参数

• input_features （形状为tf.Tensor的（batch_size, feature_size, sequence_length）特征浮点值）— 从原始语音波形中提取的fbank特征浮点值。原始语音波形可以通过将.flac或.wav音频文件加载到类型为List[float]或numpy.ndarray的数组中来获得，例如使用soundfile库（pip install soundfile）。要将数组准备成 input_features，应使用AutoFeatureExtractor来提取fbank特征、填充并转换为类型为tf.Tensor的张量。请参阅call()。
• decoder_input_ids （形状为tf.Tensor的(batch_size, target_sequence_length)，非必需）— 词汇表中的解码器输入序列标记的索引。

  索引可以使用SpeechToTextTokenizer获取。请参阅PreTrainedTokenizer.encode("和PreTrainedTokenizer.call().

• decoder_attention_mask （形状为 (batch_size, target_sequence_length) 的 tf.Tensor，可选） — 默认操作：生成一个忽略 decoder_input_ids 中的垫片标记的张量。默认情况下还会使用因果掩码。

  如果您想更改填充行为，应阅读 modeling_whisper._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。

• head_mask （形状为 (encoder_layers, encoder_attention_heads) 的 tf.Tensor，可选） — 用于取消编码器中注意力模块选择的头部的掩码。掩码值选择范围在 [0, 1]：
  • 1 表示头部没有被 掩码;
  • 0 表示头部被 掩码。
• decoder_head_mask （形状为 (decoder_layers, decoder_attention_heads) 的 tf.Tensor，可选） — 用于取消解码器中注意力模块选择的头部的掩码。掩码值选择范围在 [0, 1]：
  • 1 表示头部没有被 掩码;
  • 0 表示头部被 掩码。
• cross_attn_head_mask (tf.Tensor of shape (decoder_layers, decoder_attention_heads), 可选) — 用于取消激活跨注意力模块中选定头的掩码。掩码值选择在 [0, 1] 范围内：
  • 1 表示头 未掩码，
  • 0 表示头 已掩码。
• encoder_outputs (tuple(tuple(tf.Tensor), 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。用于解码器的跨注意力中。
• output_attentions (bool, 可选) — 是否返回所有注意力层的结果张量。请参阅返回张量下的 attentions 以获取更多详细信息。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。请参阅返回张量下的 hidden_states 以获取更多详细信息。
• return_dict (bool, 可选) — 是否返回ModelOutput对象而不是普通元组。

一个transformers.modeling_tf_outputs.TFSeq2SeqModelOutput对象或一个包含各种元素（根据配置（WhisperConfig）和输入进行组合的tf.Tensor元组（如果传递了return_dict=False或当config.return_dict=False）。

• last_hidden_state （模型编码器最后一个层输出时的隐藏状态张量tf.Tensor的形状为(batch_size, sequence_length, hidden_size)）

  如果使用past_key_values，则只输出序列的最后一个隐藏状态，形状为(batch_size, 1, hidden_size)。

• past_key_values （当传递use_cache=True时返回的List[tf.Tensor]，可选，每个张量的形状为(2, batch_size, num_heads, sequence_length, embed_size_per_head)。）

  包含预计算的解码器隐藏状态（注意力块中的键和值），可用于（见 past_key_values 输入）加速顺序解码。

• decoder_hidden_states (tuple(tf.Tensor), 可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元组（嵌入式输出 + 各层输出）。

  每个层输出的解码器隐藏状态以及初始嵌入输出。

• decoder_attentions (tuple(tf.Tensor), 可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元组（每层一个）。

  解码器的注意力权重，在注意力softmax后使用，用于计算自注意力头中的加权平均。

• cross_attentions (tuple(tf.Tensor), 可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元组（每层一个）。

  解码器交叉注意力层的注意力权重，在注意力softmax后使用，用于计算交叉注意力头中的加权平均。

• encoder_last_hidden_state (tf.Tensor 形状为 (batch_size, sequence_length, hidden_size), 可选) — 模型编码器最后层输出的隐藏状态序列。

• encoder_hidden_states (tuple(tf.Tensor), 可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元组（嵌入式输出 + 各层输出）。

  每个层输出的编码器隐藏状态以及初始嵌入输出。

• encoder_attentions (tuple(tf.Tensor), 可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元组（每层一个）。

  编码器的注意力权重，在注意力softmax后使用，用于计算自注意力头中的加权平均。

参数

• input_features (tf.Tensor of shape (batch_size, feature_size, sequence_length)) — 从原始语音波形中提取的fbank特征的浮点值。可以通过加载.flac或.wav音频文件到一个类型为List[float]或numpy.ndarray的数组中（例如通过soundfile库（pip install soundfile））来获取原始语音波形。为了准备数组到input_features，应使用AutoFeatureExtractor提取fbank特征、填充和转换为类型为tf.Tensor的张量。参见call()。
• decoder_input_ids (tf.Tensor of shape (batch_size, target_sequence_length), optional) — 词典中解码器输入序列标记的索引。

  可以使用SpeechToTextTokenizer获取索引。有关详细信息，请参阅PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  解码器输入ID是什么？

  SpeechToText使用eos_token_id作为decoder_input_ids生成的起始标记。如果使用past_key_values，则可选地仅需输入最后的decoder_input_ids（请参阅past_key_values）。

• decoder_attention_mask (tf.Tensor 的形状为 (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。默认情况下还会使用因果掩码。

  如果您想更改填充行为，应阅读 modeling_whisper._prepare_decoder_attention_mask 并根据您的需求进行修改。更多信息见论文中的图1。

• head_mask (tf.Tensor 的形状为 (encoder_layers, encoder_attention_heads), 可选) — 用于使编码器中注意力模块的部分头部失效的掩码。选中的掩码值在 [0, 1]：
  • 1 表示头部 未被掩码，
  • 0 表示头部 被掩码。
• decoder_head_mask (tf.Tensor 的形状为 (decoder_layers, decoder_attention_heads), 可选) — 用于使解码器中注意力模块的部分头部失效的掩码。选中的掩码值在 [0, 1]：
  • 1 表示头部 未被掩码，
  • 0 表示头部 被掩码。
• cross_attn_head_mask (tf.Tensor 的形状为 (decoder_layers, decoder_attention_heads)，可选) — 用于取消激活循环注意力模块中选择的头部的掩码。掩码值在 [0, 1] 中选择：
  • 1 代表头 未掩码，
  • 0 代表头 已掩码。
• encoder_outputs (tuple(tuple(tf.Tensor)，可选) — 由以下内容构成的元组：（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> 是编码器最后层输出的隐藏状态序列。用于解码器的交叉注意力中。
• past_key_values (tuple(tuple(tf.Tensor)), 可选，当传递use_cache=True时返回或当config.use_cache=True时返回) — 长度为config.n_layers的tuple(tuple(tf.Tensor))元组，每个元组包含2个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的tensor和2个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的tensor。
  包含预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于（参见past_key_values输入）加速序列解码。
  如果使用past_key_values，用户可以选择只输入形状为(batch_size, 1)的最后decoder_input_ids（那些没有将过去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decoder_input_ids。
• decoder_inputs_embeds (tf.Tensor为(batch_size, target_sequence_length, hidden_size)形状，可选) — 可选择直接传递嵌入表示，而不是传递decoder_input_ids。如果使用past_key_values，可选地只需输入最后的decoder_inputs_embeds（参见past_key_values）。当你想要比模型的内部嵌入查找矩阵有更多控制权将decoder_input_ids索引转换为相关向量时，这很有用。
• use_cache (bool, 可选) — 如果设置为 True，将返回 past_key_values 键值状态，可以用于加速解码（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。有关详细信息，请参阅返回的张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息，请参阅返回的张量下的 hidden_states。
• return_dict (bool, optional) — 是否返回ModelOutput对象而不是普通元组。
• labels (tf.Tensor of shape (batch_size, sequence_length), optional) — 计算语言模型损失的标签。索引应在 [0, ..., config.vocab_size] 或 -100（见 input_ids 文档字符串）之间。设置为 -100 的索引的标记将被忽略（掩码），只计算包含标签 [0, ..., config.vocab_size] 的标记的损失。

transformers.modeling_tf_outputs.TFSeq2SeqLMOutput 或一个tf.Tensor的元组（如果传递了 return_dict=False 或 config.return_dict=False），包括根据配置（WhisperConfig）和输入的各种元素。

• loss (tf.Tensor of shape (n,), optional, where n is the number of non-masked labels, returned when labels is provided) — 语言模型损失。

• logits (tf.Tensor of shape (batch_size, sequence_length, config.vocab_size)) — 语言模型头部的预测分数（在 SoftMax 之前的每个词汇的分数）。

• past_key_values （当传递use_cache=True时返回的List[tf.Tensor]，可选，每个张量的形状为(2, batch_size, num_heads, sequence_length, embed_size_per_head)。）

  包含预计算的解码器隐藏状态（注意力块中的键和值），可用于（见 past_key_values 输入）加速顺序解码。

• decoder_hidden_states (tuple(tf.Tensor), 可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元组（嵌入式输出 + 各层输出）。

  每个层输出的解码器隐藏状态以及初始嵌入输出。

• decoder_attentions (tuple(tf.Tensor), 可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元组（每层一个）。

  解码器的注意力权重，在注意力softmax后使用，用于计算自注意力头中的加权平均。

• cross_attentions (tuple(tf.Tensor), 可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元组（每层一个）。

  解码器交叉注意力层的注意力权重，在注意力softmax后使用，用于计算交叉注意力头中的加权平均。

• encoder_last_hidden_state (tf.Tensor 形状为 (batch_size, sequence_length, hidden_size), 可选) — 模型编码器最后层输出的隐藏状态序列。

• encoder_hidden_states (tuple(tf.Tensor), 可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元组（嵌入式输出 + 各层输出）。

  每个层输出的编码器隐藏状态以及初始嵌入输出。

• encoder_attentions (tuple(tf.Tensor), 可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元组（每层一个）。

  编码器的注意力权重，在注意力softmax后使用，用于计算自注意力头中的加权平均。

参数

• input_features (numpy.ndarray of shape (batch_size, feature_size, sequence_length)) — 从原始语音波形提取的梅尔特征浮点值。原始语音波形可以通过将 .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，例如通过 soundfile 库（pip install soundfile）。要准备数组为 input_features，应使用 WhisperFeatureExtractor 提取特征、填充并转换为类型为 numpy.ndarray 的张量。请参阅 call()
• attention_mask (numpy.ndarray 尺寸为 (batch_size, sequence_length)，可选) — Whisper 不支持 input_features 的遮蔽，此参数保留以兼容性，但未使用。默认情况下，输入日志梅尔谱图中沉默部分将被忽略。
• decoder_input_ids (numpy.ndarray 尺寸为 (batch_size, target_sequence_length)，可选) — 解码器输入序列令牌在词汇表中的索引。可以使用 WhisperTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。解码器输入ID是什么？ Whisper 使用 decoder_start_token_id 作为 decoder_input_ids 生成的起始令牌。
• decoder_attention_mask (numpy.ndarray 尺寸为 (batch_size, target_sequence_length)，可选) — 默认行为：生成一个忽略 decoder_input_ids 中填充令牌的张量。默认情况下还将使用因果掩码。如果您想更改填充行为，应修改以满足您的需求。有关默认策略的更多信息，请参阅 论文 中的图 1。
• position_ids (numpy.ndarray 形状为 (batch_size, sequence_length)， 可选) - Whisper 在编码器中不使用 position_ids 作为 input_features 总是相同的大小且不使用掩码，但为了兼容性保留此参数。默认情况下，输入对数梅尔频谱图中的静音被忽略。
• decoder_position_ids (numpy.ndarray 形状为 (batch_size, sequence_length)， 可选) - 每个解码器输入序列标记在整个位置嵌入中的位置索引。选择在范围 [0, config.max_position_embeddings - 1] 内。
• 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，请参阅返回的张量下的 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对象而不是普通元组。

A transformers.modeling_flax_outputs.FlaxSeq2SeqModelOutput或是一个包含torch.FloatTensor的元组（当return_dict=False被传入或当config.return_dict=False时），它包含各种元素，这些元素取决于配置（WhisperConfig）和输入。

• last_hidden_state （形状为(batch_size, sequence_length, hidden_size)的jnp.ndarray）— 模型解码器输出最后层的隐藏状态序列。

  如果使用past_key_values，则只输出序列的最后一个隐藏状态，形状为(batch_size, 1, hidden_size)。

• past_key_values （形状为tuple(tuple(jnp.ndarray))的元组，可选，在传入use_cache=True或config.use_cache=True时返回）— 长度为config.n_layers的tuple(jnp.ndarray)的元组，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个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的张量。

  包含预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可以在需要时使用（见past_key_values输入）以加速顺序解码。

• decoder_hidden_states （形状为tuple(jnp.ndarray)的元组，可选，在传入output_hidden_states=True或config.output_hidden_states=True时返回）— 包含嵌入输出和每个层输出的形状为(batch_size, sequence_length, hidden_size)的jnp.ndarray的元组。

  每个层输出的解码器隐藏状态以及初始嵌入输出。

• decoder_attentions （形状为tuple(jnp.ndarray)的元组，可选，在传入output_attentions=True或config.output_attentions=True时返回）— 包含每个层的形状为(batch_size, num_heads, sequence_length, sequence_length)的jnp.ndarray的元组。

  解码器的注意力权重，在注意力softmax后使用，用于计算自注意力头中的加权平均。

• cross_attentions (jnp.ndarray的元组，可选，当传递output_attentions=True或config.output_attentions=True时返回) — 包含每个层jnp.ndarray的元组（每个层一个），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后使用，用于计算交叉注意力头中的加权平均。

• encoder_last_hidden_state (形状为(batch_size, sequence_length, hidden_size)的jnp.ndarray，可选) — 模型编码器最后一层输出的隐藏状态序列。

• encoder_hidden_states (jnp.ndarray的元组，可选，当传递output_hidden_states=True或config.output_hidden_states=True时返回) — 包含每个层（从嵌入层的输出到一个层的输出）的jnp.ndarray的元组，形状为(batch_size, sequence_length, hidden_size)。

  每个层输出的编码器隐藏状态以及初始嵌入输出。

• encoder_attentions (jnp.ndarray的元组，可选，当传递output_attentions=True或config.output_attentions=True时返回) — 包含每个层jnp.ndarray的元组（每个层一个），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后使用，用于计算自注意力头中的加权平均。

参数

• input_features （形状为 (batch_size, feature_size, sequence_length) 的 numpy.ndarray）——从原始语音波形提取的梅尔特征浮点值。原始语音波形可以通过将 .flac 或 .wav 音频文件加载到一个类型为 List[float] 或 numpy.ndarray 的数组中获取，例如通过 soundfile 库（pip install soundfile）实现。要将数组准备为 input_features，应使用 WhisperFeatureExtractor 来提取特征、填充并将其转换为类型为 numpy.ndarray 的张量。请参阅 call()
• attention_mask （形状为 (batch_size, sequence_length) 的 numpy.ndarray，可选）——Whisper 不支持对 input_features 进行掩码，此参数保留以供兼容，但不使用。默认情况下，输入对数梅尔频谱图中的静音将被忽略。
• decoder_input_ids (numpy.ndarray of shape (batch_size, target_sequence_length), optional) — 词汇表中解码器输入序列标记的索引。可以使用 WhisperTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。解码器输入ID是什么？ Whisper 使用 decoder_start_token_id 作为 decoder_input_ids 生成的起始标记。
• decoder_attention_mask (numpy.ndarray of shape (batch_size, target_sequence_length), optional) — 默认行为：生成一个忽略垫子标记的 decoder_input_ids 的张量。默认情况下，还将使用因果掩码。如果您想更改填充行为，应修改以满足需求。有关默认策略的更多信息，请参阅论文中的图1。
• position_ids (numpy.ndarray of shape (batch_size, sequence_length), optional) — Whisper 不在编码器中使用 position_ids 作为 input_features 的大小总是相同，不使用掩码，但为了兼容性保留了此参数。默认情况下，忽略输入对数梅尔频谱图中的静音。
• decoder_position_ids （numpy.ndarray 形为 (batch_size, sequence_length) 的数组，可选） — 每个解码输入序列标记在位置嵌入中的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。
• 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, optional) — 是否返回 ModelOutput 而不是普通的元组。

A transformers.modeling_flax_outputs.FlaxSeq2SeqLMOutput 或由 torch.FloatTensor 组成的元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含根据配置（WhisperConfig）和输入的不同元素。

• logits (jnp.ndarray of shape (batch_size, sequence_length, config.vocab_size)) —— 语言建模头部的预测分数（在 SoftMax 之前每个词汇表符号的分数）。

• past_key_values （形状为tuple(tuple(jnp.ndarray))的元组，可选，在传入use_cache=True或config.use_cache=True时返回）— 长度为config.n_layers的tuple(jnp.ndarray)的元组，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个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的张量。

  包含预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可以在需要时使用（见past_key_values输入）以加速顺序解码。

• decoder_hidden_states （形状为tuple(jnp.ndarray)的元组，可选，在传入output_hidden_states=True或config.output_hidden_states=True时返回）— 包含嵌入输出和每个层输出的形状为(batch_size, sequence_length, hidden_size)的jnp.ndarray的元组。

  每个层输出的解码器隐藏状态以及初始嵌入输出。

• decoder_attentions （形状为tuple(jnp.ndarray)的元组，可选，在传入output_attentions=True或config.output_attentions=True时返回）— 包含每个层的形状为(batch_size, num_heads, sequence_length, sequence_length)的jnp.ndarray的元组。

  解码器的注意力权重，在注意力softmax后使用，用于计算自注意力头中的加权平均。

• cross_attentions (jnp.ndarray的元组，可选，当传递output_attentions=True或config.output_attentions=True时返回) — 包含每个层jnp.ndarray的元组（每个层一个），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后使用，用于计算交叉注意力头中的加权平均。

• encoder_last_hidden_state (形状为(batch_size, sequence_length, hidden_size)的jnp.ndarray，可选) — 模型编码器最后一层输出的隐藏状态序列。

• encoder_hidden_states (jnp.ndarray的元组，可选，当传递output_hidden_states=True或config.output_hidden_states=True时返回) — 包含每个层（从嵌入层的输出到一个层的输出）的jnp.ndarray的元组，形状为(batch_size, sequence_length, hidden_size)。

  每个层输出的编码器隐藏状态以及初始嵌入输出。

• encoder_attentions (jnp.ndarray的元组，可选，当传递output_attentions=True或config.output_attentions=True时返回) — 包含每个层jnp.ndarray的元组（每个层一个），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后使用，用于计算自注意力头中的加权平均。

参数

• input_features (numpy.ndarray 形状 (batch_size, feature_size, sequence_length)) — 从原始语音波形中提取的梅尔特征浮点值。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（例如，通过 soundfile 库（pip install soundfile））来获取原始语音波形。要把数组准备成 input_features，应使用 WhisperFeatureExtractor 提取特征、填充并转换成一个类型为 numpy.ndarray 的张量。请参阅call()
• attention_mask (numpy.ndarray 形状 (batch_size, sequence_length)，可选) — Whisper 不支持对 input_features 进行屏蔽，此参数保留以保持兼容性，但未使用。默认情况下，输入对数梅尔频谱图中的静音将被忽略。
• decoder_input_ids (numpy.ndarray 形状为 (batch_size, target_sequence_length)，可选) — 词汇库中解码输入序列的标记索引。可以使用 WhisperTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。了解 解码输入ID是什么？ Whisper 使用 decoder_start_token_id 作为 decoder_input_ids 生成的起始标记。
• decoder_attention_mask (numpy.ndarray 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。如需更改填充行为，请根据您的需求进行修改。参见论文中的图1以获取更多关于默认策略的信息。
• position_ids (numpy.ndarray 形状为 (batch_size, sequence_length)，可选) — Whisper 在编码器中不使用 position_ids 作为 input_features 总是相同的大小并且不使用掩码，但此参数仍保留以保持兼容性。默认情况下，将忽略输入 log mel 声谱图中的静音。
• decoder_position_ids (numpy.ndarray of shape (batch_size, sequence_length), optional) — 每个解码器输入序列标记在位置嵌入中的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。
• output_attentions (bool, optional) — 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 (bool, optional) — 是否返回所有层的隐藏状态。有关详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回ModelOutput代替普通元组。

A transformers.modeling_flax_outputs.FlaxSequenceClassifierOutput或