CTCDecoder

class torchaudio.models.decoder.CTCDecoder

來自 Flashlight 的 CTC beam search 解碼器 [Kahn 等, 2022]。

注意

要構建解碼器，請使用工廠函式 ctc_decoder()。

使用 CTCDecoder 的教程

使用 CTC 解碼器進行 ASR 推理

使用 CTC 解碼器進行 ASR 推理

方法

__call__

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

執行批次離線解碼。

注意

此方法一次性執行離線解碼。要執行增量解碼，請參考 decode_step()。

引數：

• emissions (torch.FloatTensor) – 形狀為 (batch, frame, num_tokens) 的 CPU 張量，儲存標籤機率分佈序列；聲學模型的輸出。

• lengths (Tensor 或 None, 可選) – 形狀為 (batch, ) 的 CPU 張量，儲存每個批次中輸出張量在時間軸上的有效長度。

返回：

批次中每個音訊序列的排序後的最佳假設列表。

返回型別：

List[List[CTCHypothesis]]

decode_begin

CTCDecoder.decode_begin()

初始化解碼器的內部狀態。

用法請參考 decode_step()。

注意

此方法僅在執行線上解碼時需要。使用 __call__() 執行批次解碼時無需此方法。

decode_end

CTCDecoder.decode_end()

終結解碼器的內部狀態。

用法請參考 decode_step()。

注意

此方法僅在執行線上解碼時需要。使用 __call__() 執行批次解碼時無需此方法。

decode_step

CTCDecoder.decode_step(emissions: FloatTensor)

在當前內部狀態的基礎上執行增量解碼。

注意

此方法僅在執行線上解碼時需要。使用 __call__() 執行批次解碼時無需此方法。

引數：

emissions (torch.FloatTensor) – 形狀為 (frame, num_tokens) 的 CPU 張量，儲存標籤機率分佈序列；聲學模型的輸出。

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]

獲取最終假設

返回：

排序後的最佳假設列表。

返回型別：

List[CTCHypothesis]

注意

此方法僅在執行線上解碼時需要。使用 __call__() 執行批次解碼時無需此方法。

idxs_to_tokens

CTCDecoder.idxs_to_tokens(idxs: LongTensor) → List

將原始 token ID 對映到相應的 token

引數：

idxs (LongTensor) – 從解碼器生成的原始 token ID

返回：

與輸入 ID 對應的 token

返回型別：

列表

支援結構

CTCHypothesis

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

表示由 CTC beam search 解碼器 CTCDecoder 生成的假設。

使用 CTCHypothesis 的教程

使用 CTC 解碼器進行 ASR 推理

使用 CTC 解碼器進行 ASR 推理

tokens: LongTensor

預測的 token ID 序列。形狀為 (L, )，其中 L 是輸出序列的長度

words: List[str]

預測的單詞列表。

注意

此屬性僅在為解碼器提供了詞典時適用。如果在沒有詞典的情況下進行解碼，此屬性將為空。請參考 tokens 和 idxs_to_tokens()。

score: float

與假設對應的得分

timesteps: IntTensor

與 token 對應的時間步。形狀為 (L, )，其中 L 是輸出序列的長度

CTCDecoderLM

class torchaudio.models.decoder.CTCDecoderLM

用於建立自定義語言模型以與解碼器一起使用的語言模型基類。

使用 CTCDecoderLM 的教程

使用 CTC 解碼器進行 ASR 推理

使用 CTC 解碼器進行 ASR 推理

abstract start(start_with_nothing: bool) → CTCDecoderLMState

初始化或重置語言模型。

引數：

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

返回：

起始狀態

返回型別：

CTCDecoderLMState

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

根據當前 LM 狀態和新單詞評估語言模型。

引數：

• state (CTCDecoderLMState) – 當前 LM 狀態

• usr_token_idx (int) – 單詞的索引

返回：

(CTCDecoderLMState, float)

CTCDecoderLMState

新的 LM 狀態

float

得分

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

根據當前 LM 狀態評估語言模型的結束。

引數：

state (CTCDecoderLMState) – 當前 LM 狀態

返回：

(CTCDecoderLMState, float)

CTCDecoderLMState

新的 LM 狀態

float

得分

CTCDecoderLMState

class torchaudio.models.decoder.CTCDecoderLMState

語言模型狀態。

使用 CTCDecoderLMState 的教程

使用 CTC 解碼器進行 ASR 推理

使用 CTC 解碼器進行 ASR 推理

property children: Dict[int, CTCDecoderLMState]

索引到 LM 狀態的對映

child(usr_index: int) → CTCDecoderLMState

返回與 usr_index 對應的子狀態，如果未找到輸入索引，則建立並返回一個新狀態。

引數：

usr_index (int) – 與子狀態對應的索引

返回：

與 usr_index 對應的子狀態

返回型別：

CTCDecoderLMState

compare(state: CTCDecoderLMState) → CTCDecoderLMState

比較兩個語言模型狀態。

引數：

state (CTCDecoderLMState) – 用於比較的 LM 狀態

返回：

如果狀態相同返回 0，如果 self 小於 state 返回 -1，如果 self 大於 state 返回 +1。

返回型別：

int