无缝M4T模型由Meta AI的无缝通信团队在《无缝M4T — 大规模多语言和多模态机器翻译》[1]一文中提出。
这是该模型的第一版发布。要了解更新版(第二版)发布的信息,请参考《Seamless M4T v2 文档》[2]。
无缝M4T是一系列旨在提供高质量翻译的模型,允许不同语言社区的人通过语音和文本无缝交流。
无缝M4T能够在不依赖单独模型的情况下执行多项任务
- 语音到语音翻译(S2ST)
- 语音到文本翻译(S2TT)
- 文本到语音翻译(T2ST)
- 文本到文本翻译(T2TT)
- 自动语音识别(ASR)
SeamlessM4TModel可以执行上述所有任务,但每个任务也有其专用子模型。
论文的摘要如下
创建巴别鱼这样的工具需要多少努力,一个可以帮助个人在任意两种语言之间翻译语音的工具?虽然基于文本的模型在最近取得了突破,将机器翻译的覆盖范围扩展到200多种语言,但统一的语音到语音翻译模型尚未取得类似的进步。更具体地说,传统的语音到语音翻译系统依赖于逐级执行的系统,从而使得高性能的统一系统难以实现。为了解决这些差距,我们介绍了SeamlessM4T,这是一个支持语音到语音翻译、语音到文本翻译、文本到语音翻译、文本到文本翻译,以及最多100种语言的自动语音识别的单一模型。为此,我们使用了100万小时的公开语音音频数据,并使用w2v-BERT 2.0学习自监督语音表示。随后,我们创建了一个自动对齐的语音翻译的多模态语料库。经过过滤和合并人类标注和非标注数据后,我们开发了第一个能够对语音和文本进行英译英翻译的多语言系统。在FLEURS任务上,SeamlessM4T为多目标语言的翻译设定了新的标准,将直接语音到文本翻译的BLEU分数提高了20%,超越了之前的最优成果。与高性能的级联模型相比,SeamlessM4T在语音到文本翻译中提高了1.3 BLEU分,在语音到语音翻译中提高了2.6 ASR-BLEU分。经过鲁棒性测试,我们的系统在语音到文本任务中优于当前的最优模型,即使在背景噪音和说话人变化方面也有出色表现。至关重要的一点是,我们在性别偏见上评估了SeamlessM4T,并添加了毒性评估翻译的安全性。最后,本工作的所有贡献都已开源,可在https://github.com/facebookresearch/seamless_communication
用法
首先,加载进程器和方法模型的检查点
>>> from transformers import AutoProcessor, SeamlessM4TModel
>>> processor = AutoProcessor.from_pretrained("facebook/hf-seamless-m4t-medium")
>>> model = SeamlessM4TModel.from_pretrained("facebook/hf-seamless-m4t-medium")
您可以在文本或音频上无缝使用此模型,生成翻译文本或翻译音频。
以下是如何使用进程器处理文本和音频的示例
>>> # let's load an audio sample from an Arabic speech corpus
>>> from datasets import load_dataset
>>> dataset = load_dataset("arabic_speech_corpus", split="test", streaming=True)
>>> audio_sample = next(iter(dataset))["audio"]
>>> # now, process it
>>> audio_inputs = processor(audios=audio_sample["array"], return_tensors="pt")
>>> # now, process some English test as well
>>> text_inputs = processor(text = "Hello, my dog is cute", src_lang="eng", return_tensors="pt")
语音
SeamlessM4TModel 可以无缝地生成文本或语音,只需少量或没有变化。让我们以俄语语音翻译为目标。
>>> audio_array_from_text = model.generate(**text_inputs, tgt_lang="rus")[0].cpu().numpy().squeeze()
>>> audio_array_from_audio = model.generate(**audio_inputs, tgt_lang="rus")[0].cpu().numpy().squeeze()
使用基本相同的代码,我已经将英文文本和阿拉伯语音翻译成了俄语语音样本。
文本
同样,你可以使用相同的模型从音频文件或文本生成翻译文本。你只需要将generate_speech=False
传递给SeamlessM4TModel.generate()。这次让我们将其翻译成法语。
>>> # from audio
>>> output_tokens = model.generate(**audio_inputs, tgt_lang="fra", generate_speech=False)
>>> translated_text_from_audio = processor.decode(output_tokens[0].tolist()[0], skip_special_tokens=True)
>>> # from text
>>> output_tokens = model.generate(**text_inputs, tgt_lang="fra", generate_speech=False)
>>> translated_text_from_text = processor.decode(output_tokens[0].tolist()[0], skip_special_tokens=True)
提示
1. 使用专用模型
SeamlessM4TModel 是 transformers 的顶级模型,用于生成语音和文本,但你也可以使用专用模型,这些模型在不需要额外组件的情况下执行任务,从而减少内存占用。例如,你可以将音频到音频生成的代码片段替换为针对 S2ST 任务的专用模型,其余的代码完全相同。
>>> from transformers import SeamlessM4TForSpeechToSpeech
>>> model = SeamlessM4TForSpeechToSpeech.from_pretrained("facebook/hf-seamless-m4t-medium")
或者您可以用专门针对T2TT任务的模型替换文本到文本生成的片段,只需移除 generate_speech=False
。
>>> from transformers import SeamlessM4TForTextToText
>>> model = SeamlessM4TForTextToText.from_pretrained("facebook/hf-seamless-m4t-medium")
您可以免费尝试SeamlessM4TForSpeechToText和SeamlessM4TForTextToSpeech。
2. 更改演讲者身份
您可以使用spkr_id
参数更改用于语音合成的演讲者。某些spkr_id
对于某些语言更有效!
3. 更改生成策略
您可以为语音和文本生成使用不同的生成策略,例如.generate(input_ids=input_ids, text_num_beams=4, speech_do_sample=True)
,这将依次在文本模型上执行束搜索解码,并在语音模型上执行多项式采样。
4. 同时生成语音和文本
使用return_intermediate_token_ids=True
与SeamlessM4TModel返回语音和文本!
模型架构
SeamlessM4T具备了一种灵活的架构,能够顺畅处理文本和语音的顺序生成。此配置包含两个序列到序列(seq2seq)模型。第一个模型将输入模式翻译成翻译文本,而第二个模型则从翻译文本生成称为“单位标记”的语音标记。
每个模式都有自己的专用编码器,具有独特的架构。此外,对于语音输出,我们还放置了一个受HiFi-GAN架构启发的解码器在第二个seq2seq模型之上。
以下是生成过程的基本工作原理
- 输入文本或语音通过其特定的编码器进行处理。
- 解码器创建所需的语言的文本标记。
- 如果需要生成语音,第二个seq2seq模型将遵循标准的编码器-解码器结构来生成单位标记。
- 然后将这些单位标记通过最后的解码器产生实际的语音。
SeamlessM4TModel
类 transformers.SeamlessM4TModel
< 源代码 >( config current_modality = 'text' )
参数
- config (~SeamlessM4TConfig) — 包含模型全部参数的模型配置类。使用配置文件进行初始化不会加载与模型关联的权重,只有配置。请参阅 from_pretrained() 方法以加载模型权重。
- current_modality (
str
, 可选, 默认为"text"
) — 默认模式。用于初始化模型。
原始的SeamlessM4T模型transformer,适用于所有可用的任务(S2ST,S2TT,T2TT,T2ST)。这是一个PyTorch torch.nn.Module的子类。将其用作常规PyTorch Module,并参阅PyTorch文档以了解有关一般使用和行为的所有相关事项。
生成
< source >( input_ids: 可选 = None input_features: 可选 = None return_intermediate_token_ids: 可选 = None tgt_lang: 可选 = None spkr_id: 可选 = 0 generate_speech: 可选 = True **kwargs ) → Union[SeamlessM4TGenerationOutput, Tuple[Tensor], ModelOutput]
参数
- (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 词汇表中输入序列标记的索引。索引可以通过使用 SeamlessM4TTokenizer 或 SeamlessM4TProcessor 获得。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- input_features (
torch�多浮点型
形状为(batch_size, sequence_length, num_banks)
,可选)— 输入音频特征。这应该由 SeamlessM4TFeatureExtractor 类或 SeamlessM4TProcessor 类返回。有关详细信息,请见 SeamlessM4TFeatureExtractor.call()。 - return_intermediate_token_ids (
布尔值
,可选)— 如果设置为True
,则还返回中间生成的文本和单位标记。如果您还想要音频的翻译文本,则设置为True
。请注意,如果generate_speech=True
,则此参数将被忽略。 - tgt_lang (
字符串
,可选)— 用于翻译的目标语言。 - spkr_id (
int
, 可选, 默认 0) — 语音合成的发言人 ID。必须小于config.vocoder_num_spkrs
。 - generate_speech (
bool
, 可选, 默认True
) — 如果为False
,则仅返回文本标记,不会生成语音。 - kwargs (可选) — 传递给 GenerationMixin.generate() 的剩余关键字参数字典。关键字参数有两种类型:
- 没有前缀的参数将作为
**kwargs
传递给各个子模型的generate
方法,除了decoder_input_ids
将只通过文本组件传递。 - 使用 text_ 或 speech_ 前缀的参数将分别用于文本模型和语音模型的
generate
方法。它具有高于没有前缀的关键字的优先级。
这意味着您可以例如为一次生成指定一个生成策略,而不为另一个指定。
- 没有前缀的参数将作为
返回
Union[SeamlessM4TGenerationOutput, Tuple[Tensor], ModelOutput]
- 如果
generate_speech
和return_intermediate_token_ids
,返回SeamlessM4TGenerationOutput
。 - 如果
generate_speech
为真并且return_intermediate_token_ids
为假,则返回一个由形状为(batch_size, sequence_length)
的波形和waveform_lengths
组成的元组,其中waveform_lengths
给出每个样本的长度。 - 如果
generate_speech=False
,它将返回ModelOutput
。
生成翻译后的token ID和/或翻译后的音频波形。
此方法连续调用两个不同子模型中的.generate
函数。您可以在两个不同的级别指定关键字参数:将传递给两个模型的一般参数,或带有前缀的参数将传递给其中一个模型。
例如,调用.generate(input_ids=input_ids, num_beams=4, speech_do_sample=True)
将连续对文本模型执行束搜索解码,并对语音模型执行多项式束搜索采样。
有关生成策略和代码示例的概述,请参阅以下指南:[链接]。
SeamlessM4TForTextToSpeech
类 transformers.SeamlessM4TForTextToSpeech
< source >参数(config: SeamlessM4TConfig)
参数
- config (~SeamlessM4TConfig) — 模型配置类,包含所有模型参数。使用配置文件初始化时不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法来加载模型权重。
SeamlessM4T文本到语音模型转换器,可用于T2ST。这是一个PyTorch torch.nn.Module 子类。将其用作常规PyTorch模块,并参考PyTorch文档了解所有与通用使用和行为相关的问题。
生成
< source >( input_ids: Optional = None return_intermediate_token_ids: Optional = None tgt_lang: Optional = None spkr_id: Optional = 0 **kwargs ) → Union[SeamlessM4TGenerationOutput, Tuple[Tensor]]
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 输入序列令牌在词汇表中的索引。索引可以通过使用 SeamlessM4TTokenizer 或 SeamlessM4TProcessor 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- return_intermediate_token_ids (
bool
,可选) — 如果为True
,则还会返回中间生成的文字和单位令牌。如果您还需要获取与音频一起的翻译文本,则将其设置为True
。 - tgt_lang (
str
,可选) — 用于翻译的目标语言。使用时请注意,这将影响生成的文本的语言风格。
- — speaker_id(整数,可选项,默认为0)— 用于语音合成的扬声器ID。必须小于config.vocoder_num_spkrs。
- — kwargs(可选)— 将传递给GenerationMixin.generate()的剩余关键词参数字典。关键词参数有两种类型:
返回
Union[SeamlessM4T生成输出,Tensor元组]
- 如果
return_intermediate_token_ids
为真,则返回SeamlessM4T生成输出
。 - 如果不
return_intermediate_token_ids
为真,则返回一个由形状为(batch_size, sequence_length)
的波形信号和waveform_lengths
组成的元组,后者给出每个样本的长度。
生成翻译后的音频波形。
此方法连续调用两个不同子模型中的.generate
函数。您可以在两个不同的级别指定关键字参数:将传递给两个模型的一般参数,或带有前缀的参数将传递给其中一个模型。
例如,调用.generate(input_ids, num_beams=4, speech_do_sample=True)
将依次在文本模型上执行束搜索解码,并在语音模型上执行多项式束搜索采样。
有关生成策略和代码示例的概述,请参阅以下指南:[链接]。
SeamlessM4TForSpeechToSpeech
类 transformers.SeamlessM4TForSpeechToSpeech
< 来源 >( config )
参数
- config (~SeamlessM4TConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化时不加载与模型相关的权重,只加载配置。查看 from_pretrained() 方法以加载模型权重。
一种语音到语音的SeamlessM4T模型变换器,可用于S2ST。此模型是PyTorch torch.nn.Module 子类。将其用作常规PyTorch模块,并参阅PyTorch文档以了解所有与通用使用和行为相关的问题。
生成
< source >( input_features: Optional = None return_intermediate_token_ids: Optional = None tgt_lang: Optional = None spkr_id: Optional = 0 **kwargs ) → Union[SeamlessM4TGenerationOutput, Tuple[Tensor]]
参数
- input_features (
torch.FloatTensor
of shape(batch_size, sequence_length, num_banks)
) — 输入音频特征。这应该由 SeamlessM4TFeatureExtractor 类或 SeamlessM4TProcessor 类返回。有关详细信息,请参阅 SeamlessM4TFeatureExtractor.call()。 - return_intermediate_token_ids (
bool
, 可选) — 如果设置为True
,则还返回中间生成的文本和单位标记。如果还想要获取与音频一起的翻译文本,请设置为True
。 - tgt_lang (
str
, 可选) — 用作翻译目标语言的语种。 - spkr_id (
int
, 可选,默认0) — 用于语音合成的说话人ID。必须小于config.vocoder_num_spkrs
。 - kwargs(可选) — 将传递给 GenerationMixin.generate() 的剩余字典形式的键值对。键值对类型有两种:kwargs (可选) — 将传递给 GenerationMixin.generate() 的剩余关键字参数字典。关键字参数有两种类型:
- 没有前缀,将作为每个子模型的
generate
方法中的**kwargs
输入,除了decoder_input_ids
,它只会通过文本组件传递。 - 带有 text_ 或 speech_ 前缀,将分别用于文本模型和语音模型的
generate
方法。带前缀的键值对比无前缀的键值对有更高的优先级。
- 没有前缀,将作为每个子模型的
返回
Union[SeamlessM4T生成输出,Tensor元组]
- 如果
return_intermediate_token_ids
为真,则返回SeamlessM4T生成输出
。 - 如果不
return_intermediate_token_ids
为真,则返回一个由形状为(batch_size, sequence_length)
的波形信号和waveform_lengths
组成的元组,后者给出每个样本的长度。
生成翻译后的音频波形。
此方法连续调用两个不同子模型中的.generate
函数。您可以在两个不同的级别指定关键字参数:将传递给两个模型的一般参数,或带有前缀的参数将传递给其中一个模型。
例如,调用 .generate(input_features, num_beams=4, speech_do_sample=True)
将依次对文本模型执行束搜索解码,并对语音模型执行多项式束搜索采样。
有关生成策略和代码示例的概述,请参阅以下指南:[链接]。
SeamlessM4TForTextToText
类 transformers.SeamlessM4TForTextToText
< 源 >参数(config: SeamlessM4TConfig)
参数
- 配置 (~SeamlessM4TConfig) — 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,只有配置。请查看 from_pretrained() 方法来加载模型权重。
可适用于文本到文本的文本到文本 SeamlessM4T 模型转换器。这是 PyTorch 的 torch.nn.Module 子类。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档来了解所有关于一般用途和行为的内容。
正向传播
< 源代码 >( input_ids : LongTensor = Noneattention_mask : Optional = Nonedecoder_input_ids : Optional = Nonedecoder_attention_mask : Optional = Noneencoder_outputs : Optional = Nonepast_key_values : Optional = Noneinputs_embeds : Optional = Nonedecoder_inputs_embeds : Optional = Nonelabels : Optional = Noneuse_cache : Optional = Noneoutput_attentions : Optional = Noneoutput_hidden_states : Optional = Nonereturn_dict : Optional = None**kwargs )
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 输入序列token在词汇表中的索引。索引可以通过使用 SeamlessM4TTokenizer 或 SeamlessM4TProcessor 获取。参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以获取详细信息。
- attention_mask (形状为
(batch_size, sequence_length)
的torch.FloatTensor
,可选)- 避免对填充 token 索引执行 attention 的掩码。掩码值选择在[0, 1]
:- 1 表示未 掩码 的 token,
- 0 表示 掩码 的 token。
- decoder_input_ids (形状为
(batch_size, target_sequence_length)
的torch.LongTensor
,可选)- 词汇表中解码输入序列 token 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()。
Bart 使用
eos_token_id
作为decoder_input_ids
生成时的起始 token。如果使用past_key_values
,则可以选择只输入最后的decoder_input_ids
(见past_key_values
)。对于翻译和摘要训练,应提供
decoder_input_ids
。如果没有提供decoder_input_ids
,则模型将根据论文中的去噪预训练方法通过将input_ids
向右移动来创建此张量。 - decoder_attention_mask (
torch.LongTensor
of shape(batch_size, target_sequence_length)
, optional) — 默认行为:生成一个忽略decoder_input_ids
中填充token的tensor。默认还将使用因果掩码。如果您想更改填充行为,请阅读
modeling_bart._prepare_decoder_attention_mask
并进行修改以满足您的需求。有关默认策略的更多信息,请参阅相关论文中的图1。 - encoder_outputs (
tuple(tuple(torch.FloatTensor)
, optional) — 元组包含(last_hidden_state
,可选:hidden_states
,可选:attentions
)last_hidden_state
的shape为(batch_size, sequence_length, hidden_size)
,可选)是编码器最后一层的hidden-states序列。在解码器的交叉注意力中被使用。 - past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选,当传入use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
,其中每个 tuple 包含两个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量以及两个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的额外张量。《p>包含预计算的隐藏状态(自注意块和交叉注意块中的键和值),可用于(请参阅
past_key_values
输入)以加速顺序解码。如果使用
past_key_values
,用户可以选择只输入形状为(batch_size, 1)
的最后decoder_input_ids
(那些没有将过去键值状态提供给此模型的),而不是形状为(batch_size, sequence_length)
的所有decoder_input_ids
。HTML_TAG_END -->
- inputs_embeds (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 可选择直接传递嵌入式表示,而不是传递input_ids
。这在您想比模型内部的嵌入查找矩阵有更多控制权,将input_ids
索引转换为相关向量时非常有用。HTML_TAG_END -->
- decoder_inputs_embeds (
torch.FloatTensor
维度为(batch_size, target_sequence_length, hidden_size)
,可选) — 可以选择不传递decoder_input_ids
,而是直接传递嵌入表示。如果使用past_key_values
,则可以选择仅输入最后一个decoder_inputs_embeds
(见past_key_values
)。这在您想对自己的decoder_input_ids
索引转换为相关向量有更多控制权时很有用,比模型内部的嵌入查找矩阵更灵活。如果同时未设置
decoder_input_ids
和decoder_inputs_embeds
,则decoder_inputs_embeds
将取inputs_embeds
的值。 - labels (
torch.LongTensor
维度为(batch_size, sequence_length)
,可选) — 用于计算掩码语言建模损失的标签。索引应在[-100, 0, ..., config.vocab_size]
(见input_ids
文档字符串)范围之内。设置索引为-100
的标记将被忽略(掩码),只对具有标签的标记计算损失,范围为[0, ..., config.vocab_size]
。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,并可用来加速解码(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。有关更多信息,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。有关更多信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput ,而不是一个纯元组。
SeamlessM4TForTextToText 的 forward 方法重写了 __call__
特殊方法。
尽管需要在函数内定义正向传递的配方,但在之后应该调用 Module
实例而不是此方法,因为前者负责运行预和后处理步骤,而后者会静默忽略它们。
生成
参数
- tgt_lang (
str
, 可选) — 用于翻译的目标语言。 - generation_config (
~generation.GenerationConfig
, 可选) — 用于生成调用作为基础参数化的生成配置。传递给 generate 的**kwargs
将覆盖它们。如果不提供 generation_config,将使用默认值,其加载优先级如下:1) 从存在的generation_config.json
模型文件加载;2) 从模型配置加载。请注意,未指定的参数将继承 GenerationConfig 的默认值,参数化生成时应检查其文档。 - logits_processor (
LogitsProcessorList
, 可选) — 用于补充从参数和生成配置构建的默认 logits 处理器的自定义 logits 处理器。如果传递了一个已经使用参数或生成配置创建的 logits 处理器,将引发错误。此功能旨在供高级用户使用。 - stopping_criteria (
StoppingCriteriaList
, 可选) — 配合由参数和生成配置构建的默认停止标准,自定义的停止标准。如果传入了已通过参数或生成配置创建的停止标准,则抛出错误。此功能旨在为高级用户使用。 - prefix_allowed_tokens_fn (
Callable[[int, torch.Tensor], List[int]]
, 可选) — 如果提供,此函数将限制每个步骤仅允许的标记。如果未提供,则不应用约束。此函数接受两个参数:批次 IDbatch_id
和input_ids
。它必须根据批次 IDbatch_id
和先前生成的标记inputs_ids
返回一个包含允许标记的列表,以便于下一步的生成。此参数对于基于前缀的约束生成非常有用,如Autoregressive Entity Retrieval中所述。 - synced_gpus (
bool
, 可选, 默认为False
) — 是否持续运行 while 循环直到 max_length(对于 ZeRO 阶段 3 所需)。 - kwargs (
Dict[str, Any]
, optional) — 为generate_config
和/或模型特定的额外 kwargs 添加临时参数化,这些参数将被传递到模型的forward
函数中。
返回
ModelOutput 或 torch.LongTensor
A ModelOutput(如果 return_dict_in_generate=True
或当 config.return_dict_in_generate=True
)或一个 torch.FloatTensor
。可能的 ModelOutput 类型包括
生成一系列令牌 ID。
大多数生成控制参数都在 generation_config
中设置,如果没有传递,将设置为模型的默认生成配置。您可以通过传递相应的参数到 generate() 来覆盖任何 generation_config
,例如 .generate(inputs, num_beams=4, do_sample=True)
。
有关生成策略和代码示例的概述,请参阅以下指南:[链接]。
SeamlessM4TForSpeechToText
class transformers.SeamlessM4TForSpeechToText
< source >参数(config: SeamlessM4TConfig)
参数
- config (~SeamlessM4TConfig) — 模型配置类,包含所有模型参数。使用配置文件初始化时,不会加载与模型关联的权重,仅加载配置。请查阅from_pretrained()方法来加载模型权重。
用于语音转文本的S2TT无缝M4T模型变换器。此模型是PyTorch torch.nn.Module子类。将其用作常规PyTorch模块,并参考PyTorch文档,了解所有与通用使用和行为相关的事宜。
正向传播
< source >( input_features: LongTensor = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None encoder_outputs: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None decoder_inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None **kwargs )
参数
- input_features (
torch.FloatTensor
of shape(batch_size, sequence_length, num_banks)
) — 输入音频特征。应由SeamlessM4TFeatureExtractor类或SeamlessM4TProcessor类返回。请参阅SeamlessM4TFeatureExtractor.call()获取详细信息。 - attention_mask (
torch тариф. floating. Int32
的形状为(batch_size, sequence_length)
, 可选) — 避免在填充token索引上执行注意力操作的掩码。掩码值选择在[0, 1]
:- 1 表示 未掩码 的token,
- 0 表示 掩码 的token.
- decoder_input_ids (
torch.tarif. Int64
的形状为(batch_size, target_sequence_length)
, 可选) — 词汇中解码输入序列token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()。
Bart将
eos_token_id
用作decoder_input_ids
生成器的起始token。如果使用past_key_values
,可以选择只输入最后一个decoder_input_ids
。(请参阅past_key_values
)。对于翻译和摘要训练,应提供
decoder_input_ids
。如果没有提供decoder_input_ids
,则该模型将创建此张量,按论文进行的去噪预训练将input_ids
向右移位。 - decoder_attention_mask (
torch.LongTensor
形状为(batch_size, target_sequence_length)
,可选) — 默认行为:生成一个张量,忽略decoder_input_ids
中的填充标记。默认也会使用因果掩码。如果您想更改填充行为,应阅读
modeling_bart._prepare_decoder_attention_mask
并进行修改以满足您的需求。有关默认策略的更多信息,请参阅该论文第1个图表。 - encoder_outputs (
tuple(tuple(torch.FloatTensor)
,可选) — 元组包括 (last_hidden_state
,可选:hidden_states
,可选:attentions
)last_hidden_state
的形状为(batch_size, sequence_length, hidden_size)
,可选) 是编码器最后一层的隐藏状态序列。在解码器的交叉注意力中被使用。 - past_key_values (代码
tuple(tuple(torch.FloatTensor))
,可选,当传递use_cache=True
或config.use_cache=True
时返回)— 一个长度为config.n_layers
的tuple(torch.FloatTensor)
的元组,每个元组包含两个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量,以及两个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的额外张量。《p>它包含预计算的隐藏状态(自我注意力块和交叉注意力块中的键和值),可用于(请参阅
past_key_values
输入)加速顺序解码。如果使用
past_key_values
,用户可选择只输入最后decoder_input_ids
(未向此模型提供其过去键值状态的)形状为(batch_size, 1)
的decoder_input_ids
,而不是所有形状为(batch_size, sequence_length)
的decoder_input_ids
。《p> - inputs_embeds (代码
torch.FloatTensor
的形状为(batch_size, sequence_length, hidden_size)
,可选)— 你可以选择直接传递嵌入表示,而不是传递input_ids
,这在你想要比模型的内部嵌入查找矩阵有更多控制权时很有用,如果你想对比如何将input_ids
索引转换为其相关向量有更多控制权。 - decoder_inputs_embeds (
torch.FloatTensor
of shape(batch_size, target_sequence_length, hidden_size)
, optional) — 可选地,您可以选择直接传递嵌入表示,而不是传递decoder_input_ids
。如果使用past_key_values
,则可选项中只需要输入最后一个decoder_inputs_embeds
。这在您想要相较于模型的内部嵌入查找矩阵,拥有更多控制权时很有用,将其从decoder_input_ids
索引转换为关联向量。如果
decoder_input_ids
和decoder_inputs_embeds
都未设置,则decoder_inputs_embeds
的值为inputs_embeds
。 - labels (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 用于计算掩码语言建模损失的标签。索引应在[-100, 0, ..., config.vocab_size]
范围内(参见input_ids
说明)。将索引设置为-100
的标记将被忽略(掩码),只对具有标记的标记[0, ..., config.vocab_size]
计算损失。如果
decoder_input_ids
和decoder_inputs_embeds
都未设置,则decoder_inputs_embeds
的值为inputs_embeds
。 - use_cache (
bool
, optional) — 如果设置为True
,那么将返回past_key_values
的键值状态,并可用于加速解码(参见past_key_values
)。 -
-
The SeamlessM4TForSpeechToText forward method, overrides the __call__
special method.
尽管需要在函数内定义正向传递的配方,但在之后应该调用 Module
实例而不是此方法,因为前者负责运行预和后处理步骤,而后者会静默忽略它们。
生成
参数
- tgt_lang (
str
, 可选) — 用于翻译的目标语言。 - generation_config (
~generation.GenerationConfig
, 可选) — 用于生成调用的基本参数配置。传递给generate的匹配generation_config
属性的**kwargs
将覆盖它们。如果没有提供generation_config
,将使用默认设置,其加载优先级如下:1) 从generation_config.json
模型文件,如果存在;2) 从模型配置。请注意,未指定的参数将继承GenerationConfig
的默认值,其文档应进行检查以进行生成参数化。 - logits_processor (
LogitsProcessorList
, 可选) — 互补默认logits处理器的自定义logits处理器。如果传入了一个已经使用参数或生成配置创建的logit处理器,将引发错误。该功能针对高级用户。 - stopping_criteria (
StoppingCriteriaList
, 可选) — 自定义停止条件,用于补充分配默认的停止条件。如果传入的停止条件与参数或生成配置已存在的停止条件相同,则会抛出错误。此功能面向高级用户。 - prefix_allowed_tokens_fn (
Callable:[[int, torch.Tensor], List[int]]
, 可选) — 如果提供,这个函数将将束带搜索限制为每个步骤只允许的标记。如果不提供,则不应用任何约束。这个函数接受两个参数:批次IDbatch_id
和input_ids
。它必须返回一个列表,表示下一个生成步骤的允许标记,基于批次IDbatch_id
和之前的生成标记inputs_ids
。此参数对于根据前缀约束生成很有用,如自回归实体检索中所述。 - synced_gpus (
bool
, 可选,默认为False
) — 是否继续运行循环直到 max_length(这对于 ZeRO 阶段 3) - kwargs (
Dict[str, Any]
, 可选) — 对generate_config
的临时参数化和/或模型特定的其他参数,这些参数将被转发到模型的forward
函数。
返回
ModelOutput 或 torch.LongTensor
A ModelOutput(如果 return_dict_in_generate=True
或当 config.return_dict_in_generate=True
)或一个 torch.FloatTensor
。可能的 ModelOutput 类型包括
生成一系列令牌 ID。
大多数生成控制参数都在 generation_config
中设置,如果没有传递,将设置为模型的默认生成配置。您可以通过传递相应的参数到 generate() 来覆盖任何 generation_config
,例如 .generate(inputs, num_beams=4, do_sample=True)
。
有关生成策略和代码示例的概述,请参阅以下指南:[链接]。
SeamlessM4TConfig
类 transformers.SeamlessM4TConfig
< 源代码 >( vocab_size = 256102 t2u_vocab_size = 10082 hidden_size = 1024 initializer_range = 0.02 layer_norm_eps = 1e-05 use_cache = True max_position_embeddings = 1024 is_encoder_decoder = True encoder_layerdrop = 0.05 decoder_layerdrop = 0.05 activation_function = 'relu' dropout = 0.1 attention_dropout = 0.1 activation_dropout = 0.0 scale_embedding = True encoder_layers = 24 encoder_ffn_dim = 8192 encoder_attention_heads = 16 decoder_layers = 24 decoder_ffn_dim = 8192 decoder_attention_heads = 16 decoder_start_token_id = 3 max_new_tokens = 256 pad_token_id = 0 bos_token_id = 2 eos_token_id = 3 speech_encoder_layers = 24 speech_encoder_attention_heads = 16 speech_encoder_intermediate_size = 4096 speech_encoder_hidden_act = 'swish' speech_encoder_dropout = 0.0 add_adapter = True speech_encoder_layerdrop = 0.1 feature_projection_input_dim = 160 num_conv_pos_embeddings = 128 num_conv_pos_embedding_groups = 16 adaptor_kernel_size = 8 adaptor_stride = 8 adaptor_dropout = 0.1 num_adapter_layers = 1 position_embeddings_type = 'relative' rotary_embedding_base = 10000 max_source_positions = 4096 conv_depthwise_kernel_size = 31 t2u_bos_token_id = 0 t2u_pad_token_id = 1 t2u_eos_token_id = 2 t2u_decoder_start_token_id = 2 t2u_max_new_tokens = 1024 t2u_encoder_layers = 6 t2u_encoder_ffn_dim = 8192 t2u_encoder_attention_heads = 16 t2u_decoder_layers = 6 t2u_decoder_ffn_dim = 8192 t2u_decoder_attention_heads = 16 t2u_max_position_embeddings = 2048 sampling_rate = 16000 upsample_initial_channel = 512 upsample_rates = [5, 4, 4, 2, 2] upsample_kernel_sizes = [11, 8, 8, 4, 4] resblock_kernel_sizes = [3, 7, 11] resblock_dilation_sizes = [[1, 3, 5], [1, 3, 5], [1, 3, 5]] leaky_relu_slope = 0.1 unit_hifi_gan_vocab_size = 10000 unit_embed_dim = 1280 lang_embed_dim = 256 spkr_embed_dim = 256 vocoder_num_langs = 36 vocoder_num_spkrs = 200 variance_predictor_kernel_size = 3 var_pred_dropout = 0.5 vocoder_offset = 4 **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 256102) — SeamlessM4T 模型的词汇大小。定义了可由在调用 ~SeamlessM4TModel、~SeamlessM4TForTextToSpeech 或 ~SeamlessM4TForTextToText 时传递的inputs_ids
表示的不同标记的数量。 - t2u_vocab_size (
int
, 可选, 默认为 10082) — SeamlessM4T 模型的单元词汇大小。定义了在调用 ~SeamlessM4TModel、~SeamlessM4TForSpeechToSpeech 或 ~SeamlessM4TForTextToSpeech 的文本到单元子模型时,通过inputs_ids
传递的不同单元标记的数量。
子模型间共享的参数
- hidden_size (
int
, 可选, 默认为 1024) — 架构中“中间”层的维度。 - initializer_range (
float
, 可选, 默认为 0.02) — 初始化所有权重矩阵的截断正态分布初始化器的标准差。 - layer_norm_eps (
float
, 可选, 默认为 1e-05) — 层归一化层使用的 epsilon 值。 - 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)。 - max_position_embeddings (
int
, 可选, 默认为 1024) — 此模型文本编码器和解码器可能使用的最大序列长度。通常设置为较大值以防万一(例如,512 或 1024 或 2048)。 - is_encoder_decoder (
bool
, 可选, 默认为True
) — 模型是否用作编码器/解码器。 - encoder_layerdrop (
float
, 可选, 默认为 0.05) — 编码器的 LayerDrop 概率。详情请参阅 [LayerDrop 论文](see https://arxiv.org/abs/1909.11556)。 - decoder_layerdrop (
float
, 可选,默认为 0.05) — 解码器的层丢弃概率。参见[LayerDrop论文](see https://arxiv.org/abs/1909.11556)获取更多详细信息。 - activation_function (
str
或function
,可选,默认为"relu"
) — 解码器和前馈层中的非线性激活函数(函数或字符串)。如果为字符串,支持"gelu"
、"relu"
、"selu"
、"swish"
和"gelu_new"
。 - dropout (
float
,可选,默认为 0.1) — 嵌入层、编码器、解码器和池化器中所有全连接层的丢弃概率。 - attention_dropout (
float
, 可选,默认为0.1) — 所有注意力层中的dropout概率。 - activation_dropout (
float
, 可选,默认为0.0) — 模型中所有激活层中的dropout概率。 - scale_embedding (
bool
, 可选,默认为True
) — 通过除以sqrt(d_model)来对嵌入进行缩放。
文本编码器和文本解码器特定的参数
- encoder_layers (
int
, 可选, 默认为24) — Transformer文本编码器中隐藏层的数量。 - encoder_ffn_dim (
int
, 可选, 默认为8192) — Transformer文本编码器中“中间”层(即前馈层)的维度。 - encoder_attention_heads (
int
, 可选, 默认为16) — Transformer文本编码器中每个注意层的注意力头数量。 - decoder_layers (
int
, 可选, 默认为24) — Transformer文本解码器中隐藏层的数量。 - decoder_ffn_dim (
int
, 可选, 默认为8192) — Transformer文本解码器中“中间”层(即前馈层)的维度。 - decoder_attention_heads (
int
, 可选, 默认为16) — Transformer文本解码器中每个注意力层中的注意力头的数量。 - decoder_start_token_id (
int
, 可选,默认为3) — 如果编码器-解码器模型不是使用 bos 标记开始解码,则该标记的 ID。仅用于文本解码器。 - max_new_tokens (
int
, 可选,默认为256) — 要生成的文本标记的最大数量,忽略提示中的标记数量。 - pad_token_id (
int
, 可选,默认为0) — 填充文本标记的 ID。仅用于文本解码器模型。 - bos_token_id (
int
,可选,默认为2)— 序列开始 文本标记的ID。仅应用于文本解码器模型。 - eos_token_id (
int
,可选,默认为3)— 序列结束 文本标记的ID。仅应用于文本解码器模型。
语音编码器特定的参数
- speech_encoder_layers (
int
,可选,默认为24)— Transformer语音编码器中的隐藏层数。 - speech_encoder_attention_heads (
int
, 可选, 默认为 16) — Transformer 语音编码器中每个注意力层的注意力头数。 - speech_encoder_intermediate_size (
int
, 可选, 默认为 4096) — Transformer 语音编码器中“中间”(即前馈)层的维度。 - speech_encoder_hidden_act (
str
或function
, 可选, 默认为"swish"
) — 语音编码器中的非线性激活函数(函数或字符串)。如果字符串,则支持"gelu"
、"relu"
、"selu"
、"swish"
和"gelu_new"
。 - speech_encoder_dropout (
float
, 可选, 默认为 0.0) — 语音编码器中所有层的 dropout 概率。 - add_adapter (
bool
, 可选, 默认为True
) — 在语音编码器上添加适配器层。 - speech_encoder_layerdrop (
float
, 可选, 默认为 0.1) — 语音编码器的 LayerDrop 概率。有关更多详细信息,请参阅[LayerDrop 论文](see https://arxiv.org/abs/1909.11556)。 - feature_projection_input_dim (
int
, 可选, 默认为 160) — 语音编码器输入特征投影的输入维度,即使用 SeamlessM4TFeatureExtractor 处理音频输入后的维度。 - num_conv_pos_embeddings (
int
, 可选, 默认为 128) — 卷积位置嵌入的数量。定义了语音编码器 1D 卷积位置嵌入层的卷积核大小。 - num_conv_pos_embedding_groups (
int
, 可选, 默认为 16) — 语音编码器 1D 卷积位置嵌入层的组数。 - ——《适配器网络的卷积层核大小》(
int
,可选,默认为8)—— 仅当add_adapter
为True时相关。 - ——《适配器网络的步长》(
int
,可选,默认为8)—— 仅当add_adapter
为True时相关。 - ——《所有语音适配器层的dropout概率》(
float
,可选,默认为0.1)。 - ——《适配器网络中使用的卷积层数量》(
int
,可选,默认为1)—— 仅当add_adapter
为True时相关。 - position_embeddings_type (
str
, 可选, 默认为"relative"
) — 可以指定为relative
或rotary
分别对应相对或旋转位置嵌入。如果设置为None
,则不会应用相对位置嵌入。仅适用于语音编码器。 - rotary_embedding_base (
int
, 可选, 默认为 10000) — 如果使用"rotary"
位置嵌入,则定义嵌入基的大小。仅适用于语音编码器。 - max_source_positions (
int
, 可选, 默认为 4096) — 如果使用"relative"
位置嵌入,则定义最大源输入位置。仅适用于语音编码器。 - conv_depthwise_kernel_size (
int
, 可选, 默认为 31) — 在 Conformer 块中的卷积深度可分离 1D 层的内核大小。仅应用于语音编码器。
Text-To-Unit (t2u) 模型特定的参数
- t2u_bos_token_id (
int
, 可选, 默认为 0) — 流开始 单元标记的 ID。仅应用于文本到单元 seq2seq 模型。 - t2u_pad_token_id (
int
, 可选, 默认为 1) — 填充 单元标记的 ID。仅应用于文本到单元 seq2seq 模型。 - t2u_eos_token_id (
int
, optional, defaults to 2) — 流结束 单位标记的 id。仅应用于文本到单位 seq2seq 模型。 - t2u_decoder_start_token_id (
int
, optional, defaults to 2) — 如果编码器-解码器模型以不同的标记开始解码而不是 bos,则是该标记的 id。仅应用于文本到单位 seq2seq 模型。 - t2u_max_new_tokens (
int
, optional, defaults to 1024) — 生成单位标记的最大数量,忽略提示中的标记数。仅应用于文本到单位 seq2seq 模型。 - t2u_encoder_layers (
int
, optional, defaults to 6) — Transformer文本到单元编码器中的隐藏层数量。 - t2u_encoder_ffn_dim (
int
, optional, defaults to 8192) — Transformer文本到单元编码器中“中间”层(即前馈层)的维度。 - t2u_encoder_attention_heads (
int
, optional, defaults to 16) — Transformer文本到单元编码器中每个注意力层的注意力头数。 - t2u_decoder_layers (
int
, 可选, 默认为 6) — Transformer 文本到单元解码器中隐藏层的数量。 - t2u_decoder_ffn_dim (
int
, 可选, 默认为 8192) — Transformer 文本到单元解码器中“中间”(即前馈)层的维度。 - t2u_decoder_attention_heads (
int
, 可选, 默认为 16) — Transformer 文本到单元解码器中每个注意力层的注意力头数。 - t2u_max_position_embeddings (
int
, 可选, 默认为2048) — 该模型文本到单元组件可能使用的最大序列长度。通常设置为某个大值以备不时之需(例如,512或1024或2048)。Hifi-Gan 语音合成器特定参数
- sampling_rate (
int
, 可选, 默认为16000) — 输出音频的采样率,以赫兹(Hz)为单位。 - upsample_initial_channel (
int
, 可选, 默认为512) — HiFi-Gan 提采样网络输入的通道数。仅适用于语音合成器。 - upsample_rates (
Tuple[int]
或List[int]
,可选,默认为[5, 4, 4, 2, 2]
)— 定义 vocoder upsampling 网络中每个 1D 卷积层步进的整数元组。upsample_rates 的长度定义了卷积层的数量,并且必须与 upsample_kernel_sizes 的长度匹配。仅适用于 vocoder。 - upsample_kernel_sizes (
Tuple[int]
或List[int]
,可选,默认为[11, 8, 8, 4, 4]
)— 定义 vocoder upsampling 网络中每个 1D 卷积层内核大小的整数元组。upsample_kernel_sizes 的长度定义了卷积层的数量,并且必须与 upsample_rates 的长度匹配。仅适用于 vocoder。 - resblock_kernel_sizes (
Tuple[int]
或List[int]
,可选,默认为[3, 7, 11]
)— 定义在多感受场融合(MRF)模块中 vocoder 1D 卷积层内核大小的整数元组。仅适用于 vocoder。 - resblock_dilation_sizes (
Tuple[Tuple[int]]
或List[List[int]]
,可选,默认为[[1, 3, 5], [1, 3, 5], [1, 3, 5]]
) —— 定义多感受野融合(MRF)模块中编码器扩张1D卷积层的扩张率的嵌套整数元组。仅适用于编码器。 - leaky_relu_slope (
float
,可选,默认为 0.1) —— 编码器中 leaky ReLU 激活使用的负斜率角度。仅适用于编码器。 - unit_hifi_gan_vocab_size (
int
,可选,默认为 10000) —— SeamlessM4T 编码器的词汇表大小。定义了通过调用 ~SeamlessM4TModel,~SeamlessM4TForSpeechToSpeech 或 ~SeamlessM4TForTextToSpeech 编码器的inputs_ids
方法可以表示的不同单元记号的数量。 - unit_embed_dim (
int
,可选,默认为1280) —— 输入 IDs 给 hifi-gan 语音合成器的投影维度。仅对语音合成器生效。 - lang_embed_dim (
int
,可选,默认为256) —— 给 hifi-gan 语音合成器提供的目标语言的投影维度。仅对语音合成器生效。 - spkr_embed_dim (
int
,可选,默认为256) —— 给 hifi-gan 语音合成器提供的发言人 ID 的投影维度。仅对语音合成器生效。 - vocoder_num_langs (
int
,可选,默认为 36) — 支持的语言数量(解码器)。可能与t2u_num_langs
不同。 - vocoder_num_spkrs (
int
,可选,默认为 200) — 支持的说话者数量。 - variance_predictor_kernel_size (
int
,可选,默认为 3) — 持久性预测器的核大小。仅适用于解码器。 - var_pred_dropout (
float
, 可选, 默认为0.5) — 时长预测器的dropout概率。仅适用于Vocoder。 - vocoder_offset (
int
, 可选, 默认为4) — 通过此数字偏移单元令牌id,以处理符号令牌。仅适用于Vocoder。
此为配置类,用于存储~SeamlessM4TModel
的配置。它用于根据指定的参数实例化SeamlessM4T模型,定义模型架构。使用默认值实例化配置将产生与SeamlessM4T “facebook/hf-seamless-m4t-medium”
架构类似配置。
配置对象继承自PretrainedConfig
,可以用来控制模型输出。更多详情请参阅PretrainedConfig
文档。
>>> from transformers import SeamlessM4TModel, SeamlessM4TConfig
>>> # Initializing a SeamlessM4T "facebook/hf-seamless-m4t-medium" style configuration
>>> configuration = SeamlessM4TConfig()
>>> # Initializing a model from the "facebook/hf-seamless-m4t-medium" style configuration
>>> model = SeamlessM4TModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
SeamlessM4TTokenizer
class transformers.SeamlessM4TTokenizer
< source >( vocab_file bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '<unk>' pad_token = '<pad>' tokenizer_file = None src_lang = 'eng' tgt_lang = 'fra' sp_model_kwargs: Optional = None additional_special_tokens = None add_prefix_space = True **kwargs )
参数
- vocab_file (
str
) — 词汇文件路径。 - bos_token (
str
, 可选, 默认为"<s>"
) — 预训练中使用的序列起始标记。可以用作序列分类标记。使用特殊标记构建序列时,这不是用于序列开始的标记。使用的标记是
cls_token
。 - eos_token (
str
, 可选, 默认为"</s>"
) — 序列结束标记。使用特殊标记构建序列时,这不是用于序列结束的标记。使用的标记是
sep_token
。 - sep_token (
str
, 可选, 默认为"</s>"
) — 分隔符标记,用于从多个序列构建序列时,例如用于序列分类的两个序列或有问有答中的文本和问题。它也被用作由特殊标记构建的序列的最后一个标记。 - cls_token (
str
, 可选,默认为"<s>"
) — 用于序列分类(整个序列的分类而不是按token分类)的分类器token。构建时,带特殊token的序列的第一个token是这个。 - unk_token (
str
, 可选,默认为"<unk>"
) — 未知的token。不在词汇表中的token无法转换为ID,而是设置为这个token。 - pad_token (
str
, 可选,默认为"<pad>"
) — 用于填充的token,例如在处理不同长度的序列时批量处理。 - tokenizer_file (
str
, 可选) — 使用词汇文件之外的标记化文件路径。 - src_lang (
str
, 可选, 默认"eng"
) — 使用的源语言翻译。 - tgt_lang (
str
, 可选, 默认"fra"
) — 使用的目标语言翻译。 - sp_model_kwargs (
Dict[str, Any]
, 可选) — 向模型初始化传递的附加关键字参数。 - additional_special_tokens (元组或列表,元素为
str
或tokenizers.AddedToken
) — 一个元组或列表,用于指定 Tokensizer 将支持的额外特殊标记。 - add_prefix_space (
bool
) — 是否在输入前加入一个空格,默认为True
,这允许将首单词当作其他单词一样处理。
构造一个 SeamlessM4T 标记化器。
来自 RobertaTokenizer 和 XLNetTokenizer 的改写。基于 SentencePiece。
标记化方法是对源语言文档使用 <language code> <tokens> <eos>
,对目标语言文档使用 <eos> <language code> <tokens> <eos>
。
示例
>>> from transformers import SeamlessM4TTokenizer
>>> tokenizer = SeamlessM4TTokenizer.from_pretrained(
... "facebook/hf-seamless-m4t-medium", src_lang="eng", tgt_lang="fra"
... )
>>> example_english_phrase = " UN Chief Says There Is No Military Solution in Syria"
>>> expected_translation_french = "Le chef de l'ONU affirme qu'il n'y a pas de solution militaire en Syrie."
>>> inputs = tokenizer(example_english_phrase, text_target=expected_translation_french, return_tensors="pt")
__call__
< source >( text: 并联体 = None text_pair: 并联体 = None text_target: 并联体 = None text_pair_target: 并联体 = None padding: 并联体 = True pad_to_multiple_of: 可选 = 2 src_lang: 可选 = None tgt_lang: 可选 = None **kwargs )
参数
- text (
str
,List[str]
,List[List[str]]
, 可选) — 要编码的序列或序列批。每个序列可以是字符串或字符串列表(预处理过的字符串)。如果序列提供为字符串列表(预处理),则必须设置is_split_into_words=True
(以消除与序列批的歧义)。 - text_pair (
str
,List[str]
,List[List[str]]
, 可选) — 要编码的序列或序列批。每个序列可以是字符串或字符串列表(预处理过的字符串)。如果序列提供为字符串列表(预处理),则必须设置is_split_into_words=True
(以消除与序列批的歧义)。 - text_target (
str
,List[str]
,List[List[str]]
,优选)— 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表(预分词字符串)。如果提供字符串列表(预分词),则必须设置is_split_into_words=True
(消除批处理序列的不确定性)。 - text_pair_target (
str
,List[str]
,List[List[str]]
,优选)— 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表(预分词字符串)。如果提供字符串列表(预分词),则必须设置is_split_into_words=True
(消除批处理序列的不确定性)。 - padding (
bool
,str
或 PaddingStrategy,可选,默认为True
)— 选择一个策略来填充返回的序列(根据模型的填充侧和填充索引),在以下选项中选择:True
或'longest'
:填充到批次中最长的序列(如果只提供了单个序列,则为不填充)。'max_length'
:填充到使用参数max_length
指定的最大长度,或到模型可接受的最大输入长度。False
或'do_not_pad'
(默认):不填充(即可以输出具有不同长度的序列的批次)。
- pad_to_multiple_of (
int
,可选)— 如果设置,将序列填充到指定值的倍数。这在启用 NVIDIA 硬件上具有计算能力
>= 7.5
(Volta)的 Tensor Cores 非常有用。 - src_lang (
str
,可选)— 表示源语言的字符串。如果没有指定,将使用在初始化或调用此分词器时指定的最后一个src_lang
。 - tgt_lang (
str
, 可选) — 表示目标语言的字符串。如果没有指定,将使用最后指定的tgt_lang
(无论是初始化时还是调用此分词器时)。 - kwargs (可选) — 将传递给 PreTrainedTokenizer.call() 的剩余关键字参数字典。
build_inputs_with_special_tokens
< source >( token_ids_0: List token_ids_1: Optional = None ) → List[int]
通过连接并添加特殊标记从序列或序列对构建模型输入,以进行序列分类任务。NLLB序列具有以下格式,其中X
表示序列
input_ids
(编码器):X [eos, src_lang_code]
decoder_input_ids
:(解码器)X [eos, tgt_lang_code]
不使用BOS。序列对不是预期的用例,但它们将不带分隔符处理。
获取特殊标记掩码
< source >( token_ids_0: 列表 token_ids_1: 可选 = 无 already_has_special_tokens: 布尔 = False ) → 列表[int]
从没有添加特殊标记的标记列表中检索序列标识符。此方法在标记化器中使用 prepare_for_model
方法添加特殊标记时调用。
create_token_type_ids_from_sequences
< source >( token_ids_0: List token_ids_1: Optional = None ) → List[int]
从传递给序列对分类任务的两个序列创建掩码。由于nllb不使用标记类型ID,因此返回一个包含零的列表。
SeamlessM4TTokenizerFast
类 transformers.SeamlessM4TTokenizerFast
< 源代码 >( vocab_file = None tokenizer_file = None bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '<unk>' pad_token = '<pad>' src_lang = 'eng' tgt_lang = 'fra' additional_special_tokens = None **kwargs )
参数
- vocab_file (
str
, 可选) — 词汇文件的路径。 - tokenizer_file (
str
, 可选) — 使用词汇文件以外的分词器文件的路径。 - bos_token (
str
, 可选, 默认为"<s>"
) — 预训练期间使用的序列起始标记。可以用作序列分类标记。当使用特殊标记构建序列时,这不是序列起始使用的标记。使用的标记是
cls_token
。 - eos_token (
str
, 可选, 默认为"</s>"
) — 序列结束标记。当使用特殊标记构建序列时,这不是序列结束使用的标记。使用的标记是
sep_token
。 - sep_token (
str
, 可选, 默认为"</s>"
) — 分隔标记,用于从多个序列(例如,序列分类或问答中的文本和问题)构建序列时。它还用作使用特殊标记构建的序列的最后一个标记。 - cls_token (
str
, 可选, 默认为"<s>"
) — 序列分类时使用的分类器标记(对整个序列进行分类而不是按标记分类)。当使用特殊标记构建时,它是序列的第一个标记。 - unk_token (
str
, 可选, 默认为"<unk>"
) — 未知标记。不在词汇表中的标记无法转换为ID,并将其设置为该标记。 - pad_token (
str
, 可选, 默认为"<pad>"
) — 用于填充的标记,例如在批处理不同长度的序列时。 - src_lang (
str
, 可选, 默认为"eng"
) — 作为翻译源语言的编程语言。 - tgt_lang (
str
, 可选, 默认为"fra"
) — 作为翻译目标语言的编程语言。 - additional_special_tokens (元组或字符串或
tokenizers.AddedToken
列表, 可选) — 额外特殊标记的元组或列表。
构建“快速”的SeamlessM4T标记化程序(由HuggingFace的tokenizers库支持)。基于BPE。
这个标记化程序继承了PreTrainedTokenizerFast,其中包含大多数主要方法。用户应参考这个超类以获取有关这些方法的更多信息。
标记化方法是对源语言文档使用 <language code> <tokens> <eos>
,对目标语言文档使用 <eos> <language code> <tokens> <eos>
。
示例
>>> from transformers import SeamlessM4TTokenizerFast
>>> tokenizer = SeamlessM4TTokenizerFast.from_pretrained(
... "facebook/hf-seamless-m4t-medium", src_lang="eng", tgt_lang="fra"
... )
>>> example_english_phrase = " UN Chief Says There Is No Military Solution in Syria"
>>> expected_translation_french = "Le chef de l'ONU affirme qu'il n'y a pas de solution militaire en Syrie."
>>> inputs = tokenizer(example_english_phrase, text_target=expected_translation_french, return_tensors="pt")
__call__
< source >( text: 并联体 = None text_pair: 并联体 = None text_target: 并联体 = None text_pair_target: 并联体 = None padding: 并联体 = True pad_to_multiple_of: 可选 = 2 src_lang: 可选 = None tgt_lang: 可选 = None **kwargs )
参数
- text (
str
,List[str]
,List[List[str]]
, optional) — 要编码的序列或序列批量。每个序列可以是一个字符串或一个字符串列表(预处理化的字符串)。如果序列以字符串列表(预处理化的)提供,必须设置is_split_into_words=True
(去除与序列批量的歧义)。 - text_pair (
str
,List[str]
,List[List[str]]
, optional) — 要编码的序列或序列批量。每个序列可以是一个字符串或一个字符串列表(预处理化的字符串)。如果序列以字符串列表(预处理化的)提供,必须设置is_split_into_words=True
(去除与序列批量的歧义)。 - text_target (
str
,List[str]
,List[List[str]]
, optional) — 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表(预分词字符串)。如果序列以字符串列表(预分词)的形式提供,必须设置is_split_into_words=True
(以消除与序列批次的歧义)。 - text_pair_target (
str
,List[str]
,List[List[str]]
, optional) — 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表(预分词字符串)。如果序列以字符串列表(预分词)的形式提供,必须设置is_split_into_words=True
(以消除与序列批次的歧义)。 - padding (
bool
,str
或 PaddingStrategy, 可选, 默认为True
) — 选择填充策略来填充返回的序列(根据模型填充方向和填充索引),在以下选项中选择一个:True
或'longest'
:填充到批中序列最长的那一个(或者如果没有提供序列则不填充)。'max_length'
:填充到使用max_length
参数指定的最大长度,如果没有提供该参数则填充到模型可以接受的最大输入长度。False
或'do_not_pad'
(默认):不填充(即,可以输出长度不同的序列批)。
- pad_to_multiple_of (
int
, 可选) — 如果设置,将序列填充到指定值的倍数。这在启用与具有计算能力
>= 7.5
(Volta)的 NVIDIA 硬件上的 Tensor Cores 时特别有用。 - src_lang (
str
, 可选) — 代表源语言的字符串。如果未指定,将使用在初始化或调用此标记化器时指定的最后一个src_lang
。 - tgt_lang (
str
, 可选) — 表示目标语言的字符串。如果没有指定,将使用最后指定的tgt_lang
(无论是在初始化时还是在调用此标记化器时) - kwargs (可选) — 将传递给 PreTrainedTokenizerFast.call() 的剩余关键字参数字典
SeamlessM4TFeatureExtractor
类 transformers.SeamlessM4TFeatureExtractor
< source >( feature_size = 80 sampling_rate = 16000 num_mel_bins = 80 padding_value = 0.0 stride = 2 **kwargs )
参数
- feature_size (
int
, 可选, 默认值 80) — 提取特征的维度。 - sampling_rate (
int
, 可选, 默认值 16000) — 音频文件数字化的采样率(赫兹)。 - num_mel_bins (
int
, 可选, 默认为80) — 梅尔频率分组的数量。 - padding_value (
float
, 可选, 默认为0.0) — 填充填充向量的值。 - stride (
int
, 可选, 默认为2) — 重塑从形状(batch_size,num_frames,num_mel_bins)到(batch_size,num_frames//stride,num_mel_bins*stride)的音频所使用的步长。
构建一个SeamlessM4T特征提取器。
此特征提取器继承自SequenceFeatureExtractor,其中包含大部分主要方法。用户应参考这个超类以获取有关这些方法的更多信息。
此类从一个原始的语音中提取梅尔滤波器库特征。
__call__
< source >( raw_speech: 联合 padding: 联合 = True pad_to_multiple_of: 可选 = 2 max_length: 可选 = None truncation: bool = False return_tensors: 联合 = None sampling_rate: 可选 = None return_attention_mask: 可选 = None do_normalize_per_mel_bins: 可选 = True **kwargs )
参数
- raw_speech (
np.ndarray
,torch.Tensor
,List[float]
,List[np.ndarray]
,List[torch.Tensor]
, — -
List[List[float]]
,List[List[List[float]]]
) — 要填充的序列或序列批量。每个序列可以是一个numpy数组,一个torch张量,一个浮点值列表,一个numpy数组列表,一个torch张量列表,一个浮点值列表列表,或一个浮点值列表列表列表。如果raw_speech
是一个一维np.ndarray
,torch.Tensor
或一个List[float]
,则raw_speech
被视为单通道、单样本声音。在其他所有情况下,raw_speech
的第一个维度(无论来自np.ndarray
,torch.Tensor
还是List[...]
),对应于批量的样本数,通道数(即单声道或立体声特征)由其他维度推导(1D -> 单通道波形批量;2D -> 立体声波形批量)。 - padding (
bool
,str
或 PaddingStrategy,可选,默认为True
) — 选择策略以填充返回的序列(根据模型填充方向和填充索引),从以下选项中选一个:True
或'longest'
:填充到批量中最长的序列(如果提供单个序列则不填充)。'max_length'
:填充到使用max_length
参数指定的最大长度,如果未提供该参数,则到模型接受的输入长度。False
或'do_not_pad'
(默认):不填充(即可以输出具有不同长度的序列的批量)。
- pad_to_multiple_of (
int
, optional, defaults to 2) — If set, the sequence will be padded to a multiple of the provided value.This is particularly useful for enabling the use of Tensor Cores on NVIDIA hardware with compute capability
>= 7.5
(Volta), or on TPUs that benefit from having sequence lengths as multiples of 128. - max_length (
int
, optional) — The maximum length of the returned list and the optional padding length (see above). - // HTML_TAG_START -->truncation (
bool
) — Activates truncation to cut the input sequences longer than max_length to max_length. - return_attention_mask (
bool
, 可选) — 是否返回注意力掩码。如果设置为默认,将根据特定特征提取器的默认值返回注意力掩码。对于SeamlessM4T模型,
attention_mask
应始终在批推理时传递,以避免微妙的错误。 - return_tensors (
str
或 TensorType, 可选) — 如果设置,将返回张量而不是Python整数列表。可接受值为:'tf'
: 返回TensorFlowtf.constant
对象。'pt'
: 返回PyTorchtorch.Tensor
对象。'np'
: 返回Numpynp.ndarray
对象。
- sampling_rate (
int
, 可选) —raw_speech
输入被采样的采样率。强烈建议在正向调用时传递sampling_rate
以防止静默错误。 - do_normalize_per_mel_bins (bool,可选,默认为 True)— 是否使用输入的 mel 通道进行零均值单位方差归一化。
- kwargs(可选)— 传递给分词器或特征提取器的剩余关键字参数字典。
进行特征化和为模型准备一个或多个序列的主要方法。
SeamlessM4TProcessor
类 transformers.SeamlessM4TProcessor
< source >( feature_extractor tokenizer )
参数
- feature_extractor (SeamlessM4TFeatureExtractor) — 音频处理是必需的输入。
- tokenizer (SeamlessM4TTokenizerFast) — 标记化器是必需的输入。
构建一个SeamlessM4T处理器,该处理器将SeamlessM4T特征提取器和SeamlessM4T标记化器包装成一个单独的处理器。
SeamlessM4TProcessor提供了SeamlessM4TFeatureExtractor和SeamlessM4TTokenizerFast的所有功能。有关更多信息,请参阅call()和decode()
。
__call__
< source →( text = None audios = None src_lang = None tgt_lang = None **kwargs ) → BatchEncoding
参数
- text (
str
,List[str]
,List[List[str]]
) — 需要编码的序列或序列批次。每个序列可以是一个字符串或字符串列表(预分词字符串)。如果序列作为字符串列表(预分词)提供,则必须设置is_split_into_words=True
(以消除与序列批次的歧义)。 - audios (
np.ndarray
,torch.Tensor
,List[np.ndarray]
,List[torch.Tensor]
) — 需要准备的音频或音频批次。每个音频可以是NumPy数组或PyTorch张量。在NumPy数组/PyTorch张量的情况下,每个音频的形状应为(C, T),其中C是通道数,T是音频的样本长度。 - — <strong>src_lang</strong> (str, 可选) — 输入文本/音频的语言代码。如果没有指定,将使用最后一次指定的
src_lang
。</strong> </span> - — <strong>tgt_lang</strong> (str, 可选) — 目标语言的代码。如果没有指定,将使用最后一次指定的
tgt_lang
。</strong> </span> - — <strong>kwargs</strong> (可选) — 将传递给特征提取器或分词器的剩余关键字参数的字典。</strong> </span>
A BatchEncoding with the following fields
- input_ids — List of token ids to be fed to a model. Returned when
text
is notNone
. - attention_mask — List of indices specifying which tokens should be attended to by the model (when
return_attention_mask=True
or if “attention_mask” is inself.model_input_names
and iftext
is notNone
). - input_features — Audio input features to be fed to a model. Returned when
audios
is notNone
.
为主模型准备一个或多个序列(s)和音频(s)的主要方法。此方法将text
和kwargs
参数传递给SeamlessM4TTokenizerFast的call(),如果text
不是None
,以对文本进行编码。为了准备音频(s),如果audios
不是None
,则此方法将audios
和kwrags
参数传递给SeamlessM4TFeatureExtractor的call()。有关更多信息,请参阅上述两个方法的文档。
SeamlessM4TCodeHifiGan
类 transformers.SeamlessM4TCodeHifiGan
< 源 >( config )
参数
- 配置 (SeamlessM4TConfig) — 包含所有模型参数的模型配置类。用配置文件初始化时不加载与模型关联的权重,只加载配置。请参阅from_pretrained()方法以加载模型权重。
本文件描述的 HiFi-GAN 发声器,详情请参阅此仓库。该模型继承了PreTrainedModel。有关该库实现的所有模型的通用方法(如下载或保存、调整输入嵌入大小、剪枝头部等),请查看其超级类文档。
此模型也是 PyTorch 的 torch.nn.Module 子类。作为一种常规的 PyTorch 模块使用,所有与一般使用和行为相关的内容,请参考 PyTorch 文档。
正向传播
< source >( input_ids: LongTensor spkr_id: Tensor lang_id: Tensor )
参数
- input_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
) — 输入序列词汇中的输入序列标记索引。 使用SeamlessM4TTextToUnitForConditionalGeneration可以获得索引。什么是输入ID? - spkr_id (
int
, 可选) — 用于语音合成的扬声器id。必须小于config.vocoder_num_spkrs
。 - tgt_lang (
str
, 可选) — 使用作为翻译目标语言的标识符。
SeamlessM4THifiGan
正向传播
< source >( input_embeds: FloatTensor ) → torch.FloatTensor
参数
- 频谱图 (
torch.FloatTensor
) — 包含对数梅尔频谱图的张量。可以是批处理的,形状为(batch_size, sequence_length, model_in_dim)
,或者非批处理的,形状为(sequence_length, model_in_dim)
。请注意,model_in_dim
是config.unit_embed_dim
、config.lang_embed_dim
和config.spkr_embed_dim
的总和。
返回
torch.FloatTensor
包含语音波形的张量。如果输入频谱图是批处理的,将具有形状 (batch_size, num_frames,)
。如果未批处理,将具有形状 (num_frames,)
。
将对数梅尔频谱图转换为语音波形。传入对数梅尔频谱图批处理返回一个语音波形批处理。传入单个未批处理的对数梅尔频谱图返回单个未批处理的语音波形。
SeamlessM4TTextToUnitModel
类 transformers.SeamlessM4TTextToUnitModel
< 来源 >( config: SeamlessM4TConfig embed_tokens_decoder: Optional = None )
参数
- config (~SeamlessM4TConfig) — Model configuration class with all the parameters of the model. Initializing with a config file does not load the weights associated with the model, only the configuration. Check out the from_pretrained() method to load the model weights.
- 嵌入_tokens解码器 (
nn.Embedding
, 可选) —— 解码器的输入嵌入。
Transformer裸文本到单元编码器-解码器。编码器是没有嵌入的SeamlessM4TEncoder
,解码器是SeamlessM4TDecoder
。这个模型是PyTorch的torch.nn.Module子类。将其用作常规PyTorch模块,并参考PyTorch文档了解所有与一般用途和行为相关的内容。
SeamlessM4TTextToUnitForConditionalGeneration
类 transformers.SeamlessM4TTextToUnitForConditionalGeneration
< 源 >( config: SeamlessM4TConfig embed_tokens_decoder: Optional = None )
参数
- config (~SeamlessM4TConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不加载模型相关联的权重,只加载配置。查看from_pretrained()方法加载模型权重。
- embed_tokens_decoder (
nn.Embedding
, 可选) — 解码器的输入嵌入。
具有语言模型头的Transformer文本到单元编码器-解码器。基本编码器-解码器模型是SeamlessM4TTextToUnit
。该模型是PyTorch torch.nn.Module的子类。将其用作常规PyTorch Module,并查阅PyTorch文档以了解所有与通用使用和行为相关的事项。
正向传播
< source >( input_ids: LongTensor = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None encoder_outputs: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None decoder_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 (形状为
(batch_size, sequence_length)
的torch.LongTensor
,可选)— 输入序列标记在词汇表中的索引。索引可以使用 SeamlessM4TTokenizer 或 SeamlessM4TProcessor 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
of shape(batch_size, sequence_length)
, optional) — 避免在填充标记索引上执行注意力操作的掩码。掩码值在[0, 1]
范围内选择:- 1 对应未遮蔽的标记;
- 0 对应遮蔽的标记。
- decoder_input_ids (
torch.LongTensor
of shape(batch_size, target_sequence_length)
, optional) — 词汇表中解码器输入序列标记的索引。可以使用 AutoTokenizer 获取索引。详情见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
Bart 使用
eos_token_id
作为decoder_input_ids
生成中的起始标记。如果使用past_key_values
,则可选地只需要输入最后decoder_input_ids
(见past_key_values
)。在翻译和摘要训练中,应提供
decoder_input_ids
。如果没有提供decoder_input_ids
,则模型将根据论文中的去噪预训练技术通过将input_ids
向右移位来创建这个张量。 - decoder_attention_mask (
torch.LongTensor
形状为(batch_size, target_sequence_length)
,可选) — 默认行为:生成一个忽略decoder_input_ids
中填充令牌的张量。默认还将使用因果掩码。如果您想更改填充行为,应阅读
modeling_bart._prepare_decoder_attention_mask
并进行修改以满足您的要求。请参阅该论文中的图1获取有关默认策略的更多信息。 - encoder_outputs (
tuple(tuple(torch.FloatTensor)
,可选) — 元组包含 (last_hidden_state
,可选:hidden_states
,可选:attentions
)last_hidden_state
的形状为(batch_size, sequence_length, hidden_size)
可选) 是编码器最后一层的隐藏状态序列。用于解码器的交叉注意力中。 - past_key_values (
tuple(tuple(torch.FloatTensor))
,可选,当传递use_cache=True
时返回,或当config.use_cache=True
时)—长度为config.n_layers
的tuple(torch.FloatTensor)
的元组,每个元组包含形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的 2 个张量以及形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的 2 个额外张量。 包含预计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加快顺序解码如果使用
past_key_values
,则用户可以只输入最后一个decoder_input_ids
(那些未向此模型提供过去键值状态的decoder_input_ids
),其形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的decoder_input_ids
。 - inputs_embeds (形状为
torch.FloatTensor
),(batch_size, sequence_length, hidden_size)
,可选 — 除了传递input_ids
外,您还可以直接传递嵌入表示。如果您想比模型内部的嵌入查找矩阵有更多控制权,则这很有用,以控制如何将input_ids
索引转换为相关向量。 - decoder_inputs_embeds (形状为
torch.FloatTensor
的(batch_size, target_sequence_length, hidden_size)
,可选)—— 可选择不传递decoder_input_ids
,而是直接传递嵌入表示。如果使用past_key_values
,则可选地仅输入最后的decoder_inputs_embeds
(参见past_key_values
)。这有助于更好地控制如何将decoder_input_ids
索引转换为关联向量,而不是使用模型内部的嵌入查找矩阵。如果既未设置
decoder_input_ids
也未设置decoder_inputs_embeds
,则decoder_inputs_embeds
将取值为inputs_embeds
。 - labels (形状为
torch.LongTensor
的(batch_size, sequence_length)
,可选)—— 用于计算掩码语言模型损失的标签。索引应位于[-100, 0, ..., config.vocab_size]
(参见input_ids
文档字符串)的范围内,标记着索引设置为-100
的将忽略(掩码),损失仅对索引在[0, ..., config.vocab_size]
范围内的标记进行计算。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回past_key_values
的键值状态,可用于加快解码(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。参见返回张量下的attentions
了解更多详情。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。参见返回张量下的hidden_states
了解更多详情。 - return_dict (
bool
, optional) — 是否返回一个 ModelOutput 而不是普通元组。
SeamlessM4TTextToUnitForConditionalGeneration 的 forward 方法,覆盖了 __call__
特殊方法。
尽管需要在函数内定义正向传递的配方,但在之后应该调用 Module
实例而不是此方法,因为前者负责运行预和后处理步骤,而后者会静默忽略它们。