ctc_decoder

torchaudio.models.decoder.ctc_decoder(lexicon: Optional[str], tokens: Union[str, List[str]], lm: Optional[Union[str, CTCDecoderLM]] = None, lm_dict: Optional[str] = None, nbest: int = 1, beam_size: int = 50, beam_size_token: Optional[int] = None, beam_threshold: float = 50, lm_weight: float = 2, word_score: float = 0, unk_score: float = -inf, sil_score: float = 0, log_add: bool = False, blank_token: str = '-', sil_token: str = '|', unk_word: str = '<unk>') → CTCDecoder

构建一个 CTCDecoder 实例。

参数

• lexicon (str 或 None) – 词典文件，包含可能的单词及其对应的拼写。每行包含一个单词和其空格分隔的拼写。如果为 None，则使用无词典解码。

• tokens (str 或 List[str]) – 包含有效 token 的文件或列表。如果使用文件，预期的格式是将映射到相同索引的 token 放在同一行。

• lm (str, CTCDecoderLM, 或 None, 可选) – KenLM 语言模型路径，类型为 CTCDecoderLM 的自定义语言模型，或者如果未使用语言模型则为 None。

• lm_dict (str 或 None, 可选) – 包含 LM 使用的词典的文件，每行一个单词，按 LM 索引排序。如果使用词典进行解码，lm_dict 中的条目也必须出现在词典文件中。如果为 None，则使用词典文件构建 LM 的词典。（默认：None）

• nbest (int, 可选) – 返回的最佳解码数量（默认：1）

• beam_size (int, 可选) – 每个解码步骤后要保留的假设的最大数量（默认：50）

• beam_size_token (int, 可选) – 每个解码步骤要考虑的 token 的最大数量。如果为 None，则设置为 token 的总数（默认：None）

• beam_threshold (float, 可选) – 用于修剪假设的阈值（默认：50）

• lm_weight (float, 可选) – 语言模型的权重（默认：2）

• word_score (float, 可选) – 单词插入分数（默认：0）

• unk_score (float, 可选) – 未知单词插入分数（默认：-inf）

• sil_score (float, 可选) – 静默插入分数（默认：0）

• log_add (bool, 可选) – 在合并假设时是否使用 logadd（默认：False）

• blank_token (str, 可选) – 对应 blank 的 token（默认：“-”）

• sil_token (str, 可选) – 对应静默的 token（默认：“|”)

• unk_word (str, 可选) – 对应未知的单词（默认：“<unk>”)

返回

decoder

返回类型

CTCDecoder

示例

>>> decoder = ctc_decoder(
>>>     lexicon="lexicon.txt",
>>>     tokens="tokens.txt",
>>>     lm="kenlm.bin",
>>> )
>>> results = decoder(emissions) # List of shape (B, nbest) of Hypotheses

使用 ctc_decoder 的教程

使用 CTC 解码器进行 ASR 推理

使用 CTC 解码器进行 ASR 推理