torchaudio.models

The torchaudio.models 子包包含用于解决常见音频任务的模型定义。

注意

对于具有预训练参数的模型，请参考 torchaudio.pipelines 模块。

模型定义负责构建计算图并执行它们。

有些模型具有复杂的结构和变体。对于此类模型，提供了工厂函数。

Conformer	Conformer 架构在 Conformer: Convolution-augmented Transformer for Speech Recognition [Gulati 等人，2020] 中提出。
ConvTasNet	Conv-TasNet 架构在 Conv-TasNet: Surpassing Ideal Time–Frequency Magnitude Masking for Speech Separation [Luo 和 Mesgarani，2019] 中提出。
DeepSpeech	DeepSpeech 架构在 Deep Speech: Scaling up end-to-end speech recognition [Hannun 等人，2014] 中提出。
Emformer	Emformer 架构在 Emformer: Efficient Memory Transformer Based Acoustic Model for Low Latency Streaming Speech Recognition [Shi 等人，2021] 中提出。
HDemucs	来自 Hybrid Spectrogram and Waveform Source Separation [Défossez，2021] 的混合 Demucs 模型。
HuBERTPretrainModel	用于 HuBERT [Hsu 等人，2021] 中预训练的 HuBERT 模型。
RNNT	循环神经网络转换器 (RNN-T) 模型。
RNNTBeamSearch	RNN-T 模型的波束搜索解码器。
SquimObjective	语音质量和清晰度测量 (SQUIM) 模型，它预测语音增强（例如，STOI、PESQ 和 SI-SDR）的**客观**指标得分。
SquimSubjective	语音质量和清晰度测量 (SQUIM) 模型，它预测语音增强（例如，平均意见得分 (MOS)）的**主观**指标得分。
Tacotron2	来自 Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions [Shen 等人，2018] 的 Tacotron2 模型，基于 Nvidia Deep Learning Examples 中的实现。
Wav2Letter	来自 Wav2Letter: an End-to-End ConvNet-based Speech Recognition System [Collobert 等人，2016] 的 Wav2Letter 模型架构。
Wav2Vec2Model	在 wav2vec 2.0 [Baevski 等人，2020] 中使用的声学模型。
WaveRNN	来自 Efficient Neural Audio Synthesis [Kalchbrenner 等人，2018] 的 WaveRNN 模型，基于 fatchord/WaveRNN 中的实现。