默认为 0.1) — 嵌入、编码器和池化器中所有全连接层的丢弃概率。 - embd_pdrop (
float
, 可选, 默认为 0.1) — 嵌入的丢弃率。 - attention_dropout (
float
, 可选, 默认为 0.1) — 注意力的丢弃率。 - layer_norm_epsilon (
float
, 可选, 默认为 1e-05) — 层归一化层中使用的 epsilon 值。 - initializer_range (
float
, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - summary_type (
string
, 可选, 默认为"cls_index"
) — 执行序列摘要时使用的参数。必须是以下选项之一:
"last"
: 取最后一个标记的隐藏状态(如 XLNet)。"first"
: 取第一个标记的隐藏状态(如 BERT)。"mean"
: 取所有标记隐藏状态的平均值。"cls_index"
: 提供一个分类标记位置的张量(如 GPT/GPT-2)。"attn"
: 目前未实现,使用多头注意力。
- summary_use_proj (
bool
, 可选, 默认为True
) — 是否在向量提取后添加投影。 - summary_activation (
str
, 可选) — 传递"tanh"
对输出进行 tanh 激活,任何其他值将导致无激活。 - summary_proj_to_labels (
bool
, 可选, 默认为True
) — 投影输出应具有config.num_labels
个类还是config.hidden_size
个类。 - summary_first_dropout (
float
, 可选, 默认为 0.1) — 投影和激活后使用的 dropout 比率。 - use_cache (
bool
, 可选, 默认为True
) — 模型是否应返回最后的键/值注意力(并非所有模型都使用)。 - bos_token_id (
int
, 可选, 默认为 8192) — 序列开始的标记 ID,用于生成开始。 - eos_token_id (
int
, 可选, 默认为 8193) — 序列结束的标记 ID,在方法ClvpModelForConditionalGeneration.fix_speech_decoder_output()
中用于更正解码器输出。 - feature_size (
int
, 可选, 默认为 80) — 提取的梅尔特征的特征维度。此值在ClvpConditioningEncoder
中使用。 - use_attention_bias (
bool
, 可选, 默认为True
) — 自注意力期间是否在查询、键和值层中使用偏差。 - initializer_factor (
float
, 可选, 默认为 1.0) — 用于初始化所有权重矩阵的因子(应保持为 1.0,内部用于初始化测试)。 - decoder_fixing_codes (
list
, 可选, 默认为[83, 45, 45, 248]
) — 这些值在方法fix_speech_decoder_output
中用于修复解码器生成的输出。
这是用于存储 ClvpDecoder 配置的配置类。它用于根据指定的参数实例化 CLVP 解码器模型,定义模型架构。使用默认值实例化配置将产生与 CLVP susnato/clvp_dev 架构的解码器部分类似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。
该架构类似于 GPT2。
示例
>>> from transformers import ClvpDecoderConfig, ClvpDecoder
>>> # Initializing a ClvpDecoderConfig with susnato/clvp_dev style configuration
>>> decoder_configuration = ClvpDecoderConfig()
>>> # Initializing a ClvpDecoder (with random weights) from the susnato/clvp_dev style configuration
>>> model = ClvpDecoder(decoder_configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
ClvpTokenizer
类 transformers.ClvpTokenizer
< 源代码 >( vocab_file merges_file errors = 'replace' unk_token = '[UNK]' bos_token = '<|endoftext|>' eos_token = '[STOP]' pad_token = '[STOP]' add_prefix_space = False add_bos_token = False add_eos_token = False **kwargs )
参数
- vocab_file (
str
) — 词汇表文件的路径。 - merges_file (
str
) — 合并文件的路径。 - errors (
str
, 可选, 默认为"replace"
) — 将字节解码为 UTF-8 时要遵循的范例。请参阅 bytes.decode 了解更多信息。 - unk_token (
str
, 可选, 默认为"[UNK]"
) — 未知标记。词汇表中不存在的标记无法转换为 ID,将被设置为该标记。 - bos_token (
str
,可选,默认为"<|endoftext|>"
) — 序列开始标记。 - eos_token (
str
,可选,默认为"[STOP]"
) — 序列结束标记。 - pad_token (
str
,可选,默认为"[STOP]"
) — 序列的填充标记。 - add_prefix_space (
bool
,可选,默认为False
) — 是否在输入开头添加空格。这允许将前导词与其他任何词一样对待。(CLVP 分词器通过前面的空格检测词的开头)。 - add_bos_token (
bool
,可选,默认为False
) — 当 add_special_tokens=True 时,是否在序列前面添加bos_token
。 - add_eos_token (
bool
,可选,默认为False
) — 当 add_special_tokens=True 时,是否在序列末尾添加eos_token
。
构造一个 CLVP 分词器。基于字节级别的字节对编码。
此分词器经过训练,将空格视为标记的一部分(有点像 sentencepiece),因此一个词的编码方式会
根据它是否在句首(没有空格)而有所不同。
>>> from transformers import ClvpTokenizer
>>> tokenizer = ClvpTokenizer.from_pretrained("susnato/clvp_dev")
>>> tokenizer("Hello world")["input_ids"]
[62, 84, 28, 2, 179, 79]
>>> tokenizer(" Hello world")["input_ids"]
[2, 62, 84, 28, 2, 179, 79]
您可以在实例化此分词器或在某些文本上调用它时传递 add_prefix_space=True
来避免这种行为,但由于模型不是以这种方式预训练的,因此可能会导致性能下降。
当与 is_split_into_words=True
一起使用时,此分词器将在每个词之前添加一个空格(即使是第一个词)。
此分词器继承自 PreTrainedTokenizer,其中包含大多数主要方法。用户应参考此超类以获取有关这些方法的更多信息。
ClvpFeatureExtractor
类 transformers.ClvpFeatureExtractor
< 源代码 >( feature_size = 80 sampling_rate = 22050 default_audio_length = 6 hop_length = 256 chunk_length = 30 n_fft = 1024 padding_value = 0.0 mel_norms = None return_attention_mask = False **kwargs )
参数
- feature_size (
int
, 可选, 默认为 80) — 提取特征的特征维度。 - sampling_rate (
int
, 可选, 默认为 22050) — 音频文件应数字化的采样率,以赫兹 (Hz) 表示。 - default_audio_length (
int
, 可选, 默认为 6) — 原始音频的默认长度(以秒为单位)。如果在__call__
期间未设置max_length
,则它将自动设置为 default_audio_length *self.sampling_rate
。 - hop_length (
int
, 可选, 默认为 256) — 用于获取梅尔频率系数的 STFT 的重叠窗口的长度。 - chunk_length (
int
,可选,默认为 30) — 用于修剪和填充较长或较短音频序列的sampling_rate
样本的最大块数。 - n_fft (
int
,可选,默认为 1024) — 傅里叶变换的大小。 - padding_value (
float
,可选,默认为 0.0) — 用于填充音频的填充值。 应该对应于静音。 - mel_norms (长度为
feature_size
的list
,可选) — 如果提供了mel_norms
,则它将用于沿着每个梅尔滤波器对对数梅尔频谱图进行归一化。 - return_attention_mask (
bool
,可选,默认为False
) — 是否返回注意力掩码。 如果保留默认值,则它将返回注意力掩码。
构造一个 CLVP 特征提取器。
此特征提取器继承自 SequenceFeatureExtractor,其中包含大多数主要方法。 用户应参考此超类以获取有关这些方法的更多信息。
此类使用 短时傅里叶变换
的自定义 numpy 实现从原始语音中提取对数梅尔频谱图特征,该实现应与 pytorch 的 torch.stft
等效。
__call__
< source >( raw_speech: Union sampling_rate: Optional = None truncation: bool = True pad_to_multiple_of: Optional = None return_tensors: Union = None return_attention_mask: Optional = True padding: Optional = 'max_length' max_length: Optional = None **kwargs )
参数
- raw_speech (
np.ndarray
,List[float]
,List[np.ndarray]
,List[List[float]]
) — 需要填充的序列或序列批次。每个序列可以是 numpy 数组、浮点值列表、numpy 数组列表或浮点值列表列表。必须是单声道音频,而不是立体声,即每个时间步长对应一个浮点数。 - sampling_rate (
int
, 可选) — 对raw_speech
输入进行采样的采样率。强烈建议在正向调用时传递sampling_rate
,以防止出现静默错误并允许自动语音识别流水线。 - truncation (
bool
, 可选, 默认值为True
) — 激活截断以将长度超过 max_length 的输入序列截断为 max_length。 - pad_to_multiple_of (
int
, 可选) — 如果设置,则将序列填充到所提供值的倍数。这对于在计算能力
>= 7.5
(Volta)的 NVIDIA 硬件或受益于序列长度为 128 的倍数的 TPU 上使用 Tensor Core 特别有用。 - return_attention_mask (
bool
, 可选, 默认值为True
) — 是否返回注意力掩码。如果保留默认值,则会返回注意力掩码。 - return_tensors (
str
或 TensorType, 可选) — 如果设置,则返回张量而不是 Python 整数列表。可接受的值为:'tf'
:返回 TensorFlowtf.constant
对象。'pt'
:返回 PyTorchtorch.Tensor
对象。'np'
:返回 Numpynp.ndarray
对象。
- padding_value (
float
, 可选, 默认值为 0.0) — 用于填充值/向量的值。 - max_length (
int
, 可选) — 输入的最大长度。
ClvpFeatureExtractor
用于从样本语音或 raw_speech
中提取各种语音特定属性,例如语音的音调和音色、语速,甚至口吃等语音缺陷。
首先,对语音进行填充或截断,使其成为 self.default_audio_length
秒长的波形,然后从中提取对数梅尔频谱图。
ClvpProcessor
类 transformers.ClvpProcessor
< 源代码 >( feature_extractor tokenizer )
参数
- feature_extractor (
ClvpFeatureExtractor
) — ClvpFeatureExtractor 的实例。特征提取器是必需的输入。 - tokenizer (
ClvpTokenizer
) — ClvpTokenizer 的实例。分词器是必需的输入。
构造一个 CLVP 处理器,它将 CLVP 特征提取器和 CLVP 分词器包装到一个处理器中。
ClvpProcessor 提供了 ClvpFeatureExtractor 和 ClvpTokenizer 的所有功能。有关更多信息,请参阅 call()、 decode() 和 batch_decode() 的文档字符串。
此方法将其所有参数转发给 ClvpTokenizer 的 batch_decode()。有关更多信息,请参阅此方法的文档字符串。
ClvpModelForConditionalGeneration
类 transformers.ClvpModelForConditionalGeneration
< 源代码 >( config: ClvpConfig )
参数
- config (ClvpConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,只会加载配置。查看 from_pretrained() 方法来加载模型权重。
具有文本编码器、语音编码器和语音解码器模型的复合 CLVP 模型。语音解码器模型根据文本生成 speech_ids,文本编码器和语音编码器协同工作以过滤出最佳的 speech_ids。此模型继承自 PreTrainedModel。查看超类文档以了解该库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与一般用法和行为相关的所有事项。
forward
< 源代码 >( input_ids: LongTensor = None input_features: FloatTensor = None conditioning_encoder_inputs_embeds: Optional = None text_encoder_inputs_embeds: Optional = None attention_mask: Optional = None return_loss: Optional = None output_hidden_states: Optional = None output_attentions: Optional = False return_dict: Optional = None ) → transformers.models.clvp.modeling_clvp.ClvpOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 词汇表中输入序列标记的索引。如果您提供填充,默认情况下将忽略它。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- input_features (
torch.FloatTensor
形状为(batch_size, feature_size, time_dim)
) — 表示由 ClvpFeatureExtractor 返回的音频的对数梅尔频谱图表示。 - conditioning_encoder_inputs_embeds (
torch.FloatTensor
,可选) —ClvpConditioningEncoder
的 inputs_embeds。可以代替input_ids
使用。 - text_encoder_inputs_embeds (
torch.FloatTensor
,可选) — 代替input_ids
传递的文本编码器模型的 inputs_embeds。 - attention_mask (
torch.Tensor
形状为(batch_size, sequence_length)
,可选) — 掩码以避免对填充文本标记索引执行注意力。在[0, 1]
中选择的掩码值:- 未掩码标记为 1,
- 已掩码标记为 0。
- return_loss (
bool
, 可选) — 是否返回对比损失。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.models.clvp.modeling_clvp.ClvpOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.clvp.modeling_clvp.ClvpOutput
或一个 torch.FloatTensor
的元组(如果传递 return_dict=False
或当 config.return_dict=False
时),包含根据配置 (<class 'transformers.models.clvp.configuration_clvp.ClvpConfig'>
) 和输入的不同元素。
- loss (
torch.FloatTensor
形状为(1,)
,可选,当return_loss
为True
时返回) — 语音-文本相似度的对比损失。 - speech_ids (
torch.LongTensor
, 可选) — 由ClvpForCausalLM
模型生成的 speech_ids(或语音候选)。 - logits_per_speech (
torch.FloatTensor
形状为(speech_batch_size, text_batch_size)
) —speech_embeds
和text_embeds
之间的缩放点积分数。这表示语音-文本相似度分数。 - logits_per_text (
torch.FloatTensor
形状为(text_batch_size, speech_batch_size)
) —text_embeds
和speech_embeds
之间的缩放点积分数。这表示文本-语音相似度分数。 - text_embeds (
torch.FloatTensor
形状为(batch_size, output_dim
) — 通过将投影层应用于文本编码器模型的池化输出获得的文本嵌入。 - speech_embeds (
torch.FloatTensor
形状为(batch_size, output_dim
) — 通过将投影层应用于语音编码器模型的池化输出获得的语音嵌入。 - text_model_output (
BaseModelOutputWithPooling
) — 文本编码器模型的last_hidden_state
的池化输出。 - speech_model_output (
BaseModelOutputWithPooling
) — 语音编码器模型的last_hidden_state
的池化输出。 - decoder_hidden_states (
torch.FloatTensor
, 可选) — 解码器模型的隐藏状态。 - text_encoder_hidden_states (
torch.FloatTensor
, 可选) — 文本编码器模型的隐藏状态。 - speech_encoder_hidden_states (
torch.FloatTensor
, 可选) — 语音编码器模型的隐藏状态。
ClvpModelForConditionalGeneration 的 forward 方法,覆盖了 __call__
特殊方法。
尽管前向传递的步骤需要在此函数中定义,但之后应该调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例
>>> import datasets
>>> from transformers import ClvpProcessor, ClvpModelForConditionalGeneration
>>> # Define the Text and Load the Audio (We are taking an audio example from HuggingFace Hub using `datasets` library)
>>> text = "This is an example text."
>>> ds = datasets.load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.cast_column("audio", datasets.Audio(sampling_rate=22050))
>>> _, audio, sr = ds.sort("id").select(range(1))[:1]["audio"][0].values()
>>> # Define processor and model
>>> processor = ClvpProcessor.from_pretrained("susnato/clvp_dev")
>>> model = ClvpModelForConditionalGeneration.from_pretrained("susnato/clvp_dev")
>>> # processor outputs and model outputs
>>> processor_output = processor(raw_speech=audio, sampling_rate=sr, text=text, return_tensors="pt")
>>> outputs = model(
... input_ids=processor_output["input_ids"],
... input_features=processor_output["input_features"],
... return_dict=True,
... )
生成
< 源码 >( input_ids: LongTensor = None input_features: FloatTensor = None attention_mask: Optional = None generation_config: Optional = None pad_to_max_mel_tokens: Optional = None output_hidden_states: Optional = None **kwargs ) → ClvpOutput
或元组
参数
- input_ids (
torch.FloatTensor
形状为(batch_size, sequence_length)
,可选) — 输入文本标记。由 ClvpTokenizer 处理得到。 - input_features (
torch.FloatTensor
形状为(batch_size, feature_size, time_dim)
,可选) — 表示 ClvpFeatureExtractor 返回的音频的对数梅尔频谱图表示。 - attention_mask (
torch.Tensor
形状为(batch_size, sequence_length)
,可选) — 掩码,用于避免对填充文本标记索引执行注意力。掩码值在[0, 1]
中选择:- 1 表示未被掩码的标记,
- 0 表示被掩码的标记。
- generation_config (
~generation.GenerationConfig
,可选) — 生成配置,用作生成调用的基本参数化。传递给 generate 的与generation_config
属性匹配的**kwargs
将覆盖它们。如果未提供generation_config
,则将使用默认值,其加载优先级如下:1) 来自generation_config.json
模型文件(如果存在);2) 来自模型配置。请注意,未指定的参数将继承 GenerationConfig 的默认值,应查看其文档以参数化生成。 - pad_to_max_mel_tokens (
int
,可选) — 将生成的 speech_ids 填充到指定的值。这是为了实现与官方仓库相同的逻辑,链接:https://github.com/neonbjb/tortoise-tts/blob/80f89987a5abda5e2b082618cd74f9c7411141dc/tortoise/api.py#L430 并确保 logits 相同。这不会影响生成质量,因此请不要考虑使用它,因为它效率较低。 - output_hidden_states (
bool
, 可选) — 是否返回解码器模型、文本编码器和语音编码器模型的隐藏状态。
返回
ClvpOutput
或元组
一个 ClvpOutput
(如果 return_dict_in_generate=True
或当 config.return_dict_in_generate=True
时)或一个元组。
ClvpModelForConditionalGeneration
的生成方法,此方法调用 ClvpForCausalLM
的 generate
方法,然后使用生成的 speech_ids
通过 ClvpEncoder
处理 text_embeds
和 speech_embeds
。
get_text_features
< 源代码 >( input_ids: Optional = None text_encoder_inputs_embeds: Optional = None attention_mask: Optional = None ) → 形状为 (batch_size, output_dim)
的 torch.FloatTensor
参数
- input_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
) — 词汇表中输入序列标记的索引。如果您提供填充,默认情况下将忽略它。 - text_encoder_inputs_embeds (
torch.FloatTensor
, 可选) — 传递给文本编码器模型的 inputs_embeds,代替input_ids
。 - attention_mask (形状为
(batch_size, sequence_length)
的torch.Tensor
, 可选) — 掩码以避免对填充标记索引执行注意力。在[0, 1]
中选择的掩码值:- 未被掩码的标记为 1,
- 被掩码的标记为 0。
返回
形状为 (batch_size, output_dim)
的 torch.FloatTensor
通过将投影层应用于 CLVP 文本模型的池化输出获得的文本嵌入。
此方法可用于从文本中提取 text_embeds。通过将投影层应用于 CLVP 文本编码器模型的池化输出获得的文本嵌入。
示例
>>> from transformers import ClvpProcessor, ClvpModelForConditionalGeneration
>>> # Define the Text
>>> text = "This is an example text."
>>> # Define processor and model
>>> processor = ClvpProcessor.from_pretrained("susnato/clvp_dev")
>>> model = ClvpModelForConditionalGeneration.from_pretrained("susnato/clvp_dev")
>>> # Generate processor output and text embeds
>>> processor_output = processor(text=text, return_tensors="pt")
>>> text_embeds = model.get_text_features(input_ids=processor_output["input_ids"])
get_speech_features
< 源码 >( speech_ids: Optional = None input_ids: Optional = None input_features: Optional = None conditioning_encoder_inputs_embeds: Optional = None attention_mask: Optional = None **kwargs ) → 形状为 (batch_size, output_dim)
的 torch.FloatTensor
参数
- speech_ids (形状为
(batch_size, num_speech_ids)
的torch.LongTensor
,可选) — 语音标记。如果您提供填充,则默认情况下将忽略它。如果提供了 speech_ids,则 input_ids 和 input_features 将被自动忽略。 - input_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
,可选) — 输入文本标记。由 ClvpTokenizer 处理。如果没有提供 speech_ids,则将使用 input_ids 和 input_features。 - input_features (形状为
(batch_size, feature_size, time_dim)
的torch.FloatTensor
,可选) — 表示由 ClvpFeatureExtractor 返回的音频的对数梅尔频谱图表示。如果没有提供 speech_ids,则将使用 input_ids 和 input_features。 - conditioning_encoder_inputs_embeds (
torch.FloatTensor
,可选) —ClvpConditioningEncoder
的 inputs_embeds。可以用来代替input_ids
。 - attention_mask (形状为
(batch_size, sequence_length)
的torch.LongTensor
,可选) — 掩码,用于避免对填充语音标记索引执行注意力。在[0, 1]
中选择的掩码值:- 1 表示未被掩码的标记,
- 0 表示被掩码的标记。
- generation_config (
GenerationConfig
, 可选) — 用于控制 speech_ids 生成的生成配置(如果未提供)。
返回
形状为 (batch_size, output_dim)
的 torch.FloatTensor
通过将投影层应用于 CLVP 语音模型的池化输出获得的语音嵌入。
此方法可用于提取 speech_embeds。语音嵌入是通过在 speech_ids 上应用语音模型获得的。如果 speech_ids 不存在,但同时提供了 input_ids 和 input_features,则将使用解码器模型首先生成 speech_ids,然后应用语音模型。
示例
>>> import datasets
>>> from transformers import ClvpProcessor, ClvpModelForConditionalGeneration
>>> # Define the Text and Load the Audio (We are taking an audio example from HuggingFace Hub using `datasets` library)
>>> text = "This is an example text."
>>> ds = datasets.load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.cast_column("audio", datasets.Audio(sampling_rate=22050))
>>> _, audio, sr = ds.sort("id").select(range(1))[:1]["audio"][0].values()
>>> # Define processor and model
>>> processor = ClvpProcessor.from_pretrained("susnato/clvp_dev")
>>> model = ClvpModelForConditionalGeneration.from_pretrained("susnato/clvp_dev")
>>> # Generate processor output and model output
>>> processor_output = processor(raw_speech=audio, sampling_rate=sr, text=text, return_tensors="pt")
>>> speech_embeds = model.get_speech_features(
... input_ids=processor_output["input_ids"], input_features=processor_output["input_features"]
... )
ClvpForCausalLM
类 transformers.ClvpForCausalLM
< 源码 >( config )
参数
- config (ClvpConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
CLVP 解码器模型,顶部带有语言建模头。此模型继承自 PreTrainedModel。请查看超类文档,了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与一般用法和行为相关的所有事项。
forward
< 源码 >( input_ids: Optional = None past_key_values: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None )
参数
- input_ids (
torch.LongTensor
形状为(batch_size, input_ids_length)
) — 词汇表中输入序列标记的索引。索引可以通过 AutoTokenizer 获取。 更多细节请参考 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- past_key_values (长度为
config.n_layers
的Tuple[Tuple[torch.Tensor]]
) — 包含模型计算的预先计算的隐藏状态(注意力块中的键和值)(请参见下面的past_key_values
输出)。可用于加速序列解码。已经计算过的input_ids
不应作为input_ids
传递给此模型,因为它们已经被计算过了。 - attention_mask (
torch.FloatTensor
形状为(batch_size, sequence_length)
, 可选) — 避免对填充标记索引执行注意力的掩码。掩码值在[0, 1]
中选择:- 未被掩码 的标记为 1,
- 被掩码 的标记为 0。
如果使用
past_key_values
,则attention_mask
需要包含用于past_key_values
的掩码策略。换句话说,attention_mask
始终必须具有长度:len(past_key_values) + len(input_ids)
- token_type_ids (
torch.LongTensor
形状为(batch_size, input_ids_length)
, 可选) — 段标记索引,用于指示输入的第一部分和第二部分。索引在[0, 1]
中选择:- 0 对应于 句子 A 标记,
- 1 对应于 句子 B 标记。
- position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 位置嵌入中每个输入序列标记的位置索引。在[0, config.max_position_embeddings - 1]
范围内选择。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 用于将自注意力模块的选定头部置零的掩码。掩码值在[0, 1]
中选择:- 1 表示头部未被掩码,
- 0 表示头部被掩码。
- inputs_embeds (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您想更好地控制如何将input_ids
索引转换为关联向量,而不是模型的内部嵌入查找矩阵,这将非常有用。如果使用
past_key_values
,则可以选择只输入最后的inputs_embeds
(请参阅past_key_values
)。 - use_cache (
bool
, 可选) — 如果设置为True
,则会返回past_key_values
键值状态,并可用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。 - labels (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 用于语言建模的标签。请注意,标签在模型内部是**移位的**,即您可以设置labels = input_ids
索引在[-100, 0, ..., config.vocab_size]
中选择 所有设置为-100
的标签都将被忽略(屏蔽),损失仅针对[0, ..., config.vocab_size]
中的标签计算
ClvpForCausalLM 的 forward 方法,覆盖了 __call__
特殊方法。
尽管前向传递的步骤需要在此函数中定义,但之后应该调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
ClvpModel
类 transformers.ClvpModel
< 源代码 >( config: ClvpDecoderConfig )
参数
- config (ClvpConfig) — 模型配置类,包含模型的所有参数。 使用配置文件初始化不会加载与模型关联的权重,只会加载配置。 请查看 from_pretrained() 方法来加载模型权重。
基本的 Clvp 解码器模型,输出原始隐藏状态,没有任何特定头部。 此模型继承自 PreTrainedModel。 请查看超类文档,了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝头部等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与一般用法和行为相关的所有事项。
forward
< 源代码 >( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None )
参数
- input_ids (
torch.LongTensor
形状为(batch_size, input_ids_length)
) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。 请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 了解详细信息。
- past_key_values (长度为
config.n_layers
的Tuple[Tuple[torch.Tensor]]
) — 包含模型计算的预计算隐藏状态(注意力块中的键和值)(请参阅下面的past_key_values
输出)。 可用于加速顺序解码。 其过去值已传递给此模型的input_ids
不应作为input_ids
传递,因为它们已被计算。 - attention_mask (
torch.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 掩码,用于避免对填充标记索引执行注意力。掩码值在[0, 1]
中选择:- 1 表示标记未被掩码,
- 0 表示标记已被掩码。
如果使用了
past_key_values
,则attention_mask
需要包含用于past_key_values
的掩码策略。换句话说,attention_mask
始终必须具有以下长度:len(past_key_values) + len(input_ids)
- token_type_ids (
torch.LongTensor
,形状为(batch_size, input_ids_length)
,可选) — 段标记索引,用于指示输入的第一部分和第二部分。索引在[0, 1]
中选择:- 0 对应于句子 A 标记,
- 1 对应于句子 B 标记。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 位置嵌入中每个输入序列标记的位置索引。在[0, config.max_position_embeddings - 1]
范围内选择。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 掩码,用于将自注意力模块的选定头部置零。掩码值在[0, 1]
中选择:- 1 表示头部未被掩码,
- 0 表示头部已被掩码。
- inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 或者,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您想更好地控制如何将input_ids
索引转换为关联向量,而不是模型的内部嵌入查找矩阵,这将非常有用。如果使用了
past_key_values
,则可以选择仅输入最后的inputs_embeds
(请参阅past_key_values
)。 - use_cache (
bool
,可选) — 如果设置为True
,则会返回past_key_values
键值状态,并且可以用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是普通的元组。
ClvpModel 的 forward 方法,覆盖了 __call__
特殊方法。
尽管前向传递的步骤需要在此函数中定义,但之后应该调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
ClvpEncoder
由 config.num_hidden_layers
个自注意力层组成的 Transformer 编码器。每一层都是一个 ClvpEncoderLayer
。
forward
< 源代码 >( input_ids: Optional = None inputs_embeds: Optional = None attention_mask: Optional = None position_ids: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None )
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, input_ids_length)
,可选) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 模型的输入嵌入。这会绕过模型的内部嵌入查找矩阵。 - attention_mask (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 掩码,用于避免对填充标记索引执行注意力。在[0, 1]
中选择的掩码值:- 未被掩码 的标记为 1,
- 被掩码 的标记为 0。
- position_ids (
torch.LongTensor
,可选) — 表示input_ids
的位置 ID。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。有关详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是普通元组。
ClvpDecoder
由 config.num_hidden_layers 层组成的 Transformer 解码器。每一层都是一个 ClvpDecoderLayer
forward
< 源代码 >( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None )
参数
- input_ids (
torch.LongTensor
形状为(batch_size, input_ids_length)
) — 词汇表中输入序列词元的索引。索引可以通过 AutoTokenizer 获取。 更多详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- past_key_values (
Tuple[Tuple[torch.Tensor]]
长度为config.n_layers
) — 包含模型计算的预先计算的隐藏状态(注意力块中的键和值)(参见下面的past_key_values
输出)。可用于加速序列解码。将过去传递给此模型的input_ids
不应作为input_ids
传递,因为它们已被计算。 - attention_mask (
torch.FloatTensor
形状为(batch_size, sequence_length)
, 可选) — 掩码避免在填充词元索引上执行注意力。掩码值在[0, 1]
中选择:- 未被掩码 的词元为 1,
- 被掩码 的词元为 0。
如果使用
past_key_values
,则attention_mask
需要包含用于past_key_values
的掩码策略。换句话说,attention_mask
始终必须具有长度:len(past_key_values) + len(input_ids)
- token_type_ids (
torch.LongTensor
形状为(batch_size, input_ids_length)
, 可选) — 段落标记索引,用于指示输入的第一部分和第二部分。索引在[0, 1]
中选择:- 0 对应于 句子 A 标记,
- 1 对应于 句子 B 标记.
- position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 位置嵌入中每个输入序列标记的位置索引。在[0, config.max_position_embeddings - 1]
范围内选择。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 用于将自注意力模块的选定头部置零的掩码。掩码值在[0, 1]
中选择:- 1 表示头部未被屏蔽,
- 0 表示头部已被屏蔽.
- inputs_embeds (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 或者,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您想更好地控制如何将input_ids
索引转换为关联向量,而不是模型的内部嵌入查找矩阵,这将非常有用。如果使用
past_key_values
,则可以选择仅输入最后的inputs_embeds
(参见past_key_values
)。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回past_key_values
键值状态,并且可以用于加速解码(参见past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通的元组。
ClvpDecoder 的 forward 方法,覆盖了 __call__
特殊方法。
尽管前向传递的步骤需要在此函数中定义,但之后应该调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。