torchaudio.models

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。

一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：用于语音识别的卷积增强 Transformer [Gulati 等人，2020] 中介绍。
ConvTasNet	Conv-TasNet 架构在 Conv-TasNet：超越理想时频幅度掩蔽的语音分离 [Luo 和 Mesgarani，2019] 中介绍。
DeepSpeech	DeepSpeech 架构在 Deep Speech：扩展端到端语音识别 [Hannun 等人，2014] 中介绍。
Emformer	Emformer 架构在 Emformer：用于低延迟流式语音识别的基于高效内存 Transformer 的声学模型 [Shi 等人，2021] 中介绍。
HDemucs	来自 混合频谱图和波形源分离 [Défossez，2021] 的混合 Demucs 模型。
HuBERTPretrainModel	用于在 HuBERT [Hsu 等人，2021] 中进行预训练的 HuBERT 模型。
RNNT	递归神经网络换能器 (RNN-T) 模型。
RNNTBeamSearch	RNN-T 模型的束搜索解码器。
SquimObjective	语音质量和可懂度度量 (SQUIM) 模型，预测语音增强（例如，STOI、PESQ 和 SI-SDR）的**客观**指标得分。
SquimSubjective	语音质量和可懂度度量 (SQUIM) 模型，预测语音增强（例如，平均意见评分 (MOS)）的**主观**指标得分。
Tacotron2	来自 通过调节 Mel 频谱图预测上的 WaveNet 来进行自然 TTS 合成 [Shen 等人，2018] 的 Tacotron2 模型，基于 Nvidia 深度学习示例 中的实现。
Wav2Letter	来自 Wav2Letter：基于端到端 ConvNet 的语音识别系统 [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 高效神经音频合成 [Kalchbrenner 等人，2018] 的 WaveRNN 模型，基于 fatchord/WaveRNN 中的实现。