Wav2Vec2FABundle

类 torchaudio.pipelines.Wav2Vec2FABundle

用于捆绑关联信息的 数据类，以便使用预训练的 Wav2Vec2Model 进行强制对齐。

该类提供了用于实例化预训练模型的接口，以及检索预训练权重和与模型一起使用的额外数据所需的信息。

Torchaudio 库会实例化此类的对象，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

属性 Wav2Vec2FABundle.sample_rate: float

模型训练所使用的音频的采样率。

类型：

float

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 到索引的映射（在 emission feature 维度中）

参数：

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

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

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 特征维度相对应的标签。

第一个是 blank token，并且它是可自定义的。

参数：

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

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

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。

权重文件会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，输出层的最后一维会扩展一个，这对应于 star token。

• dl_kwargs (keyword arguments 字典) – 传递给 torch.hub.load_state_dict_from_url()。

返回：

Wav2Vec2Model 的变体。

注意

使用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 logit。

get_tokenizer

Wav2Vec2FABundle.get_tokenizer() → Tokenizer

实例化一个 Tokenizer。

返回：

Tokenizer