Wav2Vec2FABundle

class torchaudio.pipelines.Wav2Vec2FABundle

用于强制对齐的预训练 Wav2Vec2Model 相关信息的数据类。

此类提供用于实例化预训练模型以及检索预训练权重和模型附加数据所需信息的接口。

Torchaudio 库会实例化此类对象，每个对象代表一个不同的预训练模型。客户端代码应通过这些实例访问预训练模型。

请参阅下方以了解用法和可用值。

示例 - 特征提取

>>> import torchaudio
>>>
>>> bundle = torchaudio.pipelines.MMS_FA
>>>
>>> # Build the model and load pretrained weight.
>>> model = bundle.get_model()
Downloading:
100%|███████████████████████████████| 1.18G/1.18G [00:05<00:00, 216MB/s]
>>>
>>> # Resample audio to the expected sampling rate
>>> waveform = torchaudio.functional.resample(waveform, sample_rate, bundle.sample_rate)
>>>
>>> # Estimate the probability of token distribution
>>> emission, _ = model(waveform)
>>>
>>> # Generate frame-wise alignment
>>> alignment, scores = torchaudio.functional.forced_align(
>>>     emission, targets, input_lengths, target_lengths, blank=0)
>>>

使用 Wav2Vec2FABundle 的教程

CTC 强制对齐 API 教程

CTC 强制对齐 API 教程

多语言数据的强制对齐

多语言数据的强制对齐

使用 Wav2Vec2 进行强制对齐

使用 Wav2Vec2 进行强制对齐

属性

sample_rate

property Wav2Vec2FABundle.sample_rate: float

模型训练所使用的音频的采样率。

类型

浮点数

方法

get_aligner

Wav2Vec2FABundle.get_aligner() → Aligner

实例化一个 Aligner。

返回

Aligner

get_dict

Wav2Vec2FABundle.get_dict(star: Optional[str] = '*', blank: str = '-') → Dict[str, int]

获取从 token 到 index 的映射（在 emission 特征维度上）

参数

• star (str 或 None, 可选) – 更改或禁用 star token。（默认为 "*"）

• blank (str, 可选) – 更改 blank token。（默认为 '-'）

返回

对于在 ASR 上微调的模型，返回表示输出类别标签的字符串元组。

返回类型

Tuple[str, …]

示例

>>> from torchaudio.pipelines import MMS_FA as bundle
>>> bundle.get_dict()
{'-': 0, 'a': 1, 'i': 2, 'e': 3, 'n': 4, 'o': 5, 'u': 6, 't': 7, 's': 8, 'r': 9, 'm': 10, 'k': 11, 'l': 12, 'd': 13, 'g': 14, 'h': 15, 'y': 16, 'b': 17, 'p': 18, 'w': 19, 'c': 20, 'v': 21, 'j': 22, 'z': 23, 'f': 24, "'": 25, 'q': 26, 'x': 27, '*': 28}
>>> bundle.get_dict(star=None)
{'-': 0, 'a': 1, 'i': 2, 'e': 3, 'n': 4, 'o': 5, 'u': 6, 't': 7, 's': 8, 'r': 9, 'm': 10, 'k': 11, 'l': 12, 'd': 13, 'g': 14, 'h': 15, 'y': 16, 'b': 17, 'p': 18, 'w': 19, 'c': 20, 'v': 21, 'j': 22, 'z': 23, 'f': 24, "'": 25, 'q': 26, 'x': 27}

get_labels

Wav2Vec2FABundle.get_labels(star: Optional[str] = '*', blank: str = '-') → Tuple[str, ...]

获取与 emission 特征维度对应的标签。

第一个是 blank token，它是可自定义的。

参数

• star (str 或 None, 可选) – 更改或禁用 star token。（默认为 "*"）

• blank (str, 可选) – 更改 blank token。（默认为 '-'）

返回

对于在 ASR 上微调的模型，返回表示输出类别标签的字符串元组。

返回类型

Tuple[str, …]

示例

>>> from torchaudio.pipelines import MMS_FA as bundle
>>> bundle.get_labels()
('-', 'a', 'i', 'e', 'n', 'o', 'u', 't', 's', 'r', 'm', 'k', 'l', 'd', 'g', 'h', 'y', 'b', 'p', 'w', 'c', 'v', 'j', 'z', 'f', "'", 'q', 'x', '*')
>>> bundle.get_labels(star=None)
('-', 'a', 'i', 'e', 'n', 'o', 'u', 't', 's', 'r', 'm', 'k', 'l', 'd', 'g', 'h', 'y', 'b', 'p', 'w', 'c', 'v', 'j', 'z', 'f', "'", 'q', 'x')

get_model

Wav2Vec2FABundle.get_model(with_star: bool = True, *, dl_kwargs=None) → Module

构建模型并加载预训练权重。

权重文件将从互联网下载，并使用 torch.hub.load_state_dict_from_url() 进行缓存。

参数

• with_star (bool, 可选) – 如果启用，输出层的最后一个维度会扩展一个，对应于 star token。

• dl_kwargs (关键字参数字典) – 传递给 torch.hub.load_state_dict_from_url()。

返回

Wav2Vec2Model 的变体。

注意

通过此方法创建的模型返回的是对数域的概率（即应用了 torch.nn.functional.log_softmax()），而其他 Wav2Vec2 模型返回的是 logits。

get_tokenizer

Wav2Vec2FABundle.get_tokenizer() → Tokenizer

实例化一个 Tokenizer。

返回

Tokenizer