# UnivNet

## 개요

UnivNet 모델은 Won Jang, Dan Lim, Jaesam Yoon, Bongwan Kin, Juntae Kim이 [UnivNet: A Neural Vocoder with Multi-Resolution Spectrogram Discriminators for High-Fidelity Waveform Generation](https://huggingface.co/papers/2106.07889)에서 제안했습니다. UnivNet 모델은 고충실도 음성 웨이브폼을 합성하도록 학습된 생성 적대 신경망(GAN)입니다. `transformers`에서 공유되는 UnivNet 모델은 *generator*로, 조건부 log-mel 스펙트로그램과 선택적 노이즈 시퀀스를 음성 웨이브폼(예: 보코더)으로 매핑합니다. 추론에는 generator만 필요합니다. `generator`를 학습하는 데 사용된 *discriminator*는 구현되어 있지 않습니다.

해당 논문의 초록은 다음과 같습니다:

*대부분의 신경 보코더는 대역 제한 멜 스펙트로그램을 사용하여 웨이브폼을 생성합니다. 전체 대역 스펙트럼 특징을 입력으로 사용하면 보코더에 가능한 한 많은 음향 정보를 제공할 수 있습니다. 그러나 일부 전체 대역 멜 스펙트로그램을 사용하는 모델에서는 비선명한 스펙트로그램이 생성되는 과잉 스무딩(over-smoothing) 문제가 발생합니다. 이 문제를 해결하기 위해, 실시간으로 고충실도 웨이브폼을 합성하는 신경 보코더인 UnivNet을 제안합니다. 음성 활동 탐지 분야의 연구에서 영감을 받아, 다양한 매개변수 세트로 계산된 여러 선형 스펙트로그램 크기를 사용하는 다중 해상도 스펙트로그램 판별기를 추가했습니다. 전체 대역 멜 스펙트로그램을 입력으로 사용하여, 여러 해상도의 스펙트로그램을 입력으로 사용하는 판별기를 추가함으로써 고해상도 신호를 생성할 것으로 기대합니다. 수백 명의 화자에 대한 정보를 포함하는 데이터셋에 대한 평가에서, UnivNet은 확인된 화자와 확인되지 않은 화자 모두에서 경쟁 모델 중 가장 우수한 객관적 및 주관적 결과를 얻었습니다. 텍스트-음성 변환(TTS)에 대한 최고의 주관적 점수를 포함한 이러한 결과는 처음부터 훈련할 필요 없이 새로운 화자에 빠르게 적응할 수 있는 가능성을 보여줍니다.*

팁:

- [UnivNetModel.forward()](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetModel.forward)의 `noise_sequence` 인수는 `([batch_size], noise_length, model.config.model_in_channels)` 형태의 표준 가우시안 노이즈(예: `torch.randn`에서 생성된 것)여야 하며, 여기서 `noise_length`는 `input_features` 인수의 길이 차원(차원 1)과 일치해야 합니다. 이 인수를 제공하지 않으면 무작위로 생성되며, `generator` 인수에 `torch.Generator`를 전달하여 forward pass를 재현할 수 있습니다. (참고: [UnivNetFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor)는 기본적으로 생성된 노이즈를 반환하므로 `noise_sequence`를 수동으로 생성할 필요가 없습니다.)
- [UnivNetFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor)가 추가한 Padding은 아래 사용 예시와 같이 `UnivNetFeatureExtractor.batch_decode()` 메서드를 통해 [UnivNetModel](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetModel) 출력에서 제거할 수 있습니다.
- 각 웨이브폼의 끝을 무음으로 패딩하면 생성된 오디오 샘플의 끝부분에서 발생하는 아티팩트를 줄일 수 있습니다. [UnivNetFeatureExtractor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor.__call__)에 `pad_end = True`를 전달하여 이를 수행할 수 있습니다. 자세한 내용은 [이 이슈](https://github.com/seungwonpark/melgan/issues/8)를 참고하세요.

사용 예시:

```python
import torch
from datasets import Audio, load_dataset
from scipy.io.wavfile import write

from transformers import UnivNetFeatureExtractor, UnivNetModel

model_id_or_path = "dg845/univnet-dev"
model = UnivNetModel.from_pretrained(model_id_or_path, device_map="auto")
feature_extractor = UnivNetFeatureExtractor.from_pretrained(model_id_or_path)

ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
# Resample the audio to the model and feature extractor's sampling rate.
ds = ds.cast_column("audio", Audio(sampling_rate=feature_extractor.sampling_rate))
# Pad the end of the converted waveforms to reduce artifacts at the end of the output audio samples.
inputs = feature_extractor(
    ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["sampling_rate"], pad_end=True, return_tensors="pt"
)

with torch.no_grad():
    audio = model(**inputs)

# Remove the extra padding at the end of the output.
audio = feature_extractor.batch_decode(**audio)[0]
# Convert to wav file
write("sample_audio.wav", feature_extractor.sampling_rate, audio)
```

이 모델은 [dg845](https://huggingface.co/dg845)님이 기여했습니다. 제 지식 범위 내에서는 공식 코드 릴리스가 없으나, 사전 학습된 체크포인트가 [여기](https://github.com/maum-ai/univnet#pre-trained-model)에 있는 비공식 구현을 [maum-ai/univnet](https://github.com/maum-ai/univnet)에서 찾을 수 있습니다.

## UnivNetConfig[[transformers.UnivNetConfig]]

#### transformers.UnivNetConfig[[transformers.UnivNetConfig]]

```python
transformers.UnivNetConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, model_in_channels: int = 64, model_hidden_channels: int = 32, num_mel_bins: int = 100, resblock_kernel_sizes: list[int] | tuple[int, ...] = (3, 3, 3), resblock_stride_sizes: list[int] | tuple[int, ...] = (8, 8, 4), resblock_dilation_sizes: list | tuple = ((1, 3, 9, 27), (1, 3, 9, 27), (1, 3, 9, 27)), kernel_predictor_num_blocks: int = 3, kernel_predictor_hidden_channels: int = 64, kernel_predictor_conv_size: int = 3, kernel_predictor_dropout: float | int = 0.0, initializer_range: float = 0.01, leaky_relu_slope: float = 0.2)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/univnet/configuration_univnet.py#L24)

**매개변수:**

model_in_channels (`int`, *선택 사항*, 기본값 64) : UnivNet 잔차 네트워크의 입력 채널 수입니다. 이 값은 `noise_sequence.shape[1]` 및 [UnivNetFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor) 클래스에서 사용된 값과 일치해야 합니다.

model_hidden_channels (`int`, *선택 사항*, 기본값 32) : UnivNet 잔차 네트워크의 각 잔차 블록의 숨겨진 채널 수입니다.

num_mel_bins (`int`, *선택 사항*, 기본값 100) : 조건부 로그 멜 스펙트로그램의 주파수 빈 수입니다. 이 값은 [UnivNetFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor) 클래스에서 사용된 값과 일치해야 합니다.

resblock_kernel_sizes (`tuple[int]` 또는 `list[int]`, *선택 사항*, 기본값은 `[3, 3, 3]`) : UnivNet 잔차 네트워크의 1D 합성곱 레이어 커널 크기를 정의하는 정수 튜플입니다. `resblock_kernel_sizes`의 길이는 resnet 블록의 수를 정의하며, `resblock_stride_sizes`와 `resblock_dilation_sizes`의 길이와 일치해야 합니다.

resblock_stride_sizes (`tuple[int]` 또는 `list[int]`, *선택 사항*, 기본값은 `[8, 8, 4]`) : UnivNet 잔차 네트워크의 1D 컨볼루션 레이어 스트라이드 크기를 정의하는 정수 튜플입니다. `resblock_stride_sizes`의 길이는 `resblock_kernel_sizes`와 `resblock_dilation_sizes`의 길이와 일치해야 합니다.

resblock_dilation_sizes (`tuple[tuple[int]]` 또는 `list[list[int]]`, *선택 사항*, 기본값은 `[[1, 3, 9, 27], [1, 3, 9, 27], [1, 3, 9, 27]]`) : UnivNet 잔차 네트워크의 확장 1D 컨볼루션 레이어의 확장 비율을 정의하는 정수의 중첩 튜플입니다. `resblock_dilation_sizes`의 길이는 `resblock_kernel_sizes` 및 `resblock_stride_sizes`의 길이와 일치해야 합니다. `resblock_dilation_sizes`의 각 중첩 리스트의 길이는 resnet 블록당 컨볼루션 레이어의 수를 정의합니다.

kernel_predictor_num_blocks (`int`, *선택 사항*, 기본값 3) : UnivNet 잔차 네트워크의 각 위치 변수 컨볼루션 레이어에 대한 커널과 바이어스를 계산하는 커널 예측자 네트워크의 잔차 블록 수입니다.

kernel_predictor_hidden_channels (`int`, *선택 사항*, 기본값 64) : 커널 예측자 네트워크의 각 잔차 블록에 대한 숨겨진 채널 수입니다.

kernel_predictor_conv_size (`int`, *선택 사항*, 기본값 3) : 커널 예측자 네트워크의 각 1D 합성곱 레이어의 커널 크기입니다.

kernel_predictor_dropout (`float`, *선택 사항*, 기본값 0.0) : 커널 예측자 네트워크의 각 잔차 블록에 대한 dropout 확률입니다.

initializer_range (`float`, *선택 사항*, 기본값 `0.01`) : 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다.

leaky_relu_slope (`float`, *선택 사항*, 기본값 0.2) : leaky ReLU 활성화 함수에서 사용되는 음의 기울기의 각도입니다.

이것은 UnivNetModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Univnet 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 [dg845/univnet-dev](https://huggingface.co/dg845/univnet-dev)와 유사한 구성이 생성됩니다.

Configuration 객체는 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요.

예:

```python
>>> from transformers import UnivNetModel, UnivNetConfig

>>> # Initializing a Tortoise TTS style configuration
>>> configuration = UnivNetConfig()

>>> # Initializing a model (with random weights) from the Tortoise TTS style configuration
>>> model = UnivNetModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## UnivNetFeatureExtractor[[transformers.UnivNetFeatureExtractor]]

#### transformers.UnivNetFeatureExtractor[[transformers.UnivNetFeatureExtractor]]

```python
transformers.UnivNetFeatureExtractor(feature_size: int = 1, sampling_rate: int = 24000, padding_value: float = 0.0, do_normalize: bool = False, num_mel_bins: int = 100, hop_length: int = 256, win_length: int = 1024, win_function: str = 'hann_window', filter_length: int | None = 1024, max_length_s: int = 10, fmin: float = 0.0, fmax: float | None = None, mel_floor: float = 1e-09, center: bool = False, compression_factor: float = 1.0, compression_clip_val: float = 1e-05, normalize_min: float = -11.512925148010254, normalize_max: float = 2.3143386840820312, model_in_channels: int = 64, pad_end_length: int = 10, return_attention_mask = True, **kwargs)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/univnet/feature_extraction_univnet.py#L29)

**매개변수:**

feature_size (`int`, *선택 사항*, 기본값 1) : 추출된 특징(feature)의 차원입니다.

sampling_rate (`int`, *선택 사항*, 기본값 24000) : 오디오 파일을 디지털화할 때 사용할 샘플링 주파수입니다. 헤르츠(Hz) 단위로 표시됩니다.

padding_value (`float`, *선택 사항*, 기본값 0.0) : [UnivNetFeatureExtractor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor.__call__)의 `padding` 인수로 정의된 패딩 전략을 적용할 때 사용할 패딩 값입니다. 오디오의 무음에 해당해야 합니다. `__call__`의 `pad_end` 인수도 이 패딩 값을 사용합니다.

do_normalize (`bool`, *선택 사항*, 기본값 `False`) : 입력에 Tacotron 2 정규화를 수행할지 여부입니다. 정규화를 수행하면 일부 모델의 성능을 크게 향상시킬 수 있습니다.

num_mel_bins (`int`, *선택 사항*, 기본값 100) : 추출된 스펙트로그램 특징의 멜 주파수 빈 수입니다. 이 값은 `UnivNetModel.config.num_mel_bins`와 일치해야 합니다.

hop_length (`int`, *선택 사항*, 기본값 256) : 슬라이딩 윈도우 사이의 직접적인 샘플 수입니다. 많은 논문에서는 이를 "shift"라고도 부릅니다. [SpeechT5FeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/speecht5#transformers.SpeechT5FeatureExtractor)와 같이 `hop_length`를 ms 단위로 받는 다른 오디오 피처 추출기와는 다르다는 점에 유의하세요.

win_length (`int`, *선택 사항*, 기본값 1024) : 각 슬라이딩 윈도우에 대한 직접적인 샘플 수입니다. [SpeechT5FeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/speecht5#transformers.SpeechT5FeatureExtractor)와 같은 다른 오디오 피처 추출기는 `win_length`를 ms 단위로 받기 때문에 이 값과 다릅니다.

win_function (`str`, *선택 사항*, 기본값 `"hann_window"`) : 윈도우링에 사용되는 윈도우 함수의 이름으로, `torch.{win_function}`을 통해 접근 가능해야 합니다

filter_length (`int`, *선택 사항*, 기본값 1024) : 사용할 FFT 구성 요소의 수입니다. `None`인 경우 `transformers.audio_utils.optimal_fft_length`를 사용하여 결정됩니다.

max_length_s (`int`, *선택 사항*, 기본값 10) : 모델의 최대 입력 길이(초). 오디오 패딩에 사용됩니다.

fmin (`float`, *선택 사항*, 기본값 0.0) : Hz 단위 최소 멜 주파수.

fmax (`float`, *선택 사항*) : Hz 단위 최대 멜 주파수. 설정하지 않으면 기본값은 `sampling_rate / 2`입니다.

mel_floor (`float`, *선택 사항*, 기본값 1e-09) : 멜 주파수 뱅크의 최소값. [UnivNetFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor)가 `mel_floor`를 사용하는 방식은 [transformers.audio_utils.spectrogram()](/docs/transformers/v5.23.0/ko/internal/audio_utils#transformers.audio_utils.spectrogram)의 방식과 다릅니다.

center (`bool`, *선택 사항*, 기본값 `False`) : 프레임 `t`가 시간 `t * hop_length`를 중심으로 위치하도록 웨이브폼에 패딩을 적용할지 여부입니다. `False`인 경우, 프레임 `t`는 시간 `t * hop_length`에서 시작됩니다.

compression_factor (`float`, *선택 사항*, 기본값 1.0) : 스펙트럼 정규화 시 동적 범위 압축에 사용되는 곱셈 압축 계수입니다.

compression_clip_val (`float`, *선택 사항*, 기본값 1e-05) : 스펙트럼 정규화 과정에서 동적 범위 압축을 적용하기 전에 웨이브폼에 적용되는 클립 값입니다.

normalize_min (`float`, *선택 사항*, 기본값 -11.512925148010254) : Tacotron 2 스타일 선형 정규화에 사용되는 최소값입니다. 기본값은 Tacotron 2 구현의 원래 값입니다.

normalize_max (`float`, *선택 사항*, 기본값 2.3143386840820312) : Tacotron 2 스타일 선형 정규화에 사용되는 최대 값입니다. 기본값은 Tacotron 2 구현의 원래 값입니다.

model_in_channels (`int`, *선택 사항*, 기본값 64) : [UnivNetModel](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetModel) 모델의 입력 채널 수입니다. 이 값은 `UnivNetModel.config.model_in_channels`와 일치해야 합니다.

pad_end_length (`int`, *선택 사항*, 기본값 10) : 각 웨이브폼의 끝을 패딩할 경우, 추가할 스펙트로그램 프레임 수에 해당하는 샘플 수입니다. 추가되는 샘플 수는 `pad_end_length * hop_length`입니다.

return_attention_mask (`bool`, *선택 사항*, 기본값 `True`) : [__call__()](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor.__call__)에서 `attention_mask`를 반환할지 여부.

UnivNet feature extractor를 생성합니다.

이 클래스는 짧은 시간 푸리에 변환(STFT)을 사용하여 원시 음성에서 log-mel-filter bank 특징을 추출합니다. STFT 구현은 TacoTron 2와 Hifi-GAN의 구현을 따릅니다.

이 feature extractor는 대부분의 주요 메서드를 포함하는 [SequenceFeatureExtractor](/docs/transformers/v5.23.0/ko/main_classes/feature_extractor#transformers.SequenceFeatureExtractor)를 상속합니다. 해당 메서드에 대한 자세한 내용은 이 상위 클래스를 참고하세요.

#### __call__[[transformers.UnivNetFeatureExtractor.__call__]]

```python
__call__(raw_speech: numpy.ndarray | list[float] | list[numpy.ndarray] | list[list[float]], sampling_rate: int | None = None, padding: bool | str | transformers.utils.generic.PaddingStrategy = True, max_length: int | None = None, truncation: bool = True, pad_to_multiple_of: int | None = None, return_noise: bool = True, generator: numpy.random._generator.Generator | None = None, pad_end: bool = False, pad_length: int | None = None, do_normalize: str | None = None, return_attention_mask: bool | None = None, return_tensors: str | transformers.utils.generic.TensorType | None = None)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/univnet/feature_extraction_univnet.py#L286)

**매개변수:**

raw_speech (`np.ndarray`, `list[float]`, `list[np.ndarray]`, `list[list[float]]`) : 패딩할 시퀀스 또는 시퀀스 배치입니다. 각 시퀀스는 numpy 배열, float 값의 리스트, numpy 배열의 리스트, float 값의 리스트의 리스트일 수 있습니다. 스테레오가 아닌 모노 채널 오디오여야 하며, 즉 각 타임스텝당 float 값이 하나만 있어야 합니다.

sampling_rate (`int`, *선택 사항*) : `raw_speech` 입력이 샘플링된 샘플링 레이트입니다. 조용한 오류를 방지하고 자동 음성 인식 파이프라인을 허용하기 위해 forward 호출 시 `sampling_rate`를 전달하는 것이 강력히 권장됩니다.

padding (`bool`, `str` 또는 [PaddingStrategy](/docs/transformers/v5.23.0/ko/internal/file_utils#transformers.utils.PaddingStrategy), *optional*, 기본값 `True`) : 모델의 패딩 방향과 패딩 인덱스에 따라 입력 `raw_speech` 웨이브폼을 패딩할 전략을 다음 중 선택합니다. - `True` 또는 `'longest'`: 배치 내 가장 긴 시퀀스 길이로 패딩합니다(단일 시퀀스만 제공된 경우 패딩하지 않음). - `'max_length'`: `max_length` 인수로 지정된 최대 길이로 패딩하거나, 해당 인수가 제공되지 않으면 모델이 허용하는 최대 입력 길이로 패딩합니다. - `False` 또는 `'do_not_pad'` (기본값): 패딩하지 않습니다(즉, 서로 다른 길이의 시퀀스를 가진 배치로 출력할 수 있음). `pad_end = True`인 경우, `padding` 전략이 적용되기 전에 해당 패딩이 수행됩니다.

max_length (`int`, *선택 사항*) : 반환되는 리스트의 최대 길이 및 선택적으로 패딩 길이(위 참조).

truncation (`bool`, *선택 사항*, 기본값 `True`) : `max_length`보다 긴 입력 시퀀스를 `max_length`로 잘라내기 위한 truncation을 활성화합니다.

pad_to_multiple_of (`int`, *선택 사항*) : 설정된 경우 시퀀스를 제공된 값의 배수로 패딩합니다. 이는 컴퓨트 캐피빌리티가 `>= 7.5`(Volta)인 NVIDIA 하드웨어에서 Tensor Cores 사용을 활성화하거나, 시퀀스 길이가 128의 배수일 때 성능이 향상되는 TPU에서 특히 유용합니다.

return_noise (`bool`, *선택 사항*, 기본값 `True`) : [UnivNetModel.forward()](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetModel.forward)에서 사용할 노이즈 웨이브폼을 생성하고 반환할지 여부.

generator (`numpy.random.Generator`, *선택 사항*, 기본값 `None`) : 노이즈 생성 시 사용할 선택 가능한 `numpy.random.Generator` 난수 생성기입니다.

pad_end (`bool`, *선택 사항*, 기본값 `False`) : 각 웨이브폼의 끝을 무음으로 패딩할지 여부입니다. 이는 생성된 오디오 샘플 끝부분의 아티팩트를 줄이는 데 도움이 될 수 있으며, 자세한 내용은 https://github.com/seungwonpark/melgan/issues/8을 참고하세요. 이 패딩은 `padding`에 지정된 패딩 전략이 수행되기 전에 적용됩니다.

pad_length (`int`, *선택 사항*, 기본값 `None`) : 각 웨이브폼의 끝을 패딩할 경우, 스펙트로그램 프레임 단위 패딩 길이. 설정하지 않으면 `self.config.pad_end_length`가 기본값으로 사용됩니다.

do_normalize (`bool`, *선택 사항*) : 입력에 Tacotron 2 정규화를 수행할지 여부입니다. 정규화를 수행하면 일부 모델의 성능을 크게 향상시킬 수 있습니다. 설정하지 않으면 `self.config.do_normalize` 값이 기본값으로 사용됩니다.

return_attention_mask (`bool`, *선택 사항*) : attention mask를 반환할지 여부. 기본값으로 두면 해당 feature_extractor의 기본 설정에 따라 attention mask를 반환합니다. [attention mask란 무엇인가요?](../glossary#attention-mask)

return_tensors (`str` 또는 [TensorType](/docs/transformers/v5.23.0/ko/internal/file_utils#transformers.TensorType), *optional*) : 설정된 경우, python 정수 목록 대신 텐서를 반환합니다. 허용되는 값은 다음과 같습니다: - `'pt'`: PyTorch `torch.np.array` 객체를 반환합니다. - `'np'`: Numpy `np.ndarray` 객체를 반환합니다.

하나 이상의 시퀀스를 특징화(featurize)하고 모델에 맞게 준비하는 주요 메서드입니다.

## UnivNetModel[[transformers.UnivNetModel]]

#### transformers.UnivNetModel[[transformers.UnivNetModel]]

```python
transformers.UnivNetModel(config: UnivNetConfig)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/univnet/modeling_univnet.py#L425)

**매개변수:**

config ([UnivNetConfig](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetConfig)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

특정 헤드가 위에 없는 Univnet Model로, 원시 hidden-states를 출력합니다.

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### forward[[transformers.UnivNetModel.forward]]

```python
forward(input_features: Tensor, noise_sequence: typing.Optional[torch.Tensor] = None, padding_mask: typing.Optional[torch.Tensor] = None, generator: typing.Optional[torch.Generator] = None, return_dict: bool | None = None, **kwargs)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/univnet/modeling_univnet.py#L469)

**매개변수:**

input_features (`torch.Tensor`, shape `(batch_size, sequence_length, feature_dim)`) : 입력 오디오 특징에 해당하는 텐서입니다. 오디오 특징은 [UnivNetFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [UnivNetFeatureExtractor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor.__call__)를 참조하세요 (`processor_class`는 오디오 처리에 [UnivNetFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetFeatureExtractor)를 사용합니다).

noise_sequence (`torch.Tensor`, *선택 사항*) : 표준 가우시안 노이즈 시퀀스를 포함하는 Tensor입니다. 배치된 형태로 `(batch_size, sequence_length, config.model_in_channels)` 모양이거나, 배치되지 않은 형태로 (sequence_length, config.model_in_channels) 모양일 수 있습니다. 제공되지 않으면 무작위로 생성됩니다.

padding_mask (`torch.BoolTensor`, *선택 사항*) : 각 시퀀스에서 패딩된 부분을 나타내는 마스크입니다. 마스크 값은 `[0, 1]` 범위에서 선택됩니다:  - **마스크되지 않은** 토큰은 1 - **마스크된** 토큰은 0  마스크는 배치 형태인 `(batch_size, sequence_length)` 또는 배치되지 않은 형태인 `(sequence_length,)`일 수 있습니다.

generator (`torch.Generator`, *선택 사항*) : 생성을 결정적으로 만들기 위한 [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html). return_dict: 일반 튜플 대신 [ModelOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.utils.ModelOutput) 하위 클래스를 반환할지 여부.

return_dict (`bool`, *선택 사항*) : 일반 튜플 대신 [ModelOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.utils.ModelOutput)를 반환할지 여부.

**반환값:** `UnivNetModelOutput` 또는 `tuple(torch.Tensor)`

구성([UnivNetConfig](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetConfig))과 입력에 따라 다양한 요소를 포함하는 `UnivNetModelOutput` 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

[UnivNetModel](/docs/transformers/v5.23.0/ko/model_doc/univnet#transformers.UnivNetModel)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **waveforms** (`torch.Tensor`, shape `(batch_size, sequence_length)`) -- 배치된 1차원(모노 채널) 출력 오디오 웨이브폼.
- **waveform_lengths** (`torch.Tensor`, shape `(batch_size,)`) -- `waveforms`의 패딩이 적용되지 않은 각 웨이브폼의 샘플 단위 배치 길이입니다.

예:

```python
>>> from transformers import UnivNetFeatureExtractor, UnivNetModel
>>> from datasets import load_dataset, Audio

>>> model = UnivNetModel.from_pretrained("dg845/univnet-dev")
>>> feature_extractor = UnivNetFeatureExtractor.from_pretrained("dg845/univnet-dev")

>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> # Resample the audio to the feature extractor's sampling rate.
>>> ds = ds.cast_column("audio", Audio(sampling_rate=feature_extractor.sampling_rate))
>>> inputs = feature_extractor(
...     ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["sampling_rate"], return_tensors="pt"
... )
>>> audio = model(**inputs).waveforms
>>> list(audio.shape)
[1, 140288]
```