Transformers 文档
WavLM
并获得增强的文档体验
开始使用
WavLM
概述
WavLM 模型由 Sanyuan Chen、Chengyi Wang、Zhengyang Chen、Yu Wu、Shujie Liu、Zhuo Chen、Jinyu Li、Naoyuki Kanda、Takuya Yoshioka、Xiong Xiao、Jian Wu、Long Zhou、Shuo Ren、Yanmin Qian、Yao Qian、Jian Wu、Michael Zeng 和 Furu Wei 在论文 WavLM: Large-Scale Self-Supervised Pre-Training for Full Stack Speech Processing 中提出。
论文摘要如下:
自监督学习(SSL)在语音识别领域取得了巨大成功,但对其他语音处理任务的探索却很有限。由于语音信号包含说话人身份、副语言学、说话内容等多方面信息,为所有语音任务学习通用的表征具有挑战性。在本文中,我们提出了一种新的预训练模型 WavLM,以解决全栈下游语音任务。WavLM 基于 HuBERT 框架构建,重点在于语音内容建模和说话人身份保留。我们首先为 Transformer 结构配备了门控相对位置偏置,以提高其在识别任务上的能力。为了更好地进行说话人区分,我们提出了一种话语混合训练策略,其中在无监督的情况下创建额外的重叠话语,并将其纳入模型训练。最后,我们将训练数据集从 6 万小时扩大到 9.4 万小时。WavLM Large 在 SUPERB 基准测试中取得了最先进的性能,并在各种语音处理任务的代表性基准测试中带来了显著的改进。
相关检查点可在 https://huggingface.co/models?other=wavlm 下找到。
该模型由 patrickvonplaten 贡献。作者的代码可在 此处 找到。
使用技巧
- WavLM 是一个语音模型,它接受一个与语音信号原始波形相对应的浮点数组。请使用 Wav2Vec2Processor 进行特征提取。
- WavLM 模型可以使用连接主义时间分类(CTC)进行微调,因此模型输出必须使用 Wav2Vec2CTCTokenizer 进行解码。
- WavLM 在说话人验证、说话人识别和说话人日志任务上表现尤其出色。
资源
WavLMConfig
class transformers.WavLMConfig
< 来源 >( vocab_size = 32 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout = 0.1 activation_dropout = 0.1 attention_dropout = 0.1 feat_proj_dropout = 0.0 final_dropout = 0.1 layerdrop = 0.1 initializer_range = 0.02 layer_norm_eps = 1e-05 feat_extract_norm = 'group' feat_extract_activation = 'gelu' conv_dim = (512, 512, 512, 512, 512, 512, 512) conv_stride = (5, 2, 2, 2, 2, 2, 2) conv_kernel = (10, 3, 3, 3, 3, 2, 2) conv_bias = False num_conv_pos_embeddings = 128 num_conv_pos_embedding_groups = 16 num_buckets = 320 max_bucket_distance = 800 do_stable_layer_norm = False apply_spec_augment = True mask_time_prob = 0.05 mask_time_length = 10 mask_time_min_masks = 2 mask_feature_prob = 0.0 mask_feature_length = 10 num_codevectors_per_group = 320 num_codevector_groups = 2 contrastive_logits_temperature = 0.1 num_negatives = 100 codevector_dim = 256 proj_codevector_dim = 256 diversity_loss_weight = 0.1 ctc_loss_reduction = 'mean' ctc_zero_infinity = False use_weighted_layer_sum = False classifier_proj_size = 256 tdnn_dim = (512, 512, 512, 512, 1500) tdnn_kernel = (5, 3, 3, 1, 1) tdnn_dilation = (1, 2, 3, 1, 1) xvector_output_dim = 512 num_ctc_classes = 80 pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 add_adapter = False adapter_kernel_size = 3 adapter_stride = 2 num_adapter_layers = 3 output_hidden_size = None **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 32) — WavLM 模型的词汇表大小。定义了在调用 WavLMModel 时传递的inputs_ids
可以表示的不同词元数量。模型的词汇表大小。定义了传递给 WavLMModel 的前向方法的 *inputs_ids* 可以表示的不同词元。 - hidden_size (
int
, 可选, 默认为 768) — 编码器层和池化层的维度。 - num_hidden_layers (
int
, 可选, 默认为 12) — Transformer 编码器中的隐藏层数量。 - num_attention_heads (
int
, 可选, 默认为 12) — Transformer 编码器中每个注意力层的注意力头数量。 - intermediate_size (
int
, 可选, 默认为 3072) — Transformer 编码器中“中间”(即前馈)层的维度。 - hidden_act (
str
或function
, 可选, 默认为"gelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,支持"gelu"
、"relu"
、"selu"
和"gelu_new"
。 - hidden_dropout (
float
, 可选, 默认为 0.1) — 嵌入、编码器和池化器中所有全连接层的丢弃概率。 - activation_dropout (
float
, 可选, 默认为 0.1) — 全连接层内激活函数的丢弃率。 - attention_dropout (
float
, 可选, 默认为 0.1) — 注意力概率的丢弃率。 - final_dropout (
float
, 可选, 默认为 0.1) — WavLMForCTC 最终投影层的丢弃概率。 - layerdrop (
float
, 可选, 默认为 0.1) — LayerDrop 概率。更多细节请参见 [LayerDrop 论文](参见 https://huggingface.co/papers/1909.11556)。 - 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-12) — 层归一化层使用的 epsilon 值。 - feat_extract_norm (
str
, 可选, 默认为"group"
) — 应用于特征编码器中 1D 卷积层的归一化方法。"group"
表示仅对第一个 1D 卷积层进行组归一化,"layer"
表示对所有 1D 卷积层进行层归一化。 - feat_proj_dropout (
float
, 可选, 默认为 0.0) — 特征编码器输出的丢弃概率。 - feat_extract_activation (
str,
可选, 默认为
“gelu”) -- 特征提取器中 1D 卷积层的非线性激活函数(函数或字符串)。如果为字符串,支持
“gelu”、
“relu”、
“selu”和
“gelu_new”`。 - conv_dim (
tuple[int]
或list[int]
, 可选, 默认为(512, 512, 512, 512, 512, 512, 512)
) — 一个整数元组,定义了特征编码器中每个 1D 卷积层的输入和输出通道数。conv_dim 的长度定义了 1D 卷积层的数量。 - conv_stride (
tuple[int]
或list[int]
, 可选, 默认为(5, 2, 2, 2, 2, 2, 2)
) — 一个整数元组,定义了特征编码器中每个 1D 卷积层的步幅。conv_stride 的长度定义了卷积层的数量,并且必须与 conv_dim 的长度匹配。 - conv_kernel (
tuple[int]
或list[int]
, 可选, 默认为(10, 3, 3, 3, 3, 3, 3)
) — 一个整数元组,定义了特征编码器中每个 1D 卷积层的核大小。conv_kernel 的长度定义了卷积层的数量,并且必须与 conv_dim 的长度匹配。 - conv_bias (
bool
, 可选, 默认为False
) — 1D 卷积层是否包含偏置。 - num_conv_pos_embeddings (
int
, 可选, 默认为 128) — 卷积位置嵌入的数量。定义了 1D 卷积位置嵌入层的核大小。 - num_conv_pos_embedding_groups (
int
, 可选, 默认为 16) — 1D 卷积位置嵌入层的组数。 - do_stable_layer_norm (
bool
, 可选, 默认为False
) — 是否应用 Transformer 编码器的*稳定*层归一化架构。`do_stable_layer_norm 为 True` 对应于在注意力层之前应用层归一化,而 `do_stable_layer_norm 为 False` 对应于在注意力层之后应用层归一化。 - apply_spec_augment (
bool
, 可选, 默认为True
) — 是否对特征编码器的输出应用 *SpecAugment* 数据增强。参考 SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition。 - mask_time_prob (
float
, 可选, 默认为 0.05) — 时间轴上每个特征向量被选为要掩蔽的向量跨度起点的概率。大约有 `mask_time_prob * sequence_length // mask_time_length` 个特征向量将在时间轴上被掩蔽。这仅在 `apply_spec_augment 为 True` 时相关。 - mask_time_length (
int
, 可选, 默认为 10) — 沿时间轴的向量跨度长度。 - mask_time_min_masks (
int
, 可选, 默认为 2),— 沿时间轴生成的长度为 `mask_feature_length` 的掩码的最小数量,每个时间步都生成,与 `mask_feature_prob` 无关。仅当 `mask_time_prob*len(time_axis)/mask_time_length < mask_time_min_masks` 时相关。 - mask_feature_prob (
float
, 可选, 默认为 0.0) — 特征轴上每个特征向量被选为要掩蔽的向量跨度起点的概率。大约有 `mask_time_prob * hidden_size // mask_time_length` 个特征向量将在时间轴上被掩蔽。这仅在 `apply_spec_augment 为 True` 时相关。 - mask_feature_length (
int
, 可选, 默认为 10) — 沿特征轴的向量跨度长度。 - num_codevectors_per_group (
int
, 可选, 默认为 320) — 每个量化码本(组)中的条目数。 - num_codevector_groups (
int
, 可选, 默认为 2) — 用于乘积码矢量量化的码矢量组数。 - contrastive_logits_temperature (
float
, 可选, 默认为 0.1) — 对比损失中的温度 *kappa*。 - num_negatives (
int
, 可选, 默认为 100) — 对比损失的负样本数量。 - codevector_dim (
int
, 可选, 默认为 256) — 量化特征向量的维度。 - proj_codevector_dim (
int
, 可选, 默认为 256) — 量化特征和 Transformer 特征最终投影的维度。 - diversity_loss_weight (
int
, 可选, 默认为 0.1) — 码本多样性损失分量的权重。 - ctc_loss_reduction (
str
, 可选, 默认为"mean"
) — 指定应用于 `torch.nn.CTCLoss` 输出的规约方式。仅在训练 WavLMForCTC 实例时相关。 - ctc_zero_infinity (
bool
, 可选, 默认为False
) — 是否将 `torch.nn.CTCLoss` 的无穷大损失及其相关梯度置零。无穷大损失主要发生在输入太短而无法与目标对齐时。仅在训练 WavLMForCTC 实例时相关。 - use_weighted_layer_sum (
bool
, 可选, 默认为False
) — 是否使用带有学习权重的层输出的加权平均。仅在使用 WavLMForSequenceClassification 实例时相关。 - classifier_proj_size (
int
, 可选, 默认为 256) — 分类任务中,词元均值池化前投影的维度。 - tdnn_dim (
tuple[int]
或list[int]
, 可选, 默认为(512, 512, 512, 512, 1500)
) — 一个整数元组,定义了 *XVector* 模型 *TDNN* 模块中每个 1D 卷积层的输出通道数。tdnn_dim 的长度定义了 *TDNN* 层的数量。 - tdnn_kernel (
tuple[int]
或list[int]
,可选,默认为(5, 3, 3, 1, 1)
) — 定义 XVector 模型中 TDNN 模块内每个一维卷积层内核大小的整数元组。tdnn_kernel 的长度必须与 tdnn_dim 的长度相匹配。 - tdnn_dilation (
tuple[int]
或list[int]
,可选,默认为(1, 2, 3, 1, 1)
) — 定义 XVector 模型中 TDNN 模块内每个一维卷积层扩张因子的整数元组。tdnn_dilation 的长度必须与 tdnn_dim 的长度相匹配。 - xvector_output_dim (
int
,可选,默认为 512) — XVector 嵌入向量的维度。 - add_adapter (
bool
,可选,默认为False
) — 是否在 Wav2Vec2 编码器之上堆叠一个卷积网络。这对于 SpeechEncoderDecoder 模型的 Wav2Vec2 热启动非常有用。 - adapter_kernel_size (
int
,可选,默认为 3) — 适配器网络中卷积层的内核大小。仅在 `add_adapter 为 True` 时相关。 - adapter_stride (
int
,可选,默认为 2) — 适配器网络中卷积层的步长。仅在 `add_adapter 为 True` 时相关。 - num_adapter_layers (
int
,可选,默认为 3) — 适配器网络中应使用的卷积层数量。仅在 `add_adapter 为 True` 时相关。 - output_hidden_size (
int
,可选) — 编码器输出层的维度。如果未定义,则默认为 *hidden-size*。仅在 `add_adapter 为 True` 时相关。
这是一个用于存储 WavLMModel 配置的配置类。它用于根据指定的参数实例化一个 WavLM 模型,定义模型架构。使用默认值实例化配置将产生与 WavLM microsoft/wavlm-base 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 WavLMConfig, WavLMModel
>>> # Initializing a WavLM facebook/wavlm-base-960h style configuration
>>> configuration = WavLMConfig()
>>> # Initializing a model (with random weights) from the facebook/wavlm-base-960h style configuration
>>> model = WavLMModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
WavLMModel
class transformers.WavLMModel
< 来源 >( config: WavLMConfig )
参数
- config (WavLMConfig) — 包含模型所有参数的模型配置类。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
裸的 Wavlm 模型,输出原始的隐藏状态,顶部没有任何特定的头。
该模型继承自 PreTrainedModel。请查阅超类文档,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、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。
forward
< 来源 >( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None mask_time_indices: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.Wav2Vec2BaseModelOutput 或 tuple(torch.FloatTensor)
参数
- input_values (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 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list[float]
或numpy.ndarray
类型的数组中获得这些值,例如,通过 soundfile 库(pip install soundfile
)。要将数组准备成input_values
,应使用 AutoProcessor 进行填充并转换为torch.FloatTensor
类型的张量。有关详细信息,请参阅{processor_class}.__call__
。 - attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充标记索引上执行注意力机制的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被遮蔽,
- 0 表示标记已被遮蔽。
- mask_time_indices (
torch.BoolTensor
,形状为(batch_size, sequence_length)
,可选) — 用于掩蔽提取特征以进行对比损失的索引。在训练模式下,模型学习在 *config.proj_codevector_dim* 空间中预测被掩蔽的提取特征。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的 `attentions`。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 `hidden_states`。 - return_dict (
bool
,可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。
返回
transformers.modeling_outputs.Wav2Vec2BaseModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Wav2Vec2BaseModelOutput 或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含根据配置(WavLMConfig)和输入而变化的不同元素。
-
last_hidden_state (
torch.FloatTensor
, 形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出的隐藏状态序列。 -
extract_features (
torch.FloatTensor
形状为(batch_size, sequence_length, conv_dim[-1])
) — 模型最后一个卷积层的提取特征向量序列。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(一个用于嵌入层的输出,一个用于每层的输出)。模型在每个层输出的隐藏状态加上初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组(每层一个)。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
WavLMModel 的前向方法会覆盖 `__call__` 特殊方法。
尽管前向传递的流程需要在此函数中定义,但之后应该调用 `Module` 实例而不是此函数,因为前者会处理预处理和后处理步骤,而后者会静默忽略它们。
WavLMForCTC
class transformers.WavLMForCTC
< 来源 >( config target_lang: typing.Optional[str] = None )
参数
- config (WavLMForCTC) — 包含模型所有参数的模型配置类。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
- target_lang (
str
,可选) — 适配器权重的语言 ID。适配器权重以 adapter.<lang>.safetensors 或 adapter.<lang>.bin 的格式存储。仅在使用带适配器的 WavLMForCTC 实例时相关。默认使用‘eng’。
WavLM 模型顶部带有一个用于连接时序分类(CTC)的 `语言建模` 头。
该模型继承自 PreTrainedModel。请查阅超类文档,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、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。
forward
< 来源 >( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None ) → transformers.modeling_outputs.CausalLMOutput 或 tuple(torch.FloatTensor)
参数
- input_values (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 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list[float]
或numpy.ndarray
类型的数组中获得这些值,例如,通过 soundfile 库(pip install soundfile
)。要将数组准备成input_values
,应使用 AutoProcessor 进行填充并转换为torch.FloatTensor
类型的张量。有关详细信息,请参阅{processor_class}.__call__
。 - attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充标记索引上执行注意力机制的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被遮蔽,
- 0 表示标记已被遮蔽。
- 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,请参阅返回张量下的 `attentions`。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 `hidden_states`。 - return_dict (
bool
,可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。 - labels (
torch.LongTensor
,形状为(batch_size, target_length)
,可选) — 用于连接时序分类的标签。注意 `target_length` 必须小于或等于输出 logits 的序列长度。索引在 `[-100, 0, ..., config.vocab_size - 1]` 中选择。所有设置为 `-100` 的标签都将被忽略(遮蔽),损失仅对 `[0, ..., config.vocab_size - 1]` 中的标签进行计算。
返回
transformers.modeling_outputs.CausalLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutput 或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含根据配置(WavLMConfig)和输入而变化的不同元素。
-
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 token 预测)。 -
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)。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出)。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组(每层一个)。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
WavLMForCTC 的前向方法会覆盖 `__call__` 特殊方法。
尽管前向传递的流程需要在此函数中定义,但之后应该调用 `Module` 实例而不是此函数,因为前者会处理预处理和后处理步骤,而后者会静默忽略它们。
示例
>>> from transformers import AutoProcessor, WavLMForCTC
>>> 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("microsoft/wavlm-base")
>>> model = WavLMForCTC.from_pretrained("microsoft/wavlm-base")
>>> # 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)
...
WavLMForSequenceClassification
class transformers.WavLMForSequenceClassification
< 来源 >( config )
参数
- config (WavLMForSequenceClassification) — 包含模型所有参数的模型配置类。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
WavLM 模型顶部带有一个序列分类头(池化输出上的一个线性层),用于诸如 SUPERB 关键词识别等任务。
该模型继承自 PreTrainedModel。请查阅超类文档,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、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。
forward
< 来源 >( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None ) → transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
参数
- input_values (
torch.FloatTensor
,形状为(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list[float]
或numpy.ndarray
类型的数组中获得这些值,例如,通过 soundfile 库(pip install soundfile
)。要将数组准备成input_values
,应使用 AutoProcessor 进行填充并转换为torch.FloatTensor
类型的张量。有关详细信息,请参阅WavLMProcessor.__call__
。 - attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充标记索引上执行注意力机制的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被遮蔽,
- 0 表示标记已被遮蔽。
- 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,请参阅返回张量下的 `attentions`。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 `hidden_states`。 - return_dict (
bool
,可选) — 是否返回一个 ModelOutput 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)。
返回
transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含根据配置(WavLMConfig)和输入而变化的不同元素。
-
loss (形状为
(1,)
的torch.FloatTensor
,可选,当提供labels
时返回) — 分类损失(如果 config.num_labels==1,则为回归损失)。 -
logits (形状为
(batch_size, config.num_labels)
的torch.FloatTensor
) — 分类(如果 config.num_labels==1,则为回归)分数(SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出)。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组(每层一个)。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
WavLMForSequenceClassification 的前向方法会覆盖 `__call__` 特殊方法。
尽管前向传递的流程需要在此函数中定义,但之后应该调用 `Module` 实例而不是此函数,因为前者会处理预处理和后处理步骤,而后者会静默忽略它们。
单标签分类示例
>>> import torch
>>> from transformers import AutoTokenizer, WavLMForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/wavlm-base")
>>> model = WavLMForSequenceClassification.from_pretrained("microsoft/wavlm-base")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_class_id = logits.argmax().item()
>>> model.config.id2label[predicted_class_id]
...
>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = WavLMForSequenceClassification.from_pretrained("microsoft/wavlm-base", num_labels=num_labels)
>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss
>>> round(loss.item(), 2)
...
多标签分类示例
>>> import torch
>>> from transformers import AutoTokenizer, WavLMForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/wavlm-base")
>>> model = WavLMForSequenceClassification.from_pretrained("microsoft/wavlm-base", problem_type="multi_label_classification")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]
>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = WavLMForSequenceClassification.from_pretrained(
... "microsoft/wavlm-base", num_labels=num_labels, problem_type="multi_label_classification"
... )
>>> labels = torch.sum(
... torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1
... ).to(torch.float)
>>> loss = model(**inputs, labels=labels).loss
WavLMForAudioFrameClassification
class transformers.WavLMForAudioFrameClassification
< 来源 >( config )
参数
- config (WavLMForAudioFrameClassification) — 包含模型所有参数的模型配置类。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
Wavlm 模型顶部带有一个帧分类头,用于诸如说话人日志分割等任务。
该模型继承自 PreTrainedModel。请查阅超类文档,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、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。
forward
< 来源 >( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)
参数
- input_values (
torch.FloatTensor
,形状为(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list[float]
或numpy.ndarray
类型的数组中获得这些值,例如,通过 soundfile 库(pip install soundfile
)。要将数组准备成input_values
,应使用 AutoProcessor 进行填充并转换为torch.FloatTensor
类型的张量。有关详细信息,请参阅WavLMProcessor.__call__
。 - attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充标记索引上执行注意力机制的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被遮蔽,
- 0 表示标记已被遮蔽。
- 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)。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的 `attentions`。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 `hidden_states`。 - return_dict (
bool
,可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。
返回
transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.TokenClassifierOutput 或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含根据配置(WavLMConfig)和输入而变化的不同元素。
-
loss (形状为
(1,)
的torch.FloatTensor
,可选,当提供labels
时返回) — 分类损失。 -
logits (形状为
(batch_size, sequence_length, config.num_labels)
的torch.FloatTensor
) — 分类分数(SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出)。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组(每层一个)。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
WavLMForAudioFrameClassification 的前向方法会覆盖 `__call__` 特殊方法。
尽管前向传递的流程需要在此函数中定义,但之后应该调用 `Module` 实例而不是此函数,因为前者会处理预处理和后处理步骤,而后者会静默忽略它们。
示例
>>> from transformers import AutoFeatureExtractor, WavLMForAudioFrameClassification
>>> 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
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/wavlm-base")
>>> model = WavLMForAudioFrameClassification.from_pretrained("microsoft/wavlm-base")
>>> # audio file is decoded on the fly
>>> inputs = feature_extractor(dataset[0]["audio"]["array"], return_tensors="pt", sampling_rate=sampling_rate)
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> probabilities = torch.sigmoid(logits[0])
>>> # labels is a one-hot array of shape (num_frames, num_speakers)
>>> labels = (probabilities > 0.5).long()
>>> labels[0].tolist()
...
WavLMForXVector
class transformers.WavLMForXVector
< 源代码 >( config )
参数
- config (WavLMForXVector) — 包含模型所有参数的模型配置类。使用配置文件进行初始化时,不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
WavLM 模型,顶部带有一个用于说话人验证等任务的 XVector 特征提取头。
该模型继承自 PreTrainedModel。请查阅超类文档,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、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。
forward
< 源代码 >( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None ) → transformers.modeling_outputs.XVectorOutput 或 tuple(torch.FloatTensor)
参数
- input_values (
torch.FloatTensor
,形状为(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
的数组中来获取这些值,例如通过 soundfile 库(pip install soundfile
)。为了将数组准备成input_values
,应使用 AutoProcessor 进行填充并转换为torch.FloatTensor
类型的张量。有关详细信息,请参阅WavLMProcessor.__call__
。 - attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充标记索引上执行注意力机制的掩码。掩码值的选择范围为[0, 1]
:- 1 表示标记未被遮盖,
- 0 表示标记已被遮盖。
- output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是普通的元组。 - 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)。
返回
transformers.modeling_outputs.XVectorOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.XVectorOutput 或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含根据配置(WavLMConfig)和输入的不同元素。
-
loss (形状为
(1,)
的torch.FloatTensor
,可选,当提供labels
时返回) — 分类损失。 -
logits (形状为
(batch_size, config.xvector_output_dim)
的torch.FloatTensor
) — AMSoftmax 之前的分类隐藏状态。 -
embeddings (形状为
(batch_size, config.xvector_output_dim)
的torch.FloatTensor
) — 用于基于向量相似性检索的话语嵌入。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(一个用于嵌入层的输出,一个用于每层的输出)。模型在每个层输出的隐藏状态加上初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组(每层一个)。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
WavLMForXVector 的 forward 方法覆盖了 __call__
特殊方法。
尽管前向传递的流程需要在此函数中定义,但之后应该调用 `Module` 实例而不是此函数,因为前者会处理预处理和后处理步骤,而后者会静默忽略它们。
示例
>>> from transformers import AutoFeatureExtractor, WavLMForXVector
>>> 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
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/wavlm-base")
>>> model = WavLMForXVector.from_pretrained("microsoft/wavlm-base")
>>> # audio file is decoded on the fly
>>> inputs = feature_extractor(
... [d["array"] for d in dataset[:2]["audio"]], sampling_rate=sampling_rate, return_tensors="pt", padding=True
... )
>>> with torch.no_grad():
... embeddings = model(**inputs).embeddings
>>> embeddings = torch.nn.functional.normalize(embeddings, dim=-1).cpu()
>>> # the resulting embeddings can be used for cosine similarity-based retrieval
>>> cosine_sim = torch.nn.CosineSimilarity(dim=-1)
>>> similarity = cosine_sim(embeddings[0], embeddings[1])
>>> threshold = 0.7 # the optimal threshold is dataset-dependent
>>> if similarity < threshold:
... print("Speakers are not the same!")
>>> round(similarity.item(), 2)
...