参数

• input_values (torch.FloatTensor of shape (batch_size, sequence_length)) — 输入原始语音波形的高斯值。值可以通过将.flac或.wav音频文件的加载到类型为List[float]或numpy.ndarray的数组中获取，例如通过soundfile库（pip install soundfile）。要为input_values准备数组，应使用AutoProcessor进行填充和转换成类型为torch.FloatTensor的tensor。有关详细信息，请参阅Wav2Vec2Processor.call()。
• attention_mask （可选，torch.LongTensor 形状为(batch_size, sequence_length)，类型）— 用于避免对填充标记索引执行卷积和注意力的掩码。掩码值选在[0, 1]之间：
  • 1对于未掩码的标记，
  • 0对于已掩码的标记。

  什么是注意力掩码？

  attention_mask 只应传递给相应处理器有 config.return_attention_mask == True 的情况。对于所有处理器有 config.return_attention_mask == False 的模型，例如 wav2vec2-conformer-rel-pos-large，attention_mask 应该不传递，以避免批量推理时性能下降。对于此类模型input_values应该简单填充0并传递，不传递attention_mask。注意，这些模型的结果也会根据input_values是否被填充而略有不同。

• output_attentions （可选，bool）— 是否返回所有注意力层的注意量张量。更多详情请参阅返回张量中的attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是普通的元组。
• labels (torch.LongTensor 形状为 (batch_size, target_length), 可选) — 连接时序分类的标签。请注意，target_length 必须小于或等于输出 tokens 的序列长度。索引从 [-100, 0, ..., config.vocab_size - 1] 选择。所有设置为 -100 的标签都被忽略（屏蔽），只有标签在 [0, ..., config.vocab_size - 1] 上的损失会被计算。

transformers.modeling_outputs.CausalLMOutput 或一个由 torch.FloatTensor 构成的元组（如果传递参数 return_dict=False 或 config.return_dict=False），包含各种元素，具体取决于配置（Wav2Vec2ConformerConfig）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 next-token 预测）。

• logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数（SoftMax 之前的每个词汇分数）。

• hidden_states (可选的，torch.FloatTensor 元组，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 元组，包含 torch.FloatTensor，用于嵌入输出的（如果模型有嵌入层）和每个层输出的状态，形状为 (batch_size, sequence_length, hidden_size)。

  在每个层输出的模型中的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional，当传递output_attentions=True或当config.output_attentions=True时返回) — 包含每个层的torch.FloatTensor的元组（shape为(batch_size, num_heads, sequence_length, sequence_length)）。

  在注意力softmax之后的注意力权重，用于在自我注意力头部计算加权平均值。

参数

• input_values (torch.FloatTensor 的形状 (batch_size, sequence_length)) — 输入原始语音波形的浮点值。可以通过将 .flac 或 .wav 音频文件加载到类型为 List[float] 或 numpy.ndarray 的数组中，例如 通过 soundfile 库 (pip install soundfile) 获取这些值。为了将数组准备为 input_values，应使用 AutoProcessor 用于填充并将数据转换为类型为 torch.FloatTensor 的张量。有关详细信息，请参阅 Wav2Vec2Processor.call()。
• attention_mask (torch.LongTensor 的形状 (batch_size, sequence_length)，可选) — 用于避免对填充标记索引执行卷积和注意力的掩码。选定的掩码值为：
  • 1 表示 未掩码 的标记，
  • 0 表示 掩码 的标记。

  什么是注意力掩码？

  attention_mask 应仅在相应的处理器有 config.return_attention_mask == True 时传递。对于所有处理器没有 config.return_attention_mask == False 的模型，例如 wav2vec2-conformer-rel-pos-large，在批处理推理时不要传递 attention_mask 以避免性能下降。对于此类模型，只需将 input_values 填充为 0 并传递，无需传递 attention_mask。请注意，这些模型的输出结果也略取决于 input_values 是否填充。

• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多细节，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。有关更多细节，请参阅返回张量下的hidden_states。
• return_dict (bool, 可选) — 是否返回ModelOutput而不是普通元组。
• labels (torch.LongTensor 形状为 (batch_size,)，可选 ) — 用于计算序列分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 范围内。如果 config.num_labels == 1，则计算回归损失（均方损失），如果 config.num_labels > 1，则计算分类损失（交叉熵）。

A transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor 的元组（如果 return_dict=False 被传递或当 config.return_dict=False 时），包含各种元素，这些元素取决于配置（Wav2Vec2ConformerConfig）和输入。

• loss (torch.FloatTensor 形状为 (1,)，可选，当提供 labels 时返回) — 分类（如果 config.num_labels==1 则为回归）损失。

• logits (torch.FloatTensor 形状为 (batch_size, config.num_labels) ) — 分类（如果 config.num_labels==1 则为回归）得分（在 SoftMax 之前）。

• hidden_states (可选的，torch.FloatTensor 元组，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 元组，包含 torch.FloatTensor，用于嵌入输出的（如果模型有嵌入层）和每个层输出的状态，形状为 (batch_size, sequence_length, hidden_size)。

  在每个层输出的模型中的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional，当传递output_attentions=True或当config.output_attentions=True时返回) — 包含每个层的torch.FloatTensor的元组（shape为(batch_size, num_heads, sequence_length, sequence_length)）。

  在注意力softmax之后的注意力权重，用于在自我注意力头部计算加权平均值。

参数

• input_values (torch.FloatTensor 结构的 shape (batch_size, sequence_length)) — 输入原始语音波形的浮点数值。可以通过将 .flac 或 .wav 音频文件加载到类型为 List[float] 或 numpy.ndarray 的数组中，例如通过 soundfile 库（pip install soundfile）来获得值。要将数组准备成 input_values，应使用 AutoProcessor 进行填充并将其转换为类型为 torch.FloatTensor 的张量。有关详细信息，请参见 Wav2Vec2Processor.call()。
• attention_mask （torch.LongTensor 形状为 (batch_size, sequence_length)，可选） — 用于避免在填充标记索引上执行卷积和注意力计算的掩码。掩码值选择在 [0, 1] 范围内：《p
  • 1 代表 未掩码 的标记；
  • 0 代表 掩码 的标记。

  什么是注意力掩码？

  attention_mask 仅当对应的处理器具有 config.return_attention_mask == True 时才需要传递。对于所有处理器为 config.return_attention_mask == False 的模型，如 wav2vec2-conformer-rel-pos-large，attention_mask 应该不传递，以免在批量推理时性能降低。对于此类模型，应直接将 input_values 用 0 填充，并传递而无需 attention_mask。请注意，这些模型的结果也略微不同，具体取决于 input_values 是否填充。

• output_attentions （bool，可选） — 是否返回所有注意力层的注意力张量。有关详细信息，请参阅返回张量下的 attentions。
• output_hidden_states （类型： bool， 可选）- 是否返回所有层的隐藏状态。有关返回的张量中hidden_states的详细信息，请参阅。
• return_dict （类型： bool， 可选）- 是否返回一个 ModelOutput 而不是普通的元组。
• labels （类型： torch.LongTensor，形状 (batch_size,， 可选）- 用于计算序列分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 区间内。如果 config.num_labels == 1，则计算回归损失（均方损失），如果 config.num_labels > 1，则计算分类损失（交叉熵损失）。

一个 transformers.modeling_outputs.TokenClassifierOutput 或一个包含 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），它根据配置（Wav2Vec2ConformerConfig）和输入包含各种元素。

• loss （类型： torch.FloatTensor，形状 (1,)， 可选，在提供 labels 时返回）- 分类损失。

• logits (torch.FloatTensor 的形状为 (batch_size, sequence_length, config.num_labels)) — 分类得分数（SoftMax 之前）。

• hidden_states (可选的，torch.FloatTensor 元组，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 元组，包含 torch.FloatTensor，用于嵌入输出的（如果模型有嵌入层）和每个层输出的状态，形状为 (batch_size, sequence_length, hidden_size)。

  在每个层输出的模型中的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional，当传递output_attentions=True或当config.output_attentions=True时返回) — 包含每个层的torch.FloatTensor的元组（shape为(batch_size, num_heads, sequence_length, sequence_length)）。

  在注意力softmax之后的注意力权重，用于在自我注意力头部计算加权平均值。

参数

• input_values (torch.FloatTensor of shape (batch_size, sequence_length)) — 输入原始语音波形的浮点值。值可以通过将 .flac 或 .wav 音频文件加载到一个类型为 List[float] 或 numpy.ndarray 的数组中来获得，例如使用 soundfile 库（pip install soundfile）。要将数组准备为 input_values，应使用 AutoProcessor 进行填充并转换为类型为 torch.FloatTensor 的张量。有关详细信息，请参阅 Wav2Vec2Processor.call()（Wav2Vec2Processor.call()）。
• attention_mask (torch.LongTensor 形状为 (batch_size, sequence_length)，可选) — 用于避免在填充标记索引上进行卷积和注意力操作的掩码。掩码值选择在 [0, 1]：
  • 1 代表未掩码的标记，
  • 0 代表掩码标记。
  什么是注意力掩码？
• output_attentions (bool，可选) — 是否返回所有注意力层的注意力张量。有关详细信息，请参阅返回张量的 attentions。
• output_hidden_states (bool，可选) — 是否返回所有层的隐藏状态。有关详细信息，请参阅返回张量的 hidden_states。
• return_dict (bool，可选）—— 是否返回一个ModelOutput对象，而不是一个普通的元组。
• labels (torch.LongTensor，形状为(batch_size,)，可选）—— 用于计算序列分类/回归损失的标签。索引应该在[0, ..., config.num_labels - 1]的范围内。如果config.num_labels == 1，则计算回归损失（均方损失），如果config.num_labels > 1，则计算分类损失（交叉熵）。

A transformers.modeling_outputs.XVectorOutput或一个包含代码torch.FloatTensor的元组（若传递了return_dict=False或config.return_dict=False时），其包含的元素取决于配置（Wav2Vec2ConformerConfig）和输入。

• loss （类型： torch.FloatTensor，形状 (1,)， 可选，在提供 labels 时返回）- 分类损失。

• logits (torch.FloatTensor，形状为(batch_size, config.xvector_output_dim)）—— 在AMSoftmax之前的前馈隐藏状态。

• embeddings (torch.FloatTensor，形状为(batch_size, config.xvector_output_dim)）—— 构建用于向量相似性检索的词元嵌入。

• hidden_states (tuple(torch.FloatTensor), optional，当传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 一个由torch.FloatTensor组成的元组（包括嵌入输出的输出和每一层的输出），shape为(batch_size, sequence_length, hidden_size)。

  模型每一层输出的隐藏状态以及初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional，当传递output_attentions=True或当config.output_attentions=True时返回) — 包含每个层的torch.FloatTensor的元组（shape为(batch_size, num_heads, sequence_length, sequence_length)）。

  在注意力softmax之后的注意力权重，用于在自我注意力头部计算加权平均值。