Transformers 文档

Speech2Text2

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Speech2Text2

此模型仅处于维护模式,我们不接受任何更改其代码的新 PR。如果您在运行此模型时遇到任何问题,请重新安装支持此模型的最后一个版本:v4.40.2。您可以通过运行以下命令来执行此操作:pip install -U transformers==4.40.2

概述

Speech2Text2 模型与 Wav2Vec2 一起用于语音翻译模型,这些模型在 Large-Scale Self- and Semi-Supervised Learning for Speech Translation 中提出,作者是 Changhan Wang、Anne Wu、Juan Pino、Alexei Baevski、Michael Auli、Alexis Conneau。

Speech2Text2 是一个仅解码器 Transformer 模型,可以与任何语音仅编码器模型(例如 Wav2Vec2HuBERT)一起用于语音到文本任务。请参阅 SpeechEncoderDecoder 类,了解如何将 Speech2Text2 与任何语音仅编码器模型结合使用。

此模型由 Patrick von Platen 贡献。

原始代码可以在这里找到。

使用技巧

  • Speech2Text2 在 CoVoST 语音翻译数据集上取得了最先进的结果。有关更多信息,请参阅官方模型
  • Speech2Text2 始终在 SpeechEncoderDecoder 框架内使用。
  • Speech2Text2 的分词器基于 fastBPE

推理

Speech2Text2 的 SpeechEncoderDecoderModel 模型接受来自语音的原始波形输入值,并使用 generate() 将输入语音自回归地翻译成目标语言。

Wav2Vec2FeatureExtractor 类负责预处理输入语音,Speech2Text2Tokenizer 将生成的目标 tokens 解码为目标字符串。Speech2Text2ProcessorWav2Vec2FeatureExtractorSpeech2Text2Tokenizer 包装到一个实例中,以同时提取输入特征并解码预测的 token IDs。

  • 逐步语音翻译
>>> import torch
>>> from transformers import Speech2Text2Processor, SpeechEncoderDecoderModel
>>> from datasets import load_dataset
>>> import soundfile as sf

>>> model = SpeechEncoderDecoderModel.from_pretrained("facebook/s2t-wav2vec2-large-en-de")
>>> processor = Speech2Text2Processor.from_pretrained("facebook/s2t-wav2vec2-large-en-de")


>>> def map_to_array(batch):
...     speech, _ = sf.read(batch["file"])
...     batch["speech"] = speech
...     return batch


>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.map(map_to_array)

>>> inputs = processor(ds["speech"][0], sampling_rate=16_000, return_tensors="pt")
>>> generated_ids = model.generate(inputs=inputs["input_values"], attention_mask=inputs["attention_mask"])

>>> transcription = processor.batch_decode(generated_ids)
  • 通过 Pipelines 进行语音翻译

    自动语音识别 pipeline 也可用于翻译语音,只需几行代码

>>> from datasets import load_dataset
>>> from transformers import pipeline

>>> librispeech_en = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> asr = pipeline(
...     "automatic-speech-recognition",
...     model="facebook/s2t-wav2vec2-large-en-de",
...     feature_extractor="facebook/s2t-wav2vec2-large-en-de",
... )

>>> translation_de = asr(librispeech_en[0]["file"])

请参阅 模型中心 以查找 Speech2Text2 checkpoints。

资源

Speech2Text2Config

class transformers.Speech2Text2Config

< >

( vocab_size = 10000 decoder_layers = 6 decoder_ffn_dim = 2048 decoder_attention_heads = 4 decoder_layerdrop = 0.0 use_cache = True activation_function = 'relu' d_model = 256 dropout = 0.1 attention_dropout = 0.0 activation_dropout = 0.0 init_std = 0.02 decoder_start_token_id = 2 scale_embedding = True pad_token_id = 1 bos_token_id = 0 eos_token_id = 2 max_target_positions = 1024 **kwargs )

参数

  • vocab_size (int, 可选, 默认为 50265) — Speech2Text 模型的词汇表大小。定义了在调用 Speech2TextModel 时传递的 inputs_ids 可以表示的不同 tokens 的数量
  • d_model (int, 可选, 默认为 1024) — 层和池化器层的维度。
  • decoder_layers (int, 可选, 默认为 12) — 解码器层数。
  • decoder_attention_heads (int, 可选, 默认为 16) — Transformer 解码器中每个注意力层的注意力头数。
  • decoder_ffn_dim (int, 可选, 默认为 4096) — 解码器中“中间”(通常称为前馈)层的维度。
  • activation_function (strfunction, 可选, 默认为 "gelu") — 池化器中的非线性激活函数(函数或字符串)。如果为字符串,则支持 "gelu", "relu", "silu""gelu_new"
  • dropout (float, 可选, 默认为 0.1) — 嵌入层和池化器中所有全连接层的 dropout 概率。
  • attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。
  • activation_dropout (float, 可选, 默认为 0.0) — 全连接层内部激活的 dropout 比率。
  • init_std (float, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器的标准差。 更多详情请参考 https://arxiv.org/abs/1909.11556>`__。
  • decoder_layerdrop (float, 可选, 默认为 0.0) — 解码器的 LayerDrop 概率。 有关更多详细信息,请参阅 [LayerDrop 论文](see https://arxiv.org/abs/1909.11556)。
  • use_cache (bool, 可选, 默认为 True) — 模型是否应返回最后的键/值注意力机制(并非所有模型都使用)。
  • max_target_positions (int, 可选, 默认为 1024) — 此模型可能使用的最大序列长度。 通常将其设置为较大的值以防万一(例如,512 或 1024 或 2048)。

这是用于存储 Speech2Text2ForCausalLM 配置的配置类。 它用于根据指定的参数实例化 Speech2Text2 模型,定义模型架构。 使用默认值实例化配置将产生与 Speech2Text2 facebook/s2t-wav2vec2-large-en-de 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。

示例

>>> from transformers import Speech2Text2Config, Speech2Text2ForCausalLM

>>> # Initializing a Speech2Text2 s2t_transformer_s style configuration
>>> configuration = Speech2Text2Config()

>>> # Initializing a model (with random weights) from the s2t_transformer_s style configuration
>>> model = Speech2Text2ForCausalLM(configuration)

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

Speech2TextTokenizer

class transformers.Speech2Text2Tokenizer

< >

( vocab_file bos_token = '<s>' pad_token = '<pad>' eos_token = '</s>' unk_token = '<unk>' do_lower_case = False merges_file = None **kwargs )

参数

  • vocab_file (str) — 包含词汇表的文件。
  • bos_token (str, 可选, 默认为 "<s>") — 句子开始 token。
  • eos_token (str, 可选, 默认为 "</s>") — 句子结束 token。
  • unk_token (str, 可选, 默认为 "<unk>") — 未知 token。 词汇表中不存在的 token 无法转换为 ID,而是设置为此 token。
  • pad_token (str, 可选, 默认为 "<pad>") — 用于填充的 token,例如在对不同长度的序列进行批处理时。
  • **kwargs — 传递给 PreTrainedTokenizer 的附加关键字参数

构建 Speech2Text2Tokenizer。

此 tokenizer 继承自 PreTrainedTokenizer,其中包含一些主要方法。 用户应参考超类以获取有关此类方法的更多信息。

batch_decode

< >

( sequences: typing.Union[typing.List[int], typing.List[typing.List[int]], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), ForwardRef('tf.Tensor')] skip_special_tokens: bool = False clean_up_tokenization_spaces: bool = None **kwargs ) List[str]

参数

  • sequences (Union[List[int], List[List[int]], np.ndarray, torch.Tensor, tf.Tensor]) — token 化输入 id 列表。 可以使用 __call__ 方法获得。
  • skip_special_tokens (bool, 可选, 默认为 False) — 是否在解码中删除特殊 token。
  • clean_up_tokenization_spaces (bool, 可选) — 是否清理 token 化空格。 如果为 None,则默认为 self.clean_up_tokenization_spaces
  • kwargs (附加关键字参数, 可选) — 将传递给底层模型特定的解码方法。

返回

List[str]

解码后的句子列表。

通过调用 decode 将 token id 列表转换为字符串列表。

decode

< >

( token_ids: typing.Union[int, typing.List[int], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), ForwardRef('tf.Tensor')] skip_special_tokens: bool = False clean_up_tokenization_spaces: bool = None **kwargs ) str

参数

  • token_ids (Union[int, List[int], np.ndarray, torch.Tensor, tf.Tensor]) — token 化输入 id 列表。 可以使用 __call__ 方法获得。
  • skip_special_tokens (bool, 可选, 默认为 False) — 是否在解码中删除特殊 token。
  • clean_up_tokenization_spaces (bool, 可选) — 是否清理 token 化空格。 如果为 None,则默认为 self.clean_up_tokenization_spaces
  • kwargs (附加关键字参数, 可选) — 将传递给底层模型特定的解码方法。

返回

str

解码后的句子。

使用 tokenizer 和词汇表将 id 序列转换为字符串,并可以选择删除特殊 token 和清理 token 化空格。

类似于执行 self.convert_tokens_to_string(self.convert_ids_to_tokens(token_ids))

save_vocabulary

< >

( save_directory: str filename_prefix: typing.Optional[str] = None )

Speech2Text2Processor

class transformers.Speech2Text2Processor

< >

( feature_extractor tokenizer )

参数

  • feature_extractor (AutoFeatureExtractor) — AutoFeatureExtractor 的一个实例。特征提取器是必需的输入。
  • tokenizer (Speech2Text2Tokenizer) — Speech2Text2Tokenizer 的一个实例。分词器是必需的输入。

构建一个 Speech2Text2 处理器,它将 Speech2Text2 特征提取器和 Speech2Text2 分词器包装成一个单独的处理器。

Speech2Text2Processor 提供了 AutoFeatureExtractorSpeech2Text2Tokenizer 的所有功能。 有关更多信息,请参阅 call()decode()

__call__

< >

( *args **kwargs )

在正常模式下使用时,此方法将其所有参数转发到 AutoFeatureExtractor 的 __call__() 并返回其输出。 如果在 as_target_processor() 上下文中使用,此方法将其所有参数转发到 Speech2Text2Tokenizer 的 call()。 有关更多信息,请参阅上述两种方法的文档字符串。

from_pretrained

< >

( pretrained_model_name_or_path: typing.Union[str, os.PathLike] cache_dir: typing.Union[str, os.PathLike, NoneType] = None force_download: bool = False local_files_only: bool = False token: typing.Union[str, bool, NoneType] = None revision: str = 'main' **kwargs )

参数

  • pretrained_model_name_or_path (stros.PathLike) — 可以是以下之一:

    • 一个字符串,即托管在 huggingface.co 上的模型仓库内的预训练 feature_extractor 的模型 ID
    • 一个目录的路径,其中包含使用 save_pretrained() 方法保存的特征提取器文件,例如,./my_model_directory/
    • 一个保存的特征提取器 JSON 文件的路径或 URL,例如,./my_model_directory/preprocessor_config.json
  • **kwargs — 传递给 from_pretrained()~tokenization_utils_base.PreTrainedTokenizer.from_pretrained 的其他关键字参数。

实例化与预训练模型关联的处理器。

这个类方法只是调用特征提取器 from_pretrained()、图像处理器 ImageProcessingMixin 和分词器 ~tokenization_utils_base.PreTrainedTokenizer.from_pretrained 方法。 有关更多信息,请参阅上述方法的文档字符串。

save_pretrained

< >

( save_directory push_to_hub: bool = False **kwargs )

参数

  • save_directory (stros.PathLike) — 将在其中保存特征提取器 JSON 文件和分词器文件的目录(如果目录不存在,则将创建目录)。
  • push_to_hub (bool, 可选,默认为 False) — 是否在保存模型后将其推送到 Hugging Face 模型中心。 您可以使用 repo_id 指定要推送到的仓库(默认为您命名空间中 save_directory 的名称)。
  • kwargs (Dict[str, Any], 可选) — 传递给 push_to_hub() 方法的其他关键字参数。

将此处理器(特征提取器、分词器…)的属性保存在指定目录中,以便可以使用 from_pretrained() 方法重新加载它。

这个类方法只是调用 save_pretrained()save_pretrained()。 有关更多信息,请参阅上述方法的文档字符串。

batch_decode

< >

( *args **kwargs )

此方法将其所有参数转发到 Speech2Text2Tokenizer 的 batch_decode()。 有关更多信息,请参阅此方法的文档字符串。

decode

< >

( *args **kwargs )

此方法将其所有参数转发到 Speech2Text2Tokenizer 的 decode()。 有关更多信息,请参阅此方法的文档字符串。

Speech2Text2ForCausalLM

class transformers.Speech2Text2ForCausalLM

< >

( config )

参数

  • config (Speech2Text2Config) — 具有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,仅加载配置。 查看 from_pretrained() 方法以加载模型权重。

带有语言建模头的 Speech2Text2 解码器。 可以用作 EncoderDecoderModelSpeechEncoderDecoder 的解码器部分。 此模型继承自 PreTrainedModel。 查看超类文档,了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝头等)。

此模型也是 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块,并参阅 PyTorch 文档,了解与常规用法和行为相关的所有事项。

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None encoder_hidden_states: typing.Optional[torch.FloatTensor] = None encoder_attention_mask: typing.Optional[torch.FloatTensor] = None head_mask: typing.Optional[torch.Tensor] = None cross_attn_head_mask: typing.Optional[torch.Tensor] = None past_key_values: typing.Optional[typing.Tuple[typing.Tuple[torch.FloatTensor]]] = None 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.CausalLMOutputWithCrossAttentionstuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor,形状为 (batch_size, sequence_length)) — 词汇表中输入序列标记的索引。 如果您提供填充,默认情况下将忽略填充。

    索引可以使用 Speech2Text2Tokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length), 可选) — 掩码,以避免对填充标记索引执行注意力机制。 掩码值在 [0, 1] 中选择:

    • 1 表示未掩码的标记,
    • 0 表示已掩码的标记。

    什么是注意力掩码?

  • encoder_hidden_states (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size), 可选) — 编码器最后一层输出的隐藏状态序列。 如果模型配置为解码器,则在交叉注意力机制中使用。
  • encoder_attention_mask (torch.FloatTensor,形状为 (batch_size, sequence_length)可选) — 用于避免在编码器输入的填充标记索引上执行注意力机制的掩码。如果模型配置为解码器,则此掩码在交叉注意力机制中使用。掩码值选自 [0, 1]
  • head_mask (torch.Tensor,形状为 (decoder_layers, decoder_attention_heads)可选) — 用于 nullify (置零)注意力模块中选定 head 的掩码。掩码值选自 [0, 1]

    • 1 表示 head 不被掩蔽
    • 0 表示 head 被掩蔽
  • cross_attn_head_mask (torch.Tensor,形状为 (decoder_layers, decoder_attention_heads)可选) — 用于 nullify (置零)交叉注意力模块中选定 head 的掩码。掩码值选自 [0, 1]

    • 1 表示 head 不被掩蔽
    • 0 表示 head 被掩蔽
  • past_key_values (tuple(tuple(torch.FloatTensor))可选,当传递 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layerstuple(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) 的张量和 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的额外张量。仅当模型在序列到序列模型中用作解码器时,才需要这两个额外的张量。

    包含预先计算的隐藏状态(自注意力模块和交叉注意力模块中的键和值),可以用于(参见 past_key_values 输入)加速顺序解码。

    如果使用 past_key_values,用户可以选择仅输入最后一部分 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),形状为 (batch_size, 1),而不是所有形状为 (batch_size, sequence_length)decoder_input_ids

  • 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。索引应为 [0, ..., config.vocab_size] 或 -100(参见 input_ids 文档字符串)。索引设置为 -100 的标记将被忽略(掩蔽),损失仅针对标签在 [0, ..., config.vocab_size] 中的标记计算。
  • use_cache (bool可选) — 如果设置为 True,则返回 past_key_values 键值状态,并可用于加速解码(参见 past_key_values)。

    • 1 表示标记不被掩蔽
    • 0 表示标记被掩蔽
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。 有关更多详细信息,请参见返回张量下的 attentions
  • output_hidden_states (bool可选) — 是否返回所有层的隐藏状态。 有关更多详细信息,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.CausalLMOutputWithCrossAttentionstuple(torch.FloatTensor)

一个 transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或一个 torch.FloatTensor 元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),其中包含各种元素,具体取决于配置 (Speech2Text2Config) 和输入。

  • loss (torch.FloatTensor,形状为 (1,)可选,当提供 labels 时返回) — 语言建模损失(用于下一个标记预测)。

  • logits (torch.FloatTensor,形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模 head 的预测分数(SoftMax 之前每个词汇表标记的分数)。

  • hidden_states (tuple(torch.FloatTensor)可选,当传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组(如果模型具有嵌入层,则为嵌入输出,+ 每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,当传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的注意力权重,用于计算自注意力 head 中的加权平均值。

  • cross_attentions (tuple(torch.FloatTensor)可选,当传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    交叉注意力 softmax 之后的注意力权重,用于计算交叉注意力 head 中的加权平均值。

  • past_key_values (tuple(tuple(torch.FloatTensor))可选,当传递 use_cache=True 或当 config.use_cache=True 时返回) — torch.FloatTensor 元组的元组,长度为 config.n_layers,每个元组包含自注意力和交叉注意力层的缓存键、值状态(如果模型在编码器-解码器设置中使用)。 仅当 config.is_decoder = True 时相关。

    包含预先计算的隐藏状态(注意力模块中的键和值),可以用于(参见 past_key_values 输入)加速顺序解码。

示例

>>> from transformers import (
...     SpeechEncoderDecoderModel,
...     Speech2Text2ForCausalLM,
...     Wav2Vec2Model,
...     Speech2Text2Config,
...     Wav2Vec2Config,
...     Wav2Vec2FeatureExtractor,
...     Speech2Text2Tokenizer,
... )
>>> from datasets import load_dataset

>>> feature_extractor = Wav2Vec2FeatureExtractor()
>>> tokenizer = Speech2Text2Tokenizer.from_pretrained("facebook/s2t-wav2vec2-large-en-de")

>>> encoder = Wav2Vec2Model(Wav2Vec2Config())
>>> decoder = Speech2Text2ForCausalLM(Speech2Text2Config())
>>> # init random speech2text model

>>> model = SpeechEncoderDecoderModel(encoder=encoder, decoder=decoder)
>>> model.config.pad_token_id = tokenizer.pad_token_id
>>> model.config.decoder_start_token_id = tokenizer.bos_token_id
>>> # pre-process inputs and labels

>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> inputs = feature_extractor(
...     ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["sampling_rate"], return_tensors="pt"
... )
>>> input_values = inputs.input_values
>>> decoder_input_ids = tokenizer(ds[0]["text"], return_tensors="pt").input_ids
>>> # compute loss

>>> loss = model(inputs=input_values, labels=decoder_input_ids).loss
>>> # backprop loss

>>> loss.backward()
< > 在 GitHub 上更新