Transformers 文档
SeamlessM4T
并获得增强的文档体验
开始使用
SeamlessM4T
概述
SeamlessM4T 模型由 Meta AI 的 Seamless Communication 团队在 SeamlessM4T — 大规模多语言和多模态机器翻译 中提出。
这是该模型的**版本 1** 发布。有关更新的**版本 2** 发布,请参阅 Seamless M4T v2 文档。
SeamlessM4T 是一系列模型,旨在提供高质量的翻译,让不同语言社区的人们能够通过语音和文本轻松交流。
SeamlessM4T 无需依赖单独的模型即可实现多项任务
- 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的子模型。
论文摘要如下:
要创造巴别鱼,一种可以帮助个人翻译任意两种语言之间语音的工具,需要什么?尽管文本模型最近的突破已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展。更具体地说,传统的语音到语音翻译系统依赖于逐步执行翻译的级联系统,这使得高性能的统一系统遥不可及。为了解决这些差距,我们引入了 SeamlessM4T,这是一个单一模型,支持多达 100 种语言的语音到语音翻译、语音到文本翻译、文本到语音翻译、文本到文本翻译和自动语音识别。为了构建它,我们使用了 100 万小时的开放语音音频数据,通过 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语音翻译的多模态语料库。经过过滤并与人工标注和伪标注数据结合,我们开发了第一个能够从英语翻译成英语(语音和文本)的多语言系统。在 FLEURS 上,SeamlessM4T 为翻译成多种目标语言设定了新标准,在直接语音到文本翻译中比以前的 SOTA 提高了 20% BLEU。与强大的级联模型相比,SeamlessM4T 在语音到文本翻译中将英语翻译质量提高了 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,与当前的 SOTA 模型相比,我们的系统在语音到文本任务中对背景噪声和说话人变体的表现更好。至关重要的是,我们评估了 SeamlessM4T 的性别偏见,并增加了毒性以评估翻译安全性。最后,这项工作中的所有贡献都已开源,并可在 https://github.com/facebookresearch/seamless_communication 上获取
用法
首先,加载处理器和模型的检查点
>>> from transformers import AutoProcessor, SeamlessM4TModel
>>> processor = AutoProcessor.from_pretrained("facebook/hf-seamless-m4t-medium")
>>> model = SeamlessM4TModel.from_pretrained("facebook/hf-seamless-m4t-medium")
您可以无缝地将此模型用于文本或音频,以生成翻译文本或翻译音频。
以下是使用处理器处理文本和音频的方法
>>> # let's load an audio sample from an Arabic speech corpus
>>> from datasets import load_dataset
>>> dataset = load_dataset("halabi2016/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,几乎不需要修改。让我们以俄语语音翻译为例
>>> 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,我将英文文本和阿拉伯语语音翻译成了俄语语音样本。
文本
同样,您可以使用相同的模型从音频文件或文本生成翻译文本。您只需将 `generate_speech=False` 传递给 SeamlessM4TModel.generate()。这次,让我们翻译成法语。
>>> # 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 库中生成语音和文本的顶级模型,但您也可以使用执行任务而无需额外组件的专用模型,从而减少内存占用。例如,您可以使用专用于 S2ST 任务的模型替换音频到音频生成片段,其余代码完全相同
>>> from transformers import SeamlessM4TForSpeechToSpeech
>>> model = SeamlessM4TForSpeechToSpeech.from_pretrained("facebook/hf-seamless-m4t-medium")
或者您可以使用专用于 T2TT 任务的模型替换文本到文本生成片段,只需删除 `generate_speech=False`。
>>> from transformers import SeamlessM4TForTextToText
>>> model = SeamlessM4TForTextToText.from_pretrained("facebook/hf-seamless-m4t-medium")
欢迎尝试 SeamlessM4TForSpeechToText 和 SeamlessM4TForTextToSpeech。
2. 改变说话者身份
您可以通过 `spkr_id` 参数更改用于语音合成的说话人。对于某些语言,某些 `spkr_id` 的效果比其他语言更好!
3. 改变生成策略
您可以对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)`,它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 SeamlessM4TModel 时使用 `return_intermediate_token_ids=True` 以同时返回语音和文本!
模型架构
SeamlessM4T 具有多功能的架构,可顺利处理文本和语音的顺序生成。此设置包含两个序列到序列 (seq2seq) 模型。第一个模型将输入模态翻译成翻译文本,而第二个模型则从翻译文本生成语音标记,称为“单元标记”。
每种模态都有其自己的专用编码器,具有独特的架构。此外,对于语音输出,在第二个 seq2seq 模型之上放置了一个受 HiFi-GAN 架构启发的声码器。
以下是生成过程的工作原理
- 输入文本或语音通过其特定的编码器进行处理。
- 解码器以所需的语言创建文本标记。
- 如果需要语音生成,第二个 seq2seq 模型(遵循标准编码器-解码器结构)将生成单元标记。
- 然后,这些单元标记通过最终的声码器以产生实际的语音。
此模型由 ylacombe 贡献。原始代码可在 此处 找到。
SeamlessM4TModel
类 transformers.SeamlessM4TModel
< 来源 >( config current_modality = 'text' )
参数
- **config** (SeamlessM4TModel) — 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相关的权重,只加载配置。请查看 from_pretrained() 方法加载模型权重。
- **current_modality** (
str
, *可选*,默认为"text"
) — 默认模态。用于初始化模型。
原始的 SeamlessM4T 模型 Transformer,可用于所有可用任务(S2ST、S2TT、T2TT、T2ST)。
此模型继承自 PreTrainedModel。查看超类文档以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。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
生成
< 来源 >( input_ids: typing.Optional[torch.Tensor] = None input_features: typing.Optional[torch.Tensor] = None return_intermediate_token_ids: typing.Optional[bool] = None tgt_lang: typing.Optional[str] = None spkr_id: typing.Optional[int] = 0 generate_speech: typing.Optional[bool] = True **kwargs ) → Union[SeamlessM4TGenerationOutput, tuple[Tensor], ModelOutput]
参数
- **input_ids** (
torch.LongTensor
形状(batch_size, sequence_length)
,*可选*) — 词汇表中输入序列标记的索引。索引可以使用 SeamlessM4TTokenizer 或 SeamlessM4TProcessor 获取。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- **input_features** (
torch.FloatTensor
形状(batch_size, sequence_length, num_banks)
,*可选*) — 输入音频特征。这应由 SeamlessM4TFeatureExtractor 类或 SeamlessM4TProcessor 类返回。有关详细信息,请参见 SeamlessM4TFeatureExtractor.call()。 - **return_intermediate_token_ids** (
bool
, *可选*) — 如果为True
,还返回中间生成的文本和单元标记。如果还想同时获取翻译文本和音频,则将其设置为True
。请注意,如果generate_speech=True
,则此参数将被忽略。 - **tgt_lang** (
str
, *可选*) — 用作翻译目标语言的语言。 - **spkr_id** (
int
, *可选*,默认为 0) — 用于语音合成的说话人 ID。必须小于config.vocoder_num_spkrs
。 - **generate_speech** (
bool
, *可选*,默认为True
) — 如果为False
,将只返回文本标记,不生成语音。 - **kwargs** (*可选*) — 剩余的关键字参数字典,将传递给 GenerationMixin.generate()。关键字参数有两种类型:
- 没有前缀的,将作为
**kwargs
输入到每个子模型的generate
方法中,除了decoder_input_ids
,它只会通过文本组件。 - 带有 *text_* 或 *speech_* 前缀的,将分别作为文本模型和语音模型的
generate
方法的输入。它优先于没有前缀的关键字。
这意味着您可以,例如,为一种生成指定生成策略,而不为另一种指定。
- 没有前缀的,将作为
返回
联合[SeamlessM4TGenerationOutput, tuple[Tensor], ModelOutput]
- 如果 `generate_speech` 和 `return_intermediate_token_ids`,则返回 `SeamlessM4TGenerationOutput`。
- 如果 `generate_speech` 且未 `return_intermediate_token_ids`,则返回一个元组,由形状为 `(batch_size, sequence_length)` 的波形和给出每个样本长度的 `waveform_lengths` 组成。
- 如果 `generate_speech=False`,它将返回 `ModelOutput`。
生成翻译的标记 ID 和/或翻译的音频波形。
此方法依次调用两个不同子模型的 `.generate` 函数。您可以在两个不同级别指定关键字参数:将传递给两个模型的通用参数,或将传递给其中一个模型的前缀参数。
例如,调用 `.generate(input_ids=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,请查看以下指南。
SeamlessM4TForTextToSpeech
类 transformers.SeamlessM4TForTextToSpeech
< 来源 >( config: SeamlessM4TConfig )
参数
- **config** (SeamlessM4TConfig) — 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相关的权重,只加载配置。请查看 from_pretrained() 方法加载模型权重。
文本到语音 SeamlessM4T 模型 Transformer,可用于 T2ST。
此模型继承自 PreTrainedModel。查看超类文档以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。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
生成
< 来源 >( input_ids: typing.Optional[torch.Tensor] = None return_intermediate_token_ids: typing.Optional[bool] = None tgt_lang: typing.Optional[str] = None spkr_id: typing.Optional[int] = 0 **kwargs ) → Union[SeamlessM4TGenerationOutput, tuple[Tensor]]
参数
- **input_ids** (
torch.LongTensor
形状(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。索引可以使用 SeamlessM4TTokenizer 或 SeamlessM4TProcessor 获取。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- **return_intermediate_token_ids** (
bool
, *可选*) — 如果为True
,还返回中间生成的文本和单元标记。如果还想同时获取翻译文本和音频,则将其设置为True
。 - **tgt_lang** (
str
, *可选*) — 用作翻译目标语言的语言。 - **spkr_id** (
int
, *可选*,默认为 0) — 用于语音合成的说话人 ID。必须小于config.vocoder_num_spkrs
。 - **kwargs** (*可选*) — 剩余的关键字参数字典,将传递给 GenerationMixin.generate()。关键字参数有两种类型:
- 没有前缀的,将作为
**kwargs
输入到每个子模型的generate
方法中,除了decoder_input_ids
,它只会通过文本组件。 - 带有 *text_* 或 *speech_* 前缀的,将分别作为文本模型和语音模型的
generate
方法的输入。它优先于没有前缀的关键字。
这意味着您可以,例如,为一种生成指定生成策略,而不为另一种指定。
- 没有前缀的,将作为
返回
联合[SeamlessM4TGenerationOutput, tuple[Tensor]]
- 如果 `return_intermediate_token_ids` 为 `True`,则返回 `SeamlessM4TGenerationOutput`。
- 如果 `return_intermediate_token_ids` 为 `False`,则返回一个元组,由形状为 `(batch_size, sequence_length)` 的波形和给出每个样本长度的 `waveform_lengths` 组成。
生成翻译音频波形。
此方法依次调用两个不同子模型的 `.generate` 函数。您可以在两个不同级别指定关键字参数:将传递给两个模型的通用参数,或将传递给其中一个模型的前缀参数。
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,请查看以下指南。
SeamlessM4TForSpeechToSpeech
类 transformers.SeamlessM4TForSpeechToSpeech
< 来源 >( config )
参数
- **config** (SeamlessM4TForSpeechToSpeech) — 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相关的权重,只加载配置。请查看 from_pretrained() 方法加载模型权重。
语音到语音 SeamlessM4T 模型 Transformer,可用于 S2ST。
此模型继承自 PreTrainedModel。查看超类文档以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。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
生成
< 来源 >( input_features: typing.Optional[torch.Tensor] = None return_intermediate_token_ids: typing.Optional[bool] = None tgt_lang: typing.Optional[str] = None spkr_id: typing.Optional[int] = 0 **kwargs ) → Union[SeamlessM4TGenerationOutput, tuple[Tensor]]
参数
- **input_features** (
torch.FloatTensor
形状(batch_size, sequence_length, num_banks)
) — 输入音频特征。这应由 SeamlessM4TFeatureExtractor 类或 SeamlessM4TProcessor 类返回。有关详细信息,请参见 SeamlessM4TFeatureExtractor.call()。 - **return_intermediate_token_ids** (
bool
, *可选*) — 如果为True
,还返回中间生成的文本和单元标记。如果还想同时获取翻译文本和音频,则将其设置为True
。 - **tgt_lang** (
str
, *可选*) — 用作翻译目标语言的语言。 - **spkr_id** (
int
, *可选*,默认为 0) — 用于语音合成的说话人 ID。必须小于config.vocoder_num_spkrs
。 - **kwargs** (*可选*) — 剩余的关键字参数字典,将传递给 GenerationMixin.generate()。关键字参数有两种类型:
- 没有前缀的,将作为
**kwargs
输入到每个子模型的generate
方法中,除了decoder_input_ids
,它只会通过文本组件。 - 带有 *text_* 或 *speech_* 前缀的,将分别作为文本模型和语音模型的
generate
方法的输入。它优先于没有前缀的关键字。
这意味着您可以,例如,为一种生成指定生成策略,而不为另一种指定。
- 没有前缀的,将作为
返回
联合[SeamlessM4TGenerationOutput, tuple[Tensor]]
- 如果 `return_intermediate_token_ids` 为 `True`,则返回 `SeamlessM4TGenerationOutput`。
- 如果 `return_intermediate_token_ids` 为 `False`,则返回一个元组,由形状为 `(batch_size, sequence_length)` 的波形和给出每个样本长度的 `waveform_lengths` 组成。
生成翻译音频波形。
此方法依次调用两个不同子模型的 `.generate` 函数。您可以在两个不同级别指定关键字参数:将传递给两个模型的通用参数,或将传递给其中一个模型的前缀参数。
例如,调用 `.generate(input_features, 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,请查看以下指南。
SeamlessM4TForTextToText
类 transformers.SeamlessM4TForTextToText
< source >( config: SeamlessM4TConfig )
参数
- config (SeamlessM4TConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化模型不会加载与模型相关的权重,只加载配置。请查看 from_pretrained() 方法来加载模型权重。
可用于T2TT的text-to-text SeamlessM4T模型转换器。
此模型继承自 PreTrainedModel。查看超类文档以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。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
前向
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[tuple[tuple[torch.FloatTensor]]] = None past_key_values: typing.Optional[tuple[tuple[torch.FloatTensor]]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **kwargs ) → transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
,可选) — 词汇表中输入序列标记的索引。默认情况下会忽略填充。索引可以使用 AutoTokenizer 获取。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)
的torch.Tensor
,可选) — 掩码,避免对填充标记索引执行注意力操作。掩码值选择范围为[0, 1]
:- 1 表示**未掩码**的标记,
- 0 表示**已掩码**的标记。
- decoder_input_ids (形状为
(batch_size, target_sequence_length)
的torch.LongTensor
,可选) — 解码器输入序列标记在词汇表中的索引。索引可以使用 AutoTokenizer 获取。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
Bart 使用
eos_token_id
作为decoder_input_ids
生成的起始标记。如果使用past_key_values
,可以选择只输入最后一个decoder_input_ids
(那些没有将其过去的键值状态提供给此模型的输入),请参阅past_key_values
。对于翻译和摘要训练,应提供
decoder_input_ids
。如果未提供decoder_input_ids
,模型将根据论文中去噪预训练的方法,通过将input_ids
向右移动来创建此张量。 - decoder_attention_mask (形状为
(batch_size, target_sequence_length)
的torch.LongTensor
,可选) — 默认行为:生成一个忽略decoder_input_ids
中填充标记的张量。默认情况下也会使用因果掩码。如果您想更改填充行为,应阅读
modeling_bart._prepare_decoder_attention_mask
并根据需要进行修改。有关默认策略的更多信息,请参阅 该论文 中的图 1。 - 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) 是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。 - past_key_values (
tuple[tuple[torch.FloatTensor]]
,可选) — 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),可用于加速序列解码。当use_cache=True
或config.use_cache=True
时,这通常包括模型在解码上一阶段返回的past_key_values
。允许两种格式:
- 一个 Cache 实例,请参阅我们的 kv 缓存指南;
- 一个长度为
config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量)。这也称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果没有传入
past_key_values
,将返回旧版缓存格式。如果使用
past_key_values
,用户可以选择只输入最后一个input_ids
(那些没有将其过去的键值状态提供给此模型的输入),形状为(batch_size, 1)
,而不是所有input_ids
(形状为(batch_size, sequence_length)
)。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
,可选) — 可选地,除了传入input_ids
,您还可以选择直接传入嵌入表示。如果您想对如何将input_ids
索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制权,这将很有用。 - decoder_inputs_embeds (形状为
(batch_size, target_sequence_length, hidden_size)
的torch.FloatTensor
,可选) — 可选地,除了传入decoder_input_ids
,您还可以选择直接传入嵌入表示。如果使用past_key_values
,可以选择只输入最后一个decoder_inputs_embeds
(请参阅past_key_values
)。如果您想对如何将decoder_input_ids
索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制权,这将很有用。如果
decoder_input_ids
和decoder_inputs_embeds
都未设置,则decoder_inputs_embeds
的值将取inputs_embeds
的值。 - labels (形状为
(batch_size, sequence_length)
的torch.LongTensor
,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]
范围内(参见input_ids
文档字符串)。索引设置为-100
的标记将被忽略(掩码),损失只对标签在[0, ..., config.vocab_size]
范围内的标记计算 - use_cache (
bool
,可选) — 如果设置为True
,将返回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。更多详细信息请参见返回张量下的attentions
。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。更多详细信息请参见返回张量下的hidden_states
。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是普通的元组。
返回
transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqLMOutput 或一个 torch.FloatTensor
元组(如果传入 return_dict=False
或 config.return_dict=False
时),包含根据配置(SeamlessM4TConfig)和输入而异的各种元素。
-
loss (
torch.FloatTensor
,形状为(1,)
,可选,当提供labels
时返回) — 语言建模损失。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。 -
past_key_values (
EncoderDecoderCache
,可选,当传入use_cache=True
或config.use_cache=True
时返回) — 这是一个 EncoderDecoderCache 实例。更多详细信息请参阅我们的 kv 缓存指南。包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
decoder_hidden_states (
tuple(torch.FloatTensor)
,可选,当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(一个用于嵌入层输出,如果模型有嵌入层,+ 一个用于每一层输出),形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
,可选,当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
-
cross_attentions (
tuple(torch.FloatTensor)
,可选,当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均。
-
encoder_last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 模型编码器最后一层输出的隐藏状态序列。 -
encoder_hidden_states (
tuple(torch.FloatTensor)
,可选,当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(一个用于嵌入层输出,如果模型有嵌入层,+ 一个用于每一层输出),形状为(batch_size, sequence_length, hidden_size)
。编码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
encoder_attentions (
tuple(torch.FloatTensor)
,可选,当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。编码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
SeamlessM4TForTextToText 的前向方法,覆盖了 __call__
特殊方法。
尽管前向传播的实现需要在该函数中定义,但之后应该调用 Module
实例,而不是该函数,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。
生成
< source >( input_ids = None tgt_lang = None generation_config = None logits_processor = None stopping_criteria = None prefix_allowed_tokens_fn = None synced_gpus = False **kwargs ) → ModelOutput 或 torch.LongTensor
参数
- input_ids (
torch.Tensor
,形状因模态而异,可选) — 词汇表中输入序列标记的索引。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()。
- tgt_lang (
str
,可选) — 用作翻译目标语言的语言。 - generation_config (
~generation.GenerationConfig
,可选) — 用作生成调用基础参数化的生成配置。传入 generate 的**kwargs
中与generation_config
属性匹配的参数将覆盖它们。如果未提供generation_config
,将使用默认配置,其加载优先级如下:1) 如果存在generation_config.json
模型文件,则从中加载;2) 从模型配置中加载。请注意,未指定的参数将继承 GenerationConfig 的默认值,应查阅其文档以参数化生成。 - logits_processor (
LogitsProcessorList
,可选) — 自定义 logits 处理器,补充从参数和生成配置构建的默认 logits 处理器。如果传入的 logits 处理器已使用参数或生成配置创建,则会抛出错误。此功能适用于高级用户。 - stopping_criteria (
StoppingCriteriaList
,可选) — 自定义停止条件,补充从参数和生成配置构建的默认停止条件。如果传入的停止条件已使用参数或生成配置创建,则会抛出错误。此功能适用于高级用户。 - prefix_allowed_tokens_fn (
Callable[[int, torch.Tensor], list[int]]
,可选) — 如果提供,此函数限制束搜索在每一步只允许的标记。如果未提供,则不应用任何限制。此函数接受 2 个参数:批次 IDbatch_id
和input_ids
。它必须返回一个列表,其中包含在批次 IDbatch_id
和先前生成的标记inputs_ids
的条件下,下一步允许生成的标记。此参数对于基于前缀的约束生成很有用,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 while 循环直到达到max_length
(需要避免与FullyShardedDataParallel
和 DeepSpeed ZeRO Stage 3 出现死锁)。 - kwargs (
dict[str, Any]
,可选) —generate_config
的临时参数化和/或将转发到模型forward
函数的其他模型特定 kwargs。
返回
ModelOutput 或 torch.LongTensor
一个 ModelOutput(如果传入 return_dict_in_generate=True
或 config.return_dict_in_generate=True
时)或一个 torch.FloatTensor
。可能的 ModelOutput 类型是
生成标记ID序列。
大多数生成控制参数在 generation_config
中设置,如果未传入,将设置为模型的默认生成配置。您可以通过将相应的参数传递给 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,请查看以下指南。
SeamlessM4TForSpeechToText
class transformers.SeamlessM4TForSpeechToText
< source >( config: SeamlessM4TConfig )
参数
- config (SeamlessM4TConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化模型不会加载与模型相关的权重,只加载配置。请查看 from_pretrained() 方法来加载模型权重。
可用于S2TT的speech-to-text SeamlessM4T模型转换器。
此模型继承自 PreTrainedModel。查看超类文档以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。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
前向
< source >( input_features: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[tuple[tuple[torch.FloatTensor]]] = None past_key_values: typing.Optional[tuple[tuple[torch.FloatTensor]]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **kwargs ) → transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
参数
- input_features (形状为
(batch_size, sequence_length, num_banks)
的torch.FloatTensor
) — 输入音频特征。此值应由 SeamlessM4TFeatureExtractor 类或 SeamlessM4TProcessor 类返回。有关详细信息,请参阅 SeamlessM4TFeatureExtractor.call()。 - attention_mask (形状为
(batch_size, sequence_length)
的torch.Tensor
,可选) — 掩码,避免对填充标记索引执行注意力操作。掩码值选择范围为[0, 1]
:- 1 表示**未掩码**的标记,
- 0 表示**已掩码**的标记。
- decoder_input_ids (形状为
(batch_size, target_sequence_length)
的torch.LongTensor
,可选) — 解码器输入序列标记在词汇表中的索引。索引可以使用 AutoTokenizer 获取。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
Bart 使用
eos_token_id
作为decoder_input_ids
生成的起始标记。如果使用past_key_values
,可以选择只输入最后一个decoder_input_ids
(那些没有将其过去的键值状态提供给此模型的输入),请参阅past_key_values
。对于翻译和摘要训练,应提供
decoder_input_ids
。如果未提供decoder_input_ids
,模型将根据论文中去噪预训练的方法,通过将input_ids
向右移动来创建此张量。 - decoder_attention_mask (形状为
(batch_size, target_sequence_length)
的torch.LongTensor
,可选) — 默认行为:生成一个忽略decoder_input_ids
中填充标记的张量。默认情况下也会使用因果掩码。如果您想更改填充行为,应阅读
modeling_bart._prepare_decoder_attention_mask
并根据需要进行修改。有关默认策略的更多信息,请参阅 该论文 中的图 1。 - 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) 是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。 - past_key_values (
tuple[tuple[torch.FloatTensor]]
,可选) — 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),可用于加速序列解码。当use_cache=True
或config.use_cache=True
时,这通常包括模型在解码上一阶段返回的past_key_values
。允许两种格式:
- 一个 Cache 实例,请参阅我们的 kv 缓存指南;
- 一个长度为
config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量)。这也称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果没有传入
past_key_values
,将返回旧版缓存格式。如果使用
past_key_values
,用户可以选择只输入最后一个input_ids
(那些没有将其过去的键值状态提供给此模型的输入),形状为(batch_size, 1)
,而不是所有input_ids
(形状为(batch_size, sequence_length)
)。 - inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,你可以选择直接传入嵌入式表示,而不是传入input_ids
。如果你想对如何将input_ids
索引转换为相关向量有比模型内部嵌入查找矩阵更多的控制,这会很有用。 - decoder_inputs_embeds (
torch.FloatTensor
,形状为(batch_size, target_sequence_length, hidden_size)
,可选) — 可选地,你可以选择直接传入嵌入式表示,而不是传入decoder_input_ids
。如果使用了past_key_values
,可选地只需输入最后的decoder_inputs_embeds
(参见past_key_values
)。如果你想对如何将decoder_input_ids
索引转换为相关向量有比模型内部嵌入查找矩阵更多的控制,这会很有用。如果
decoder_input_ids
和decoder_inputs_embeds
都未设置,则decoder_inputs_embeds
将取inputs_embeds
的值。 - labels (
torch.LongTensor
,形状为(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]
范围内(参见input_ids
文档字符串)。索引设置为-100
的标记将被忽略(掩码),损失仅针对标签在[0, ..., config.vocab_size]
范围内的标记计算。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(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。更多详细信息请参见返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。更多详细信息请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqLMOutput 或一个 torch.FloatTensor
元组(如果传入 return_dict=False
或 config.return_dict=False
时),包含根据配置(SeamlessM4TConfig)和输入而异的各种元素。
-
loss (
torch.FloatTensor
,形状为(1,)
,可选,当提供labels
时返回) — 语言建模损失。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。 -
past_key_values (
EncoderDecoderCache
,可选,当传入use_cache=True
或config.use_cache=True
时返回) — 这是一个 EncoderDecoderCache 实例。更多详细信息请参阅我们的 kv 缓存指南。包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
decoder_hidden_states (
tuple(torch.FloatTensor)
,可选,当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(一个用于嵌入层输出,如果模型有嵌入层,+ 一个用于每一层输出),形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
,可选,当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
-
cross_attentions (
tuple(torch.FloatTensor)
,可选,当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均。
-
encoder_last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 模型编码器最后一层输出的隐藏状态序列。 -
encoder_hidden_states (
tuple(torch.FloatTensor)
,可选,当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(一个用于嵌入层输出,如果模型有嵌入层,+ 一个用于每一层输出),形状为(batch_size, sequence_length, hidden_size)
。编码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
encoder_attentions (
tuple(torch.FloatTensor)
,可选,当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。编码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
SeamlessM4TForSpeechToText 的 forward 方法,覆盖了 __call__
特殊方法。
尽管前向传播的实现需要在该函数中定义,但之后应该调用 Module
实例,而不是该函数,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
>>> from transformers import AutoProcessor, SeamlessM4TForSpeechToText
>>> 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(""facebook/hf-seamless-m4t-medium"")
>>> model = SeamlessM4TForSpeechToText.from_pretrained(""facebook/hf-seamless-m4t-medium"")
>>> # 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)
...
生成
< 源 >( input_features = None tgt_lang = None generation_config = None logits_processor = None stopping_criteria = None prefix_allowed_tokens_fn = None synced_gpus = False **kwargs ) → ModelOutput 或 torch.LongTensor
参数
- input_features (
torch.FloatTensor
,形状为(batch_size, sequence_length, num_banks)
) — 输入音频特征。这应由 SeamlessM4TFeatureExtractor 类或 SeamlessM4TProcessor 类返回。详情请参见 SeamlessM4TFeatureExtractor.call()。 - tgt_lang (
str
, 可选) — 用作翻译目标语言的语言。 - generation_config (
~generation.GenerationConfig
, 可选) — 用作生成调用基础参数化的生成配置。传递给 generate 中与generation_config
属性匹配的**kwargs
将覆盖它们。如果未提供generation_config
,将使用默认值,其加载优先级如下:1) 如果存在generation_config.json
模型文件,则从中加载;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,应查阅其文档以进行生成参数化。 - logits_processor (
LogitsProcessorList
, 可选) — 补充从参数和生成配置构建的默认 logits 处理器。如果传入的 logits 处理器已使用参数或生成配置创建,则会抛出错误。此功能适用于高级用户。 - stopping_criteria (
StoppingCriteriaList
, 可选) — 补充从参数和生成配置构建的默认停止准则。如果传入的停止准则已使用参数或生成配置创建,则会抛出错误。此功能适用于高级用户。 - prefix_allowed_tokens_fn (
Callable[[int, torch.Tensor], list[int]]
, 可选) — 如果提供,此函数将限制束搜索在每个步骤中只允许的标记。如果未提供,则不应用任何限制。此函数接受 2 个参数:批次 IDbatch_id
和input_ids
。它必须返回一个列表,其中包含在批次 IDbatch_id
和先前生成的标记inputs_ids
的条件下,下一步生成允许的标记。此参数对于基于前缀的受限生成很有用,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 while 循环直到达到max_length
(需要避免与FullyShardedDataParallel
和 DeepSpeed ZeRO Stage 3 产生死锁)。 - kwargs (
dict[str, Any]
, 可选) —generate_config
的临时参数化和/或将转发到模型forward
函数的其他模型特定 kwargs。
返回
ModelOutput 或 torch.LongTensor
一个 ModelOutput(如果传入 return_dict_in_generate=True
或 config.return_dict_in_generate=True
时)或一个 torch.FloatTensor
。可能的 ModelOutput 类型是
生成标记ID序列。
大多数生成控制参数在 generation_config
中设置,如果未传入,将设置为模型的默认生成配置。您可以通过将相应的参数传递给 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,请查看以下指南。
SeamlessM4TConfig
class transformers.SeamlessM4TConfig
< 源 >( 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 模型的词汇表大小。定义了调用 ~SeamlessM4TModel、~SeamlessM4TForTextToSpeech 或 ~SeamlessM4TForTextToText 时传入的inputs_ids
可以表示的不同标记的数量。 - t2u_vocab_size (
int
, 可选,默认为 10082) — SeamlessM4T 模型的单元词汇表大小。定义了调用 ~SeamlessM4TModel、~SeamlessM4TForSpeechToSpeech 或 ~SeamlessM4TForTextToSpeech 的文本到单元子模型时传入的inputs_ids
可以表示的不同单元标记的数量。
子模型之间共享的参数
- 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) — 用于初始化所有权重矩阵的truncated_normal_initializer
的标准差。 - layer_norm_eps (
float
, 可选,默认为 1e-05) — 层归一化层使用的 epsilon。 - use_cache (
bool
, 可选,默认为True
) — 模型是否应返回最后一个键/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。通常为了以防万一设置为较大值(例如,512、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。更多详细信息请参见 [LayerDrop 论文](参见 https://huggingface.co/papers/1909.11556)。 - decoder_layerdrop (
float
, 可选,默认为 0.05) — 解码器的 LayerDrop 概率。更多详细信息请参见 [LayerDrop 论文](参见 https://huggingface.co/papers/1909.11556)。 - 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)。如果是字符串,支持"gelu"
、"relu"
、"selu"
、"swish"
和"gelu_new"
。 - dropout (
float
, 可选,默认为 0.1) — 嵌入、编码器、解码器和池化器中所有全连接层的 dropout 概率。 - attention_dropout (
float
, 可选,默认为 0.1) — 所有注意力层的 dropout 概率。 - activation_dropout (
float
, 可选,默认为 0.0) — 模型中所有激活层的 dropout 概率。 - scale_embedding (
bool
, 可选,默认为True
) — 通过除以sqrt(d_model)
来缩放嵌入。
文本编码器和文本解码器特定参数
- encoder_layers (
int
, 可选,默认为 24) — Transformer 文本编码器中的隐藏层数量。 - encoder_ffn_dim (
int
, 可选,默认为 8192) — Transformer 文本编码器中“中间”(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力层的注意力头数量。 - decoder_layers (
int
, 可选,默认为 24) — Transformer 文本解码器中的隐藏层数量。 - decoder_ffn_dim (
int
, 可选,默认为 8192) — Transformer 文本解码器中“中间”(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的注意力头数量。 - decoder_start_token_id (
int
, 可选,默认为 3) — 如果编码器-解码器模型从与 bos 不同的标记开始解码,则为该标记的 ID。仅应用于文本解码器。 - max_new_tokens (
int
, 可选,默认为 256) — 要生成的最大文本标记数,忽略提示中的标记数。 - pad_token_id (
int
, 可选,默认为 0) — 填充 文本标记的 ID。仅应用于文本解码器模型。 - bos_token_id (
int
, 可选,默认为 2) — 流开始 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) — 流结束 文本标记的 ID。仅应用于文本解码器模型。
语音编码器特定参数
- speech_encoder_layers (
int
, optional, defaults to 24) — Transformer 语音编码器中的隐藏层数量。 - speech_encoder_attention_heads (
int
, optional, defaults to 16) — Transformer 语音编码器中每个注意力层的注意力头数量。 - speech_encoder_intermediate_size (
int
, optional, defaults to 4096) — Transformer 语音编码器中“中间”(即前馈)层的维度。 - speech_encoder_hidden_act (
str
orfunction
, optional, defaults to"swish"
) — 语音编码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"
、"swish"
和"gelu_new"
。 - speech_encoder_dropout (
float
, optional, defaults to 0.0) — 语音编码器中所有层的 dropout 概率。 - add_adapter (
bool
, optional, defaults toTrue
) — 在语音编码器之上添加一个适配器层。 - speech_encoder_layerdrop (
float
, optional, defaults to 0.1) — 语音编码器的 LayerDrop 概率。更多详细信息请参阅 [LayerDrop 论文](参见 https://huggingface.co/papers/1909.11556)。 - feature_projection_input_dim (
int
, optional, defaults to 160) — 语音编码器输入特征投影的输入维度,即使用 SeamlessM4TFeatureExtractor 处理输入音频后的维度。 - num_conv_pos_embeddings (
int
, optional, defaults to 128) — 卷积位置嵌入的数量。定义语音编码器的一维卷积位置嵌入层的核大小。 - num_conv_pos_embedding_groups (
int
, optional, defaults to 16) — 语音编码器的一维卷积位置嵌入层的组数。 - adaptor_kernel_size (
int
, optional, defaults to 8) — 适配器网络中卷积层的核大小。仅当add_adapter
为True
时相关。 - adaptor_stride (
int
, optional, defaults to 8) — 适配器网络中卷积层的步长。仅当add_adapter
为True
时相关。 - adaptor_dropout (
float
, optional, defaults to 0.1) — 语音适配器中所有层的 dropout 概率。 - num_adapter_layers (
int
, optional, defaults to 1) — 适配器网络中应使用的卷积层数。仅当add_adapter
为True
时相关。 - position_embeddings_type (
str
, optional, defaults to"relative"
) — 可以指定为relative
或rotary
,分别用于相对位置嵌入或旋转位置嵌入。如果留空None
,则不应用相对位置嵌入。仅应用于语音编码器。 - rotary_embedding_base (
int
, optional, defaults to 10000) — 如果使用"rotary"
位置嵌入,则定义嵌入基础的大小。仅应用于语音编码器。 - max_source_positions (
int
, optional, defaults to 4096) — 如果使用"relative"
位置嵌入,则定义最大源输入位置。仅应用于语音编码器。 - conv_depthwise_kernel_size (
int
, optional, defaults to 31) — Conformer 块中卷积深度一维层的核大小。仅应用于语音编码器。
Text-To-Unit (t2u) 模型特定参数
- t2u_bos_token_id (
int
, optional, defaults to 0) — 流开始单元标记的 ID。仅应用于文本到单元的 seq2seq 模型。 - t2u_pad_token_id (
int
, optional, defaults to 1) — 填充单元标记的 ID。仅应用于文本到单元的 seq2seq 模型。 - t2u_eos_token_id (
int
, optional, defaults to 2) — 流结束单元标记的 ID。仅应用于文本到单元的 seq2seq 模型。 - t2u_decoder_start_token_id (
int
, optional, defaults to 2) — 如果编码器-解码器模型以与 bos 不同的标记开始解码,则为该标记的 ID。仅应用于文本到单元的 seq2seq 模型。 - t2u_max_new_tokens (
int
, optional, defaults to 1024) — 要生成的最大单元标记数,忽略提示中的标记数。仅应用于文本到单元的 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”(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量。 - t2u_decoder_layers (
int
, optional, defaults to 6) — Transformer 文本到单元解码器中的隐藏层数量。 - t2u_decoder_ffn_dim (
int
, optional, defaults to 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
, optional, defaults to 16) — Transformer 文本到单元解码器中每个注意力层的注意力头数量。 - t2u_max_position_embeddings (
int
, optional, defaults to 2048) — 该模型文本到单元组件可能使用的最大序列长度。通常为了以防万一设置得很大(例如,512、1024 或 2048)。Hifi-Gan 声码器特定参数
- sampling_rate (
int
, optional, defaults to 16000) — 输出音频将以赫兹 (Hz) 表示的采样率生成。 - upsample_initial_channel (
int
, optional, defaults to 512) — hifi-gan 上采样网络的输入通道数。仅适用于声码器。 - upsample_rates (
tuple[int]
orlist[int]
, optional, defaults to[5, 4, 4, 2, 2]
) — 定义声码器上采样网络中每个一维卷积层步长的整数元组。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。仅适用于声码器。 - upsample_kernel_sizes (
tuple[int]
orlist[int]
, optional, defaults to[11, 8, 8, 4, 4]
) — 定义声码器上采样网络中每个一维卷积层核大小的整数元组。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。仅适用于声码器。 - resblock_kernel_sizes (
tuple[int]
orlist[int]
, optional, defaults to[3, 7, 11]
) — 定义多接收场融合 (MRF) 模块中声码器一维卷积层核大小的整数元组。仅适用于声码器。 - resblock_dilation_sizes (
tuple[tuple[int]]
orlist[list[int]]
, optional, defaults to[[1, 3, 5], [1, 3, 5], [1, 3, 5]]
) — 定义多接收场融合 (MRF) 模块中声码器膨胀一维卷积层膨胀率的嵌套整数元组。仅适用于声码器。 - leaky_relu_slope (
float
, optional, defaults to 0.1) — 声码器中 Leaky ReLU 激活函数使用的负斜率角度。仅适用于声码器。 - unit_hifi_gan_vocab_size (
int
, optional, defaults to 10000) — SeamlessM4T 声码器的词汇量大小。定义了调用 ~SeamlessM4TModel、~SeamlessM4TForSpeechToSpeech 或 ~SeamlessM4TForTextToSpeech 的声码器时传递的inputs_ids
可以表示的不同单元标记的数量。 - unit_embed_dim (
int
, optional, defaults to 1280) — 提供给 hifi-gan 声码器的输入 ID 的投影维度。仅适用于声码器。 - lang_embed_dim (
int
, optional, defaults to 256) — 提供给 hifi-gan 声码器的目标语言的投影维度。仅适用于声码器。 - spkr_embed_dim (
int
, optional, defaults to 256) — 提供给 hifi-gan 声码器的说话人 ID 的投影维度。仅适用于声码器。 - vocoder_num_langs (
int
, optional, defaults to 36) — 声码器支持的语言数量。可能与t2u_num_langs
不同。 - vocoder_num_spkrs (
int
, optional, defaults to 200) — 声码器支持的说话人数量。 - variance_predictor_kernel_size (
int
, optional, defaults to 3) — 时长预测器的核大小。仅适用于声码器。 - var_pred_dropout (
float
, optional, defaults to 0.5) — 时长预测器的 dropout 概率。仅适用于声码器。 - vocoder_offset (
int
, optional, defaults to 4) — 单元标记 ID 的偏移量,用于考虑符号标记。仅适用于声码器。
这是一个配置类,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生成与 SeamlessM4T “facebook/hf-seamless-m4t-medium” 架构类似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。有关更多信息,请阅读 PretrainedConfig 的文档。
>>> 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: typing.Optional[dict[str, typing.Any]] = None additional_special_tokens = None add_prefix_space = True **kwargs )
参数
- vocab_file (
str
) — 词汇表文件的路径。 - bos_token (
str
, optional, defaults to"<s>"
) — 预训练期间使用的序列开始标记。可用作序列分类器标记。使用特殊标记构建序列时,这不是用于序列开头的标记。使用的标记是
cls_token
。 - eos_token (
str
, optional, defaults to"</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
, optional, defaults to"</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用于问答的文本和问题。它也用作使用特殊标记构建的序列的最后一个标记。 - cls_token (
str
, optional, defaults to"<s>"
) — 分类器标记,用于序列分类(整个序列的分类而非逐标记分类)。它是使用特殊标记构建序列时的第一个标记。 - unk_token (
str
, optional, defaults to"<unk>"
) — 未知标记。不在词汇表中的标记不能转换为 ID,而是设置为此标记。 - pad_token (
str
, optional, defaults to"<pad>"
) — 用于填充的标记,例如在对不同长度的序列进行批处理时。 - tokenizer_file (
str
, optional) — 要使用的分词器文件路径,而不是词汇表文件。 - src_lang (
str
, optional, defaults to"eng"
) — 用作翻译源语言的语言。 - tgt_lang (
str
, 可选, 默认为"fra"
) — 用于翻译的目标语言。 - sp_model_kwargs (
dict[str, Any]
, 可选) — 传递给模型初始化的其他关键字参数。 - additional_special_tokens (
tuple
或list
ofstr
或tokenizers.AddedToken
, 可选) — 其他特殊标记的元组或列表。可用于指定分词器支持的语言列表。 - add_prefix_space (
bool
, 可选, 默认为True
) — 是否在输入中添加初始空格。这允许将第一个词像其他词一样处理。
构建 SeamlessM4T 分词器。
改编自 RobertaTokenizer 和 XLNetTokenizer。基于 SentencePiece。
分词方法对于源语言文档是 <language code> <tokens> <eos>
,对于目标语言文档是 <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__
< 来源 >( text: typing.Union[str, list[str], list[list[str]]] = None text_pair: typing.Union[str, list[str], list[list[str]], NoneType] = None text_target: typing.Union[str, list[str], list[list[str]]] = None text_pair_target: typing.Union[str, list[str], list[list[str]], NoneType] = None padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = True pad_to_multiple_of: typing.Optional[int] = 2 src_lang: typing.Optional[str] = None tgt_lang: typing.Optional[str] = None **kwargs )
参数
- text (
str
,list[str]
,list[list[str]]
, 可选) — 要编码的序列或序列批次。每个序列可以是一个字符串或一个字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,您必须设置is_split_into_words=True
(以消除与序列批次的歧义)。 - text_pair (
str
,list[str]
,list[list[str]]
, 可选) — 要编码的序列或序列批次。每个序列可以是一个字符串或一个字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,您必须设置is_split_into_words=True
(以消除与序列批次的歧义)。 - text_target (
str
,list[str]
,list[list[str]]
, 可选) — 要编码为目标文本的序列或序列批次。每个序列可以是一个字符串或一个字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,您必须设置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]]
, 可选) — 要编码为目标文本的序列或序列批次。每个序列可以是一个字符串或一个字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,您必须设置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
) — 在返回的序列中选择一种填充策略(根据模型的填充侧和填充索引):True
或'longest'
:填充到批次中最长的序列(如果只提供单个序列则不填充)。'max_length'
:填充到由参数max_length
指定的最大长度,如果未提供该参数,则填充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序列的批次)。
- pad_to_multiple_of (
int
, 可选) — 如果设置,将把序列填充到提供值的倍数。这对于在计算能力
>= 7.5
(Volta) 的 NVIDIA 硬件上启用 Tensor Cores 的使用特别有用。 - src_lang (
str
, 可选) — 表示源语言的字符串。如果未指定,将使用上次指定的src_lang
(在初始化或调用此分词器时)。 - tgt_lang (
str
, 可选) — 表示目标语言的字符串。如果未指定,将使用上次指定的tgt_lang
(在初始化或调用此分词器时)。 - kwargs (可选) — 剩余的关键字参数字典,将传递给 PreTrainedTokenizer.call()。
build_inputs_with_special_tokens
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → list[int]
通过连接和添加特殊标记,从序列或序列对构建用于序列分类任务的模型输入。NLLB 序列的格式如下,其中 X
表示序列:
input_ids
(用于编码器)X [eos, src_lang_code]
decoder_input_ids
:(用于解码器)X [eos, tgt_lang_code]
从不使用 BOS。序列对不是预期的用例,但它们将在没有分隔符的情况下处理。
get_special_tokens_mask
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None already_has_special_tokens: bool = False ) → list[int]
从没有添加特殊标记的标记列表中检索序列ID。此方法在使用分词器prepare_for_model
方法添加特殊标记时调用。
create_token_type_ids_from_sequences
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → list[int]
从传递的两个序列创建掩码,用于序列对分类任务。nllb 不使用标记类型 ID,因此返回一个零列表。
SeamlessM4TTokenizerFast
class transformers.SeamlessM4TTokenizerFast
< 来源 >( 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) — 词汇文件路径。 - tokenizer_file (
str
, 可选) — 要使用的分词器文件路径,而不是词汇文件。 - bos_token (
str
, 可选, 默认为"<s>"
) — 预训练期间使用的序列开始标记。可以用作序列分类器标记。使用特殊标记构建序列时,这不是序列开头使用的标记。使用的标记是
cls_token
。 - eos_token (
str
, 可选, 默认为"</s>"
) — 序列结束标记。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,用于从多个序列构建序列时,例如用于序列分类的两个序列,或用于问答的文本和问题。它也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>"
) — 分类器标记,用于序列分类(整个序列的分类而不是按标记分类)。它是使用特殊标记构建序列时的第一个标记。 - unk_token (
str
, 可选, 默认为"<unk>"
) — 未知标记。不在词汇表中的标记不能转换为 ID,而是设置为此标记。 - 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"
) — 用于翻译的源语言。 - tgt_lang (
str
, 可选, 默认为"fra"
) — 用于翻译的目标语言。 - additional_special_tokens (
tuple
或list
ofstr
或tokenizers.AddedToken
, 可选) — 其他特殊标记的元组或列表。
构建一个“快速”SeamlessM4T 分词器(由 HuggingFace 的 tokenizers 库支持)。基于 BPE。
此分词器继承自 PreTrainedTokenizerFast,其中包含大部分主要方法。用户应参考此超类以获取有关这些方法的更多信息。
分词方法对于源语言文档是 <language code> <tokens> <eos>
,对于目标语言文档是 <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__
< 来源 >( text: typing.Union[str, list[str], list[list[str]]] = None text_pair: typing.Union[str, list[str], list[list[str]], NoneType] = None text_target: typing.Union[str, list[str], list[list[str]]] = None text_pair_target: typing.Union[str, list[str], list[list[str]], NoneType] = None padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = True pad_to_multiple_of: typing.Optional[int] = 2 src_lang: typing.Optional[str] = None tgt_lang: typing.Optional[str] = None **kwargs )
参数
- text (
str
,list[str]
,list[list[str]]
, 可选) — 要编码的序列或序列批次。每个序列可以是一个字符串或一个字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,您必须设置is_split_into_words=True
(以消除与序列批次的歧义)。 - text_pair (
str
,list[str]
,list[list[str]]
, 可选) — 要编码的序列或序列批次。每个序列可以是一个字符串或一个字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,您必须设置is_split_into_words=True
(以消除与序列批次的歧义)。 - text_target (
str
,list[str]
,list[list[str]]
, 可选) — 要编码为目标文本的序列或序列批次。每个序列可以是一个字符串或一个字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,您必须设置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]]
, 可选) — 要编码为目标文本的序列或序列批次。每个序列可以是一个字符串或一个字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,您必须设置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
) — 在返回的序列中选择一种填充策略(根据模型的填充侧和填充索引):True
或'longest'
:填充到批次中最长的序列(如果只提供单个序列则不填充)。'max_length'
:填充到由参数max_length
指定的最大长度,如果未提供该参数,则填充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序列的批次)。
- pad_to_multiple_of (
int
, 可选) — 如果设置,将把序列填充到提供值的倍数。这对于在计算能力
>= 7.5
(Volta) 的 NVIDIA 硬件上启用 Tensor Cores 的使用特别有用。 - src_lang (
str
, 可选) — 表示源语言的字符串。如果未指定,将使用上次指定的src_lang
(在初始化或调用此分词器时)。 - tgt_lang (
str
, 可选) — 表示目标语言的字符串。如果未指定,将使用上次指定的tgt_lang
(在初始化或调用此分词器时)。 - kwargs (可选) — 剩余的关键字参数字典,将传递给 PreTrainedTokenizerFast.call()。
SeamlessM4TFeatureExtractor
class transformers.SeamlessM4TFeatureExtractor
< 源 >( feature_size = 80 sampling_rate = 16000 num_mel_bins = 80 padding_value = 0.0 stride = 2 **kwargs )
参数
- feature_size (
int
, 可选, 默认为 80) — 提取特征的特征维度。 - sampling_rate (
int
, 可选, 默认为 16000) — 音频文件数字化的采样率,以赫兹 (Hz) 表示。 - num_mel_bins (
int
, 可选, 默认为 80) — Mel 频率分箱的数量。 - padding_value (
float
, 可选, 默认为 0.0) — 用于填充填充向量的值。 - stride (
int
, 可选, 默认为 2) — 用于将音频从形状 (batch_size,num_frames,num_mel_bins) 重新塑形为 (batch_size,num_frames//stride,num_mel_bins*stride) 的步幅。
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。用户应参阅此超类以获取有关这些方法的更多信息。
此类从原始语音中提取 Mel 滤波器组特征。
__call__
< 源 >( raw_speech: typing.Union[numpy.ndarray, list[float], list[numpy.ndarray], list[list[float]]] padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = True pad_to_multiple_of: typing.Optional[int] = 2 max_length: typing.Optional[int] = None truncation: bool = False return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None sampling_rate: typing.Optional[int] = None return_attention_mask: typing.Optional[bool] = None do_normalize_per_mel_bins: typing.Optional[bool] = 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次。每个序列可以是 numpy 数组、torch 张量、浮点值列表、numpy 数组列表、torch 张量列表、浮点值列表的列表或浮点值列表的列表的列表。如果raw_speech
是一维np.ndarray
、torch.Tensor
或list[float]
,则raw_speech
被视为单通道、单样本声音。在所有其他情况下,raw_speech
的第一维,无论是来自np.ndarray
、torch.Tensor
还是list[...]
,都对应于批次中的样本数,并且通道数(即单声道或立体声特征)从其他维度导出(1D -> 单通道波形批次;2D-> 立体声通道波形批次)。 - padding (
bool
,str
或 PaddingStrategy, 可选, 默认为True
) — 选择一种策略来填充返回的序列(根据模型的填充侧和填充索引),包括:True
或'longest'
:填充到批次中最长的序列(如果仅提供单个序列则不填充)。'max_length'
:填充到由参数max_length
指定的最大长度,如果未提供该参数,则填充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序列的批次)。
- pad_to_multiple_of (
int
, 可选, 默认为 2) — 如果设置,将序列填充为给定值的倍数。这对于在计算能力
>= 7.5
(Volta) 的 NVIDIA 硬件或 TPU 上启用 Tensor Cores 特别有用,因为它们受益于序列长度为 128 的倍数。 - max_length (
int
, 可选) — 返回列表的最大长度和可选的填充长度(见上文)。 - truncation (
bool
) — 激活截断,将长于 max_length 的输入序列截断为 max_length。 - return_attention_mask (
bool
, 可选) — 是否返回注意力掩码。如果保留为默认值,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,为了避免细微错误,在批处理推理时应始终传递
attention_mask
。 - return_tensors (
str
或 TensorType, 可选) — 如果设置,将返回张量而不是 Python 整数列表。可接受的值为:'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
输入的采样率。强烈建议在转发调用时传递sampling_rate
以防止静默错误。 - do_normalize_per_mel_bins (
bool
, 可选, 默认为True
) — 是否对输入进行每梅尔通道的零均值单位方差归一化。 - kwargs (可选) — 将传递给分词器或特征提取器的剩余关键字参数字典。
对一个或多个序列进行特征化并为模型准备的主方法。
SeamlessM4TProcessor
class transformers.SeamlessM4TProcessor
< 源 >( feature_extractor tokenizer )
参数
- feature_extractor (SeamlessM4TFeatureExtractor) — 音频处理器是必需的输入。
- tokenizer (SeamlessM4TTokenizerFast) — 分词器是必需的输入。
构建一个 SeamlessM4T 处理器,它将 SeamlessM4T 特征提取器和 SeamlessM4T 分词器封装到一个处理器中。
SeamlessM4TProcessor 提供 SeamlessM4TFeatureExtractor 和 SeamlessM4TTokenizerFast 的所有功能。有关这些方法的更多信息,请参见 **call**() 和 decode()
。
__call__
< 源 >( text = None audios = None src_lang = None tgt_lang = None **kwargs ) → BatchEncoding
参数
- text (
str
,list[str]
,list[list[str]]
) — 要编码的序列或序列批次。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)形式提供,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]
) — 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。如果是 NumPy 数组/PyTorch 张量,每个音频的形状应为 (C, T),其中 C 是通道数,T 是音频的采样长度。 - src_lang (
str
, 可选) — 输入文本/音频的语言代码。如果未指定,将使用上次指定的src_lang
。 - tgt_lang (
str
, 可选) — 用作翻译目标语言的语言代码。如果未指定,将使用上次指定的tgt_lang
。 - kwargs (可选) — 将传递给特征提取器和/或分词器的剩余关键字参数字典。
一个 BatchEncoding,包含以下字段:
- input_ids — 要输入到模型的 token ID 列表。当
text
不为None
时返回。 - attention_mask — 指定模型应关注哪些标记的索引列表(当
return_attention_mask=True
或 “attention_mask” 在self.model_input_names
中且text
不为None
时)。 - input_features — 将输入模型的音频输入特征。当
audios
不为None
时返回。
准备一个或多个序列和音频供模型使用的主要方法。如果 text
不为 None
,此方法将 text
和 kwargs
参数转发到 SeamlessM4TTokenizerFast 的 **call**() 以编码文本。要准备音频,如果 audios
不为 None
,此方法将 audios
和 kwargs
参数转发到 SeamlessM4TFeatureExtractor 的 **call**()。有关详细信息,请参阅上述两种方法的文档字符串。
SeamlessM4TCodeHifiGan
class transformers.SeamlessM4TCodeHifiGan
< 源 >( config )
参数
- config (SeamlessM4TCodeHifiGan) — 模型的配置类,包含模型的所有参数。使用配置文件初始化不加载与模型关联的权重,只加载配置。请查阅 from_pretrained() 方法以加载模型权重。
代码 HiFi-GAN 声码器,如本 仓库 中所述。
此模型继承自 PreTrainedModel。查看超类文档以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。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
前向
< 源 >( input_ids: LongTensor spkr_id: Tensor lang_id: Tensor )
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。索引可以使用 SeamlessM4TTextToUnitForConditionalGeneration 获取。 什么是输入 ID?
- spkr_id (
int
, 可选) — 用于语音合成的说话人 ID。必须小于config.vocoder_num_spkrs
。 - tgt_lang (
str
, 可选) — 用作翻译目标语言的语言 ID。
SeamlessM4THifiGan
前向
< 源 >( input_embeds: FloatTensor ) → torch.FloatTensor
参数
- spectrogram (
torch.FloatTensor
) — 包含对数梅尔谱图的张量。可以是批处理的,形状为(batch_size, sequence_length, model_in_dim)
;也可以是未批处理的,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。如果输入谱图是批处理的,则形状为 (batch_size, num_frames,)
。如果未批处理,则形状为 (num_frames,)
。
将对数梅尔谱图转换为语音波形。传递一批对数梅尔谱图将返回一批语音波形。传递单个未批处理的对数梅尔谱图将返回单个未批处理的语音波形。
SeamlessM4TTextToUnitModel
class transformers.SeamlessM4TTextToUnitModel
< 源 >( config: SeamlessM4TConfig embed_tokens_decoder: typing.Optional[torch.nn.modules.sparse.Embedding] = None )
参数
- config (SeamlessM4TConfig) — 模型的配置类,包含模型的所有参数。使用配置文件初始化不加载与模型关联的权重,只加载配置。请查阅 from_pretrained() 方法以加载模型权重。
- embed_tokens_decoder (
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。编码器是一个不带嵌入的 SeamlessM4TEncoder
,解码器是一个 SeamlessM4TDecoder
。
此模型继承自 PreTrainedModel。查看超类文档以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。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
SeamlessM4TTextToUnitForConditionalGeneration
class transformers.SeamlessM4TTextToUnitForConditionalGeneration
< 源 >( config: SeamlessM4TConfig embed_tokens_decoder: typing.Optional[torch.nn.modules.sparse.Embedding] = None )
参数
- config (SeamlessM4TConfig) — 模型的配置类,包含模型的所有参数。使用配置文件初始化不加载与模型关联的权重,只加载配置。请查阅 from_pretrained() 方法以加载模型权重。
- embed_tokens_decoder (
nn.Embedding
, 可选) — 解码器的输入嵌入。
带语言模型头的 Transformer 文本到单元编码器-解码器。基础编码器-解码器模型是 SeamlessM4TTextToUnit
。
此模型继承自 PreTrainedModel。查看超类文档以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。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
前向
< 源 >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[tuple[tuple[torch.FloatTensor]]] = None past_key_values: typing.Optional[tuple[tuple[torch.FloatTensor]]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 输入序列标记在词汇表中的索引。默认情况下会忽略填充。索引可以使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor
,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。掩码值选择范围为[0, 1]
:- 1 表示未被掩盖的标记,
- 0 表示被掩盖的标记。
- decoder_input_ids (
torch.LongTensor
,形状为(batch_size, target_sequence_length)
,可选) — 解码器输入序列标记在词汇表中的索引。索引可以使用 AutoTokenizer 获取。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
生成的起始标记。如果使用past_key_values
,可以选择只输入最后一个decoder_input_ids
(参见past_key_values
)。对于翻译和摘要训练,应提供
decoder_input_ids
。如果未提供decoder_input_ids
,模型将根据论文中的去噪预训练,通过将input_ids
向右移位来创建此张量。 - 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
中填充标记的张量。默认情况下也会使用因果掩码。如果您想更改填充行为,应阅读
modeling_bart._prepare_decoder_attention_mask
并根据您的需求进行修改。有关默认策略的更多信息,请参阅 论文 中的图 1。 - 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) 是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。 - past_key_values (
tuple[tuple[torch.FloatTensor]]
,可选) — 预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加速顺序解码。这通常包括模型在解码前期返回的past_key_values
,当use_cache=True
或config.use_cache=True
时。允许两种格式:
- Cache 实例,参见我们的 kv cache 指南;
- 长度为
config.n_layers
的tuple(torch.FloatTensor)
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。这也称为旧式缓存格式。
模型将输出与作为输入传入的缓存相同的缓存格式。如果未传入
past_key_values
,则将返回旧式缓存格式。如果使用
past_key_values
,用户可以选择只输入形状为(batch_size, 1)
的最后一个input_ids
(那些没有将其过去的键值状态提供给此模型的),而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,您可以通过直接传入嵌入表示来代替传入input_ids
。如果您想对如何将input_ids
索引转换为相关向量有比模型内部嵌入查找矩阵更多的控制,这将非常有用。 - decoder_inputs_embeds (
torch.FloatTensor
,形状为(batch_size, target_sequence_length, hidden_size)
,可选) — 可选地,您可以通过直接传入嵌入表示来代替传入decoder_input_ids
。如果使用past_key_values
,可以选择只输入最后一个decoder_inputs_embeds
(参见past_key_values
)。如果您想对如何将decoder_input_ids
索引转换为相关向量有比模型内部嵌入查找矩阵更多的控制,这将非常有用。如果
decoder_input_ids
和decoder_inputs_embeds
都未设置,则decoder_inputs_embeds
将取inputs_embeds
的值。 - labels (
torch.LongTensor
,形状为(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]
范围内(参见input_ids
文档字符串)。索引设置为-100
的标记将被忽略(掩码),损失仅针对标签在[0, ..., config.vocab_size]
范围内的标记计算。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(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。更多详细信息请参见返回张量下的attentions
。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。更多详细信息请参见返回张量下的hidden_states
。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是纯元组。
返回
transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqLMOutput 或一个 torch.FloatTensor
元组(如果传入 return_dict=False
或 config.return_dict=False
时),包含根据配置(SeamlessM4TConfig)和输入而异的各种元素。
-
loss (
torch.FloatTensor
,形状为(1,)
,可选,当提供labels
时返回) — 语言建模损失。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。 -
past_key_values (
EncoderDecoderCache
,可选,当传入use_cache=True
或config.use_cache=True
时返回) — 这是一个 EncoderDecoderCache 实例。更多详细信息请参阅我们的 kv 缓存指南。包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
decoder_hidden_states (
tuple(torch.FloatTensor)
,可选,当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(一个用于嵌入层输出,如果模型有嵌入层,+ 一个用于每一层输出),形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
,可选,当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
-
cross_attentions (
tuple(torch.FloatTensor)
,可选,当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均。
-
encoder_last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 模型编码器最后一层输出的隐藏状态序列。 -
encoder_hidden_states (
tuple(torch.FloatTensor)
,可选,当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(一个用于嵌入层输出,如果模型有嵌入层,+ 一个用于每一层输出),形状为(batch_size, sequence_length, hidden_size)
。编码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
encoder_attentions (
tuple(torch.FloatTensor)
,可选,当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。编码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
SeamlessM4TTextToUnitForConditionalGeneration 的 forward 方法,覆盖了 __call__
特殊方法。
尽管前向传播的实现需要在该函数中定义,但之后应该调用 Module
实例,而不是该函数,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。