CTCDecoder

class torchaudio.models.decoder.CTCDecoder

来自 Flashlight 的 CTC beam search 解码器 [Kahn 等, 2022]。

注意

要构建解码器，请使用工厂函数 ctc_decoder()。

使用 CTCDecoder 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

方法

__call__

CTCDecoder.__call__(emissions: FloatTensor, lengths: Optional[Tensor] = None) → List[List[CTCHypothesis]]

执行批量离线解码。

注意

此方法一次性执行离线解码。要执行增量解码，请参考 decode_step()。

参数：

• emissions (torch.FloatTensor) – 形状为 (batch, frame, num_tokens) 的 CPU 张量，存储标签概率分布序列；声学模型的输出。

• lengths (Tensor 或 None, 可选) – 形状为 (batch, ) 的 CPU 张量，存储每个批次中输出张量在时间轴上的有效长度。

返回：

批次中每个音频序列的排序后的最佳假设列表。

返回类型：

List[List[CTCHypothesis]]

decode_begin

CTCDecoder.decode_begin()

初始化解码器的内部状态。

用法请参考 decode_step()。

注意

此方法仅在执行在线解码时需要。使用 __call__() 执行批量解码时无需此方法。

decode_end

CTCDecoder.decode_end()

终结解码器的内部状态。

用法请参考 decode_step()。

注意

此方法仅在执行在线解码时需要。使用 __call__() 执行批量解码时无需此方法。

decode_step

CTCDecoder.decode_step(emissions: FloatTensor)

在当前内部状态的基础上执行增量解码。

注意

此方法仅在执行在线解码时需要。使用 __call__() 执行批量解码时无需此方法。

参数：

emissions (torch.FloatTensor) – 形状为 (frame, num_tokens) 的 CPU 张量，存储标签概率分布序列；声学模型的输出。

示例

>>> decoder = torchaudio.models.decoder.ctc_decoder(...)
>>> decoder.decode_begin()
>>> decoder.decode_step(emission1)
>>> decoder.decode_step(emission2)
>>> decoder.decode_end()
>>> result = decoder.get_final_hypothesis()

get_final_hypothesis

CTCDecoder.get_final_hypothesis() → List[CTCHypothesis]

获取最终假设

返回：

排序后的最佳假设列表。

返回类型：

List[CTCHypothesis]

注意

此方法仅在执行在线解码时需要。使用 __call__() 执行批量解码时无需此方法。

idxs_to_tokens

CTCDecoder.idxs_to_tokens(idxs: LongTensor) → List

将原始 token ID 映射到相应的 token

参数：

idxs (LongTensor) – 从解码器生成的原始 token ID

返回：

与输入 ID 对应的 token

返回类型：

列表

支持结构

CTCHypothesis

class torchaudio.models.decoder.CTCHypothesis(tokens: torch.LongTensor, words: List[str], score: float, timesteps: torch.IntTensor)

表示由 CTC beam search 解码器 CTCDecoder 生成的假设。

使用 CTCHypothesis 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

tokens: LongTensor

预测的 token ID 序列。形状为 (L, )，其中 L 是输出序列的长度

words: List[str]

预测的单词列表。

注意

此属性仅在为解码器提供了词典时适用。如果在没有词典的情况下进行解码，此属性将为空。请参考 tokens 和 idxs_to_tokens()。

score: float

与假设对应的得分

timesteps: IntTensor

与 token 对应的时间步。形状为 (L, )，其中 L 是输出序列的长度

CTCDecoderLM

class torchaudio.models.decoder.CTCDecoderLM

用于创建自定义语言模型以与解码器一起使用的语言模型基类。

使用 CTCDecoderLM 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

abstract start(start_with_nothing: bool) → CTCDecoderLMState

初始化或重置语言模型。

参数：

start_with_nothing (bool) – 是否以 sil token 开始句子。

返回：

起始状态

返回类型：

CTCDecoderLMState

abstract score(state: CTCDecoderLMState, usr_token_idx: int) → Tuple[CTCDecoderLMState, float]

根据当前 LM 状态和新单词评估语言模型。

参数：

• state (CTCDecoderLMState) – 当前 LM 状态

• usr_token_idx (int) – 单词的索引

返回：

(CTCDecoderLMState, float)

CTCDecoderLMState

新的 LM 状态

float

得分

abstract finish(state: CTCDecoderLMState) → Tuple[CTCDecoderLMState, float]

根据当前 LM 状态评估语言模型的结束。

参数：

state (CTCDecoderLMState) – 当前 LM 状态

返回：

(CTCDecoderLMState, float)

CTCDecoderLMState

新的 LM 状态

float

得分

CTCDecoderLMState

class torchaudio.models.decoder.CTCDecoderLMState

语言模型状态。

使用 CTCDecoderLMState 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

property children: Dict[int, CTCDecoderLMState]

索引到 LM 状态的映射

child(usr_index: int) → CTCDecoderLMState

返回与 usr_index 对应的子状态，如果未找到输入索引，则创建并返回一个新状态。

参数：

usr_index (int) – 与子状态对应的索引

返回：

与 usr_index 对应的子状态

返回类型：

CTCDecoderLMState

compare(state: CTCDecoderLMState) → CTCDecoderLMState

比较两个语言模型状态。

参数：

state (CTCDecoderLMState) – 用于比较的 LM 状态

返回：

如果状态相同返回 0，如果 self 小于 state 返回 -1，如果 self 大于 state 返回 +1。

返回类型：

int