torchaudio.pipelines

torchaudio.pipelines 模块将预训练模型与支持函数和元数据打包到简单的 API 中，这些 API 专为执行特定任务而设计。

当使用预训练模型执行任务时，除了用预训练权重实例化模型外，客户端代码还需要以与训练时相同的方式构建用于特征提取和后处理的管道。这需要携带训练期间使用的信息，例如转换的类型及其参数（例如，采样率、FFT 桶的数量）。

为了使此信息与预训练模型绑定并易于访问，torchaudio.pipelines 模块使用了 Bundle 类的概念，该类定义了一组用于实例化管道的 API，以及管道的接口。

下图对此进行了说明。

预训练模型和相关管道表示为 Bundle 的实例。同一 Bundle 的不同实例共享接口，但其实现不受同一类型的限制。例如，SourceSeparationBundle 定义了执行音源分离的接口，但其实例 CONVTASNET_BASE_LIBRI2MIX 实例化了一个 ConvTasNet 模型，而 HDEMUCS_HIGH_MUSDB 实例化了一个 HDemucs 模型。尽管如此，由于它们共享相同的接口，所以用法是相同的。

注意

在内部，Bundle 的实现使用了来自其他 torchaudio 模块的组件，例如 torchaudio.models 和 torchaudio.transforms，甚至第三方库如 SentencPiece 和 DeepPhonemizer。但这种实现细节对库用户来说是抽象的。

RNN-T 流式/非流式 ASR

接口

RNNTBundle 定义了 ASR 管道，包括三个步骤：特征提取、推理和去标记化。

RNNTBundle	用于捆绑组件以使用 RNN-T 模型执行自动语音识别 (ASR, 语音到文本) 推理的数据类。
RNNTBundle.FeatureExtractor	RNN-T 管道特征提取部分的接口
RNNTBundle.TokenProcessor	RNN-T 管道标记处理器部分的接口

使用 RNNTBundle 的教程

使用 Emformer RNN-T 进行在线 ASR

使用 Emformer RNN-T 进行在线 ASR

使用 Emformer RNN-T 进行设备端 ASR

使用 Emformer RNN-T 进行设备端 ASR

预训练模型

EMFORMER_RNNT_BASE_LIBRISPEECH

基于 Emformer-RNNT 的 ASR 管道，在 LibriSpeech 数据集 [Panayotov 等, 2015] 上预训练，能够执行流式和非流式推理。

wav2vec 2.0 / HuBERT / WavLM - SSL

接口

Wav2Vec2Bundle 实例化了生成声学特征的模型，这些特征可用于下游推理和微调。

Wav2Vec2Bundle

捆绑相关信息以使用预训练 Wav2Vec2Model 的数据类。

预训练模型

WAV2VEC2_BASE	Wav2vec 2.0 模型（“base”架构），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练（“train-clean-100”、“train-clean-360”和“train-other-500”的组合），未微调。
WAV2VEC2_LARGE	Wav2vec 2.0 模型（“large”架构），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练（“train-clean-100”、“train-clean-360”和“train-other-500”的组合），未微调。
WAV2VEC2_LARGE_LV60K	Wav2vec 2.0 模型（“large-lv60k”架构），在 Libri-Light 数据集 [Kahn 等, 2020] 的 60,000 小时未标记音频上预训练，未微调。
WAV2VEC2_XLSR53	Wav2vec 2.0 模型（“base”架构），在多个数据集（Multilingual LibriSpeech [Pratap 等, 2020]、CommonVoice [Ardila 等, 2020] 和 BABEL [Gales 等, 2014]）的 56,000 小时未标记音频上预训练，未微调。
WAV2VEC2_XLSR_300M	XLS-R 模型，拥有 3 亿个参数，在 128 种语言的多个数据集（Multilingual LibriSpeech [Pratap 等, 2020]、CommonVoice [Ardila 等, 2020]、VoxLingua107 [Valk 和 Alumäe, 2021]、BABEL [Gales 等, 2014] 和 VoxPopuli [Wang 等, 2021]）的 436,000 小时未标记音频上预训练，未微调。
WAV2VEC2_XLSR_1B	XLS-R 模型，拥有 10 亿个参数，在 128 种语言的多个数据集（Multilingual LibriSpeech [Pratap 等, 2020]、CommonVoice [Ardila 等, 2020]、VoxLingua107 [Valk 和 Alumäe, 2021]、BABEL [Gales 等, 2014] 和 VoxPopuli [Wang 等, 2021]）的 436,000 小时未标记音频上预训练，未微调。
WAV2VEC2_XLSR_2B	XLS-R 模型，拥有 20 亿个参数，在 128 种语言的多个数据集（Multilingual LibriSpeech [Pratap 等, 2020]、CommonVoice [Ardila 等, 2020]、VoxLingua107 [Valk 和 Alumäe, 2021]、BABEL [Gales 等, 2014] 和 VoxPopuli [Wang 等, 2021]）的 436,000 小时未标记音频上预训练，未微调。
HUBERT_BASE	HuBERT 模型（“base”架构），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练（“train-clean-100”、“train-clean-360”和“train-other-500”的组合），未微调。
HUBERT_LARGE	HuBERT 模型（“large”架构），在 Libri-Light 数据集 [Kahn 等, 2020] 的 60,000 小时未标记音频上预训练，未微调。
HUBERT_XLARGE	HuBERT 模型（“extra large”架构），在 Libri-Light 数据集 [Kahn 等, 2020] 的 60,000 小时未标记音频上预训练，未微调。
WAVLM_BASE	WavLM Base 模型（“base”架构），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练，未微调。
WAVLM_BASE_PLUS	WavLM Base+ 模型（“base”架构），在 Libri-Light 数据集 [Kahn 等, 2020] 的 60,000 小时、GigaSpeech [Chen 等, 2021] 的 10,000 小时和 VoxPopuli [Wang 等, 2021] 的 24,000 小时未标记音频上预训练，未微调。
WAVLM_LARGE	WavLM Large 模型（“large”架构），在 Libri-Light 数据集 [Kahn 等, 2020] 的 60,000 小时、GigaSpeech [Chen 等, 2021] 的 10,000 小时和 VoxPopuli [Wang 等, 2021] 的 24,000 小时未标记音频上预训练，未微调。

wav2vec 2.0 / HuBERT - 微调 ASR

接口

Wav2Vec2ASRBundle 实例化了在预定义标签上生成概率分布的模型，这些模型可用于 ASR。

Wav2Vec2ASRBundle

捆绑相关信息以使用预训练 Wav2Vec2Model 的数据类。

使用 Wav2Vec2ASRBundle 的教程

使用 Wav2Vec2 进行语音识别

使用 Wav2Vec2 进行语音识别

使用 CTC 解码器进行 ASR 推理

使用 CTC 解码器进行 ASR 推理

使用 Wav2Vec2 进行强制对齐

使用 Wav2Vec2 进行强制对齐

预训练模型

WAV2VEC2_ASR_BASE_10M	Wav2vec 2.0 模型（“base”架构，带有一个额外的线性模块），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练（“train-clean-100”、“train-clean-360”和“train-other-500”的组合），并在 Libri-Light 数据集 [Kahn 等, 2020] 的 10 分钟转录音频（“train-10min”子集）上进行 ASR 微调。
WAV2VEC2_ASR_BASE_100H	Wav2vec 2.0 模型（“base”架构，带有一个额外的线性模块），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练（“train-clean-100”、“train-clean-360”和“train-other-500”的组合），并在“train-clean-100”子集的 100 小时转录音频上进行 ASR 微调。
WAV2VEC2_ASR_BASE_960H	Wav2vec 2.0 模型（“base”架构，带有一个额外的线性模块），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练（“train-clean-100”、“train-clean-360”和“train-other-500”的组合），并使用相应的转录文本在相同音频上进行 ASR 微调。
WAV2VEC2_ASR_LARGE_10M	Wav2vec 2.0 模型（“large”架构，带有一个额外的线性模块），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练（“train-clean-100”、“train-clean-360”和“train-other-500”的组合），并在 Libri-Light 数据集 [Kahn 等, 2020] 的 10 分钟转录音频（“train-10min”子集）上进行 ASR 微调。
WAV2VEC2_ASR_LARGE_100H	Wav2vec 2.0 模型（“large”架构，带有一个额外的线性模块），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练（“train-clean-100”、“train-clean-360”和“train-other-500”的组合），并在相同数据集的 100 小时转录音频（“train-clean-100”子集）上进行 ASR 微调。
WAV2VEC2_ASR_LARGE_960H	Wav2vec 2.0 模型（“large”架构，带有一个额外的线性模块），在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时未标记音频上预训练（“train-clean-100”、“train-clean-360”和“train-other-500”的组合），并使用相应的转录文本在相同音频上进行 ASR 微调。
WAV2VEC2_ASR_LARGE_LV60K_10M	Wav2vec 2.0 模型（“large-lv60k”架构，带有一个额外的线性模块），在 Libri-Light 数据集 [Kahn 等, 2020] 的 60,000 小时未标记音频上预训练，并在相同数据集的 10 分钟转录音频（“train-10min”子集）上进行 ASR 微调。
WAV2VEC2_ASR_LARGE_LV60K_100H	Wav2vec 2.0 模型（“large-lv60k”架构，带有一个额外的线性模块），在 Libri-Light 数据集 [Kahn 等, 2020] 的 60,000 小时未标记音频上预训练，并在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 100 小时转录音频（“train-clean-100”子集）上进行 ASR 微调。
WAV2VEC2_ASR_LARGE_LV60K_960H	Wav2vec 2.0 模型（“large-lv60k”架构，带有一个额外的线性模块），在 Libri-Light [Kahn 等, 2020] 数据集的 60,000 小时未标记音频上预训练，并在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时转录音频（“train-clean-100”、“train-clean-360”和“train-other-500”的组合）上进行 ASR 微调。
VOXPOPULI_ASR_BASE_10K_DE	wav2vec 2.0 模型（“base”架构），在 VoxPopuli 数据集 [Wang 等, 2021] 的 10k 小时未标记音频（“10k”子集，包含 23 种语言）上预训练，并在“de”子集的 282 小时转录音频上进行 ASR 微调。
VOXPOPULI_ASR_BASE_10K_EN	wav2vec 2.0 模型（“base”架构），在 VoxPopuli 数据集 [Wang 等, 2021] 的 10k 小时未标记音频（“10k”子集，包含 23 种语言）上预训练，并在“en”子集的 543 小时转录音频上进行 ASR 微调。
VOXPOPULI_ASR_BASE_10K_ES	wav2vec 2.0 模型（“base”架构），在 VoxPopuli 数据集 [Wang 等, 2021] 的 10k 小时未标记音频（“10k”子集，包含 23 种语言）上预训练，并在“es”子集的 166 小时转录音频上进行 ASR 微调。
VOXPOPULI_ASR_BASE_10K_FR	wav2vec 2.0 模型（“base”架构），在 VoxPopuli 数据集 [Wang 等, 2021] 的 10k 小时未标记音频（“10k”子集，包含 23 种语言）上预训练，并在“fr”子集的 211 小时转录音频上进行 ASR 微调。
VOXPOPULI_ASR_BASE_10K_IT	wav2vec 2.0 模型（“base”架构），在 VoxPopuli 数据集 [Wang 等, 2021] 的 10k 小时未标记音频（“10k”子集，包含 23 种语言）上预训练，并在“it”子集的 91 小时转录音频上进行 ASR 微调。
HUBERT_ASR_LARGE	HuBERT 模型（“large”架构），在 Libri-Light 数据集 [Kahn 等, 2020] 的 60,000 小时未标记音频上预训练，并在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时转录音频（“train-clean-100”、“train-clean-360”和“train-other-500”的组合）上进行 ASR 微调。
HUBERT_ASR_XLARGE	HuBERT 模型（“extra large”架构），在 Libri-Light 数据集 [Kahn 等, 2020] 的 60,000 小时未标记音频上预训练，并在 LibriSpeech 数据集 [Panayotov 等, 2015] 的 960 小时转录音频（“train-clean-100”、“train-clean-360”和“train-other-500”的组合）上进行 ASR 微调。

wav2vec 2.0 / HuBERT - 强制对齐

接口

Wav2Vec2FABundle 捆绑了预训练模型及其相关字典。此外，它支持追加 star 标记维度。

Wav2Vec2FABundle	捆绑相关信息以使用预训练 Wav2Vec2Model 进行强制对齐的数据类。
Wav2Vec2FABundle.Tokenizer	分词器的接口
Wav2Vec2FABundle.Aligner	对齐器的接口

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

预训练模型

MMS_FA

在 Scaling Speech Technology to 1,000+ Languages [Pratap 等, 2023] 中包含的 1,130 种语言的 31K 小时数据上训练。

Tacotron2 文本到语音

Tacotron2TTSBundle 定义了文本到语音管道，包括三个步骤：分词、声谱图生成和声码器。声谱图生成基于 Tacotron2 模型。

TextProcessor 对于字符可以是基于规则的分词，或者它可以是基于神经网络的 G2P 模型，从输入文本生成音素序列。

同样，Vocoder 可以是没有学习参数的算法，如 Griffin-Lim，或者是一个基于神经网络的模型，如 Waveglow。

接口

Tacotron2TTSBundle	捆绑相关信息以使用预训练 Tacotron2 和声码器的数据类。
Tacotron2TTSBundle.TextProcessor	Tacotron2TTS 管道文本处理部分的接口
Tacotron2TTSBundle.Vocoder	Tacotron2TTS 管道声码器部分的接口

使用 Tacotron2TTSBundle 的教程

使用 Tacotron2 进行文本到语音转换

使用 Tacotron2 进行文本到语音转换

预训练模型

TACOTRON2_WAVERNN_PHONE_LJSPEECH	基于音素的 TTS 管道，使用在 LJSpeech [Ito 和 Johnson, 2017] 上训练 1,500 轮次的 Tacotron2，以及在 LJSpeech [Ito 和 Johnson, 2017] 的 8 位深度波形上训练 10,000 轮次的 WaveRNN 声码器。
TACOTRON2_WAVERNN_CHAR_LJSPEECH	基于字符的 TTS 管道，使用在 LJSpeech [Ito 和 Johnson, 2017] 上训练 1,500 轮次的 Tacotron2 和在 LJSpeech [Ito 和 Johnson, 2017] 的 8 位深度波形上训练 10,000 轮次的 WaveRNN 声码器。
TACOTRON2_GRIFFINLIM_PHONE_LJSPEECH	基于音素的 TTS 管道，使用在 LJSpeech [Ito 和 Johnson, 2017] 上训练 1,500 轮次的 Tacotron2，并使用 GriffinLim 作为声码器。
TACOTRON2_GRIFFINLIM_CHAR_LJSPEECH	基于字符的 TTS 管道，使用在 LJSpeech [Ito 和 Johnson, 2017] 上训练 1,500 轮次的 Tacotron2，并使用 GriffinLim 作为声码器。

音源分离

接口

SourceSeparationBundle 实例化了音源分离模型，这些模型接受单声道音频并生成多声道音频。

SourceSeparationBundle

捆绑用于执行音源分离的组件的数据类。

使用 SourceSeparationBundle 的教程

使用 Hybrid Demucs 进行音乐源分离

使用 Hybrid Demucs 进行音乐源分离

预训练模型

CONVTASNET_BASE_LIBRI2MIX	预训练的音源分离管道，使用在 Libri2Mix 数据集 [Cosentino 等, 2020] 上训练的 ConvTasNet [Luo 和 Mesgarani, 2019]。
HDEMUCS_HIGH_MUSDB_PLUS	预训练的音乐音源分离管道，使用在 MUSDB-HQ [Rafii 等, 2019] 的训练集和测试集以及 Meta 专门生产的内部数据库中的额外 150 首歌曲上训练的 Hybrid Demucs [Défossez, 2021]。
HDEMUCS_HIGH_MUSDB	预训练的音乐音源分离管道，使用在 MUSDB-HQ [Rafii 等, 2019] 训练集上训练的 Hybrid Demucs [Défossez, 2021]。

Squim 客观度量

接口

SquimObjectiveBundle 定义了语音质量和可懂度测量 (SQUIM) 管道，该管道可以预测给定输入波形的客观度量分数。

SquimObjectiveBundle

捆绑相关信息以使用预训练 SquimObjective 模型的数据类。

预训练模型

SQUIM_OBJECTIVE

SquimObjective 管道使用 [Kumar 等, 2023] 中描述的方法在 DNS 2020 数据集 [Reddy 等, 2020] 上训练。

Squim 主观度量

接口

SquimSubjectiveBundle 定义了语音质量和可懂度测量 (SQUIM) 管道，该管道可以预测给定输入波形的主观度量分数。

SquimSubjectiveBundle

捆绑相关信息以使用预训练 SquimSubjective 模型的数据类。

预训练模型

SQUIM_SUBJECTIVE

SquimSubjective 管道的训练方法参见 [Manocha 和 Kumar, 2022] 和 [Kumar 等, 2023]，在 BVCC [Cooper 和 Yamagishi, 2021] 和 DAPS [Mysore, 2014] 数据集上进行。