Transformers documentation

Moshi

Transformers

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Model ini dipublikasikan di HF papers pada 2024-09-17 dan disumbangkan ke Hugging Face Transformers pada 2024-10-16.

Moshi

Ikhtisar

Model Moshi diusulkan dalam Moshi: a speech-text foundation model for real-time dialogue oleh Alexandre Défossez, Laurent Mazaré, Manu Orsini, Amélie Royer, Patrick Pérez, Hervé Jégou, Edouard Grave, dan Neil Zeghidour.

Moshi adalah model dasar ucapan-teks yang memperlakukan dialog lisan sebagai generasi ucapan-ke-ucapan. Berangkat dari tulang punggung model bahasa teks, Moshi menghasilkan ucapan sebagai token dari residual quantizer dari codec audio neural, sambil memodelkan secara terpisah ucapan dirinya sendiri dan ucapan pengguna ke dalam stream paralel. Hal ini memungkinkan penghapusan giliran pembicara yang eksplisit, serta pemodelan dinamika percakapan yang arbitrer. Moshi juga memprediksi token teks yang selaras waktu sebagai prefiks untuk token audio. Metode “Inner Monologue” ini secara signifikan meningkatkan kualitas linguistik dari ucapan yang dihasilkan dan menyediakan pengakuan ucapan streaming serta teks-ke-ucapan. Akibatnya, Moshi adalah model bahasa besar lisan full-duplex real-time pertama, dengan latensi teoretis 160ms, dan 200ms dalam praktiknya.

Abstrak dari makalah tersebut adalah sebagai berikut:

Kami memperkenalkan Moshi, sebuah model dasar ucapan-teks dan kerangka kerja dialog lisan full-duplex. Sistem saat ini untuk dialog lisan bergantung pada pipeline komponen independen, yaitu deteksi aktivitas suara, pengenalan ucapan, dialog teks, dan teks-ke-ucapan. Kerangka kerja semacam itu tidak dapat meniru pengalaman percakapan nyata. Pertama, kompleksitasnya menimbulkan latensi beberapa detik antar interaksi. Kedua, karena teks menjadi modalitas perantara untuk dialog, informasi non-bahasa yang memodifikasi makna—seperti emosi atau suara non-ucapan—hilang dalam interaksi. Terakhir, sistem ini bergantung pada segmentasi giliran pembicara, yang tidak memperhitungkan ucapan yang tumpang tindih, interupsi, dan sisipan. Moshi menyelesaikan masalah-masalah independen ini secara keseluruhan dengan memformulasikan dialog lisan sebagai generasi ucapan-ke-ucapan. Berangkat dari tulang punggung model bahasa teks, Moshi menghasilkan ucapan sebagai token dari residual quantizer codec audio neural, sambil memodelkan secara terpisah ucapan dirinya sendiri dan ucapan pengguna ke dalam stream paralel. Hal ini memungkinkan penghapusan giliran pembicara eksplisit, serta pemodelan dinamika percakapan yang arbitrer. Kami juga memperluas generasi token semantik-ke-akustik hierarkis dari pekerjaan sebelumnya untuk pertama kali memprediksi token teks yang selaras waktu sebagai awalan untuk token audio. Metode “Inner Monologue” ini tidak hanya secara signifikan meningkatkan kualitas linguistik ucapan yang dihasilkan, tetapi kami juga mengilustrasikan bagaimana metode ini dapat menyediakan pengenalan ucapan streaming dan teks-ke-ucapan. Model yang dihasilkan adalah model bahasa besar lisan full-duplex real-time pertama, dengan latensi teoretis 160ms, 200ms dalam praktiknya, dan tersedia di github.com/kyutai-labs/moshi.

Moshi menangani 3 aliran informasi:

Audio pengguna
Audio Moshi
Output teks Moshi

Sama seperti ~MusicgenModel, audio direpresentasikan dengan audio codebooks, yang dapat diinterpretasikan seperti token. Perbedaan utama antara token teks dan audio codebooks adalah bahwa audio codebooks memperkenalkan dimensi informasi tambahan. Token teks biasanya memiliki dimensi (batch_size, sequence_length) tetapi token audio memiliki dimensi (batch_size, num_codebooks, sequence_length).

Moshi terdiri dari 3 komponen:

1. Dekoder utama (Helium dalam makalah)

Ini sesuai dengan MoshiForCausalLM. Ini adalah LLM teks klasik yang menggunakan arsitektur serupa dengan ~GemmaForCausalLM. Dengan kata lain, model ini mengambil token teks, melakukan embedding, melewatkan token tersebut melalui decoder dan head bahasa, untuk mendapatkan logits teks.

2. Dekoder kedalaman

Secara mandiri, ini juga merupakan LLM klasik, tetapi kali ini, alih-alih menghasilkan output pada dimensi waktu, ia menghasilkan output pada dimensi codebook.

Ini juga berarti bahwa panjang konteksnya adalah num_codebooks, sehingga tidak dapat menghasilkan lebih dari num_codebooks.

Perhatikan bahwa setiap timestamp - yaitu setiap codebook - mendapatkan set Linear Layers dan Embeddings-nya sendiri.

3. MimiModel

Ini adalah encoder audio dari Kyutai, yang baru-baru ini diintegrasikan ke transformers, dan digunakan untuk “menokenisasi” audio. Fungsinya sama dengan ~EncodecModel di ~MusicgenModel.

Tips

Checkpoint asli dapat dikonversi menggunakan skrip konversi src/transformers/models/moshi/convert_moshi_transformers.py

Cara menggunakan model

Implementasi ini memiliki dua tujuan utama:

menguji cepat generasi model dengan menyederhanakan API asli
sederhanakan pelatihan. Panduan pelatihan akan segera hadir, namun kontribusi dari pengguna sangat disambut!

Ini dirancang untuk penggunaan tingkat menengah. Kami sangat merekomendasikan menggunakan implementasi asli untuk melakukan inferensi model dalam streaming real-time.

1. Generasi model

Moshi adalah model auto-regressive streaming dengan dua aliran audio. Dengan kata lain, satu aliran audio sesuai dengan apa yang dikatakan/akan dikatakan oleh model, dan aliran audio lainnya sesuai dengan apa yang dikatakan/akan dikatakan oleh pengguna.

MoshiForConditionalGeneration.generate() sehingga membutuhkan 3 input:

input_ids - sesuai dengan riwayat token teks
moshi_input_values atau moshi_audio_codes - sesuai dengan riwayat audio model
user_input_values atau user_audio_codes - yang sesuai dengan riwayat audio pengguna

Ketiga input ini harus disinkronkan. Artinya, panjangnya harus sesuai dengan jumlah token yang sama.

Anda dapat menggunakan secara dinamis 3 input tergantung pada apa yang ingin Anda uji:

Cukup periksa respons model terhadap prompt pengguna - dalam hal itu, input_ids dapat diisi dengan token pad dan user_input_values dapat berupa tensor nol dengan bentuk yang sama dengan prompt pengguna.
Uji perilaku yang lebih kompleks - dalam hal ini, Anda harus berhati-hati tentang bagaimana token input disinkronkan dengan audio.

Model asli adalah teks yang disinkronkan dengan audio dengan cara mengisi ruang kosong di antara setiap pengucapan token.

Untuk mengikuti contoh pada gambar berikut, "Hello, I'm Moshi" dapat diubah menjadi "Hello,<pad><unk>I'm Moshi".

MoshiForConditionalGeneration.generate() kemudian secara auto-regresif memberi umpan balik ke dirinya sendiri aliran audionya, tetapi karena tidak memiliki akses ke aliran input pengguna saat menggunakan transformers, ia akan mengasumsikan bahwa pengguna menghasilkan audio kosong.

import math

import torch
from datasets import Audio, load_dataset

from transformers import AutoFeatureExtractor, AutoTokenizer


librispeech_dummy = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
feature_extractor = AutoFeatureExtractor.from_pretrained("kyutai/moshiko-pytorch-bf16")
tokenizer = AutoTokenizer.from_pretrained("kyutai/moshiko-pytorch-bf16")
dtype = torch.bfloat16

# prepare user input audio
librispeech_dummy = librispeech_dummy.cast_column("audio", Audio(sampling_rate=feature_extractor.sampling_rate))
audio_sample = librispeech_dummy[-1]["audio"]["array"]
user_input_values = feature_extractor(raw_audio=audio_sample, sampling_rate=feature_extractor.sampling_rate, return_tensors="pt").to(device=device, dtype=dtype)

# prepare moshi input values - we suppose moshi didn't say anything while the user spoke
moshi_input_values = torch.zeros_like(user_input_values.input_values)

# prepare moshi input ids - we suppose moshi didn't say anything while the user spoke
num_tokens = math.ceil(moshi_input_values.shape[-1] * waveform_to_token_ratio)
input_ids = torch.ones((1, num_tokens), device=device, dtype=torch.int64) * tokenizer.encode("<pad>")[0]

# generate 25 new tokens (around 2s of audio)
output = model.generate(input_ids=input_ids, user_input_values=user_input_values.input_values, moshi_input_values=moshi_input_values, max_new_tokens=25)

text_tokens = output.sequences
audio_waveforms = output.audio_sequences

2. Pelatihan model

Sebagian besar pekerjaan harus dilakukan selama pembuatan/prapemrosesan data, karena kebutuhan untuk menyelaraskan/mensinkronkan aliran.

Setelah selesai, Anda cukup meneruskan text_labels dan audio_labels ke MoshiForConditionalGeneration.forward(), bersama dengan input yang biasa, untuk mendapatkan loss model.

Panduan pelatihan akan segera hadir, namun kontribusi dari pengguna sangat disambut!

Bagaimana model meneruskan input / menghasilkan

Aliran input disematkan dan digabungkan menjadi inputs_embeds.
inputs_embeds diteruskan ke decoder utama, yang memprosesnya seperti LLM biasa.
Decoder utama menghasilkan text logits tetapi juga last hidden state-nya yang disebut temporal context dalam makalah tersebut.
Depth decoder mengubah dimensi yang kita gunakan untuk meneruskan/menghasilkan (codebook alih-alih waktu). Ia menggunakan token yang dihasilkan dari text logits dan temporal context untuk menghasilkan codebook audio secara auto-regresif.

Model ini disumbangkan oleh Yoach Lacombe (ylacombe).

Kode asli dapat ditemukan di sini.

MoshiConfig

kelas transformers.MoshiConfig

< source >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonevocab_size: int = 32000hidden_size: int = 4096num_hidden_layers: int = 32num_attention_heads: int = 32num_key_value_heads: int | None = Noneaudio_vocab_size: int | None = Nonemax_position_embeddings: int = 3000rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = Nonehidden_act: str = 'silu'head_dim: int | None = Noneinitializer_range: float = 0.02use_cache: bool = Truesliding_window: int = 3000attention_dropout: float | int = 0.0ffn_dim: int = 22528rms_norm_eps: float = 1e-08num_codebooks: int = 8tie_word_embeddings: bool = Falsepad_token_id: int | None = Nonebos_token_id: int | None = Noneeos_token_id: int | list[int] | None = Noneaudio_encoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonedepth_decoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None )

Parameter

vocab_size (int, opsional, default 32000) — Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh input_ids.
hidden_size (int, opsional, default 4096) — Dimensi dari representasi tersembunyi.
num_hidden_layers (int, opsional, default 32) — Jumlah lapisan tersembunyi dalam decoder Transformer.
num_attention_heads (int, opsional, default 32) — Jumlah attention head untuk setiap lapisan attention di decoder Transformer.
num_key_value_heads (int, opsional) — Ini adalah jumlah key_value heads yang harus digunakan untuk mengimplementasikan Grouped Query Attention. Jika num_key_value_heads=num_attention_heads, model akan menggunakan Multi Head Attention (MHA), jika num_key_value_heads=1 model akan menggunakan Multi Query Attention (MQA), selain itu GQA yang digunakan. Saat mengkonversi checkpoint multi-head menjadi checkpoint GQA, setiap group key dan value head harus dibangun dengan meanpooling semua head asli di dalam grup tersebut. Untuk detail lebih lanjut, lihat paper ini. Jika tidak ditentukan, akan default ke num_attention_heads.
audio_vocab_size (int, opsional) — Ukuran kosakata bagian audio dari model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh audio_codes yang diteruskan saat memanggil model Moshi.
max_position_embeddings (int, opsional, default 3000) — Panjang maksimum urutan yang mungkin digunakan dengan model ini.
rope_parameters (Union[~modeling_rope_utils.RopeParameters, dict], opsional) — Kamus yang berisi parameter konfigurasi untuk embedding RoPE. Kamus tersebut harus berisi nilai untuk rope_theta dan secara opsional parameter yang digunakan untuk penskalaan jika Anda ingin menggunakan RoPE dengan max_position_embeddings yang lebih panjang.
hidden_act (str, opsional, defaultnya silu) — Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, "gelu", "relu", "silu", dan sebagainya.
head_dim (int, opsional) — Dimensi head perhatian. Jika None, nilainya akan secara default menjadi hidden_size // num_attention_heads
initializer_range (float, opsional, defaultnya 0.02) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.
use_cache (bool, opsional, defaultnya True) — Apakah model harus mengembalikan perhatian kunci/nilai terakhir (tidak digunakan oleh semua model). Hanya relevan jika config.is_decoder=True atau ketika model adalah model generatif yang hanya decoder.
sliding_window (int, opsional, default 3000) — Ukuran jendela untuk sliding window attention. Jika None, sliding window tidak diterapkan.
attention_dropout (Union[float, int], opsional, default 0.0) — Rasio dropout untuk probabilitas perhatian.
ffn_dim (int, opsional, default 22528) — Dimensi dari lapisan “intermediate” (sering disebut feed-forward) dalam blok decoder utama. Harus genap.
rms_norm_eps (float, opsional, defaultnya 1e-08) — Epsilon yang digunakan oleh lapisan normalisasi rms.
num_codebooks (int, opsional, default 8) — Jumlah codebook paralel yang digunakan oleh model.
tie_word_embeddings (bool, opsional, default False) — Apakah akan mengikat bobot embedding sesuai dengan pemetaan tied_weights_keys model.
pad_token_id (int, opsional) — ID token yang digunakan untuk padding dalam kosakata.
bos_token_id (int, opsional) — ID token yang digunakan untuk awal aliran (beginning-of-stream) dalam kosakata.
eos_token_id (Union[int, list[int]], opsional) — ID token yang digunakan untuk akhir aliran dalam kosakata.
audio_encoder_config (PreTrainedConfig | dict, opsional) — Konfigurasi untuk audio encoder.
depth_decoder_config (PreTrainedConfig | dict, opsional) — Konfigurasi untuk depth decoder.

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari MoshiModel. Kelas ini digunakan untuk membuat instans model Moshi sesuai dengan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari kmhf/hf-moshika

Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.

Contoh:

>>> from transformers import (
...     MoshiConfig,
...     MoshiForConditionalGeneration,
... )

>>> configuration = MoshiConfig()

>>> # Initializing a MoshiForConditionalGeneration (with random weights) from the kmhf/hf-moshika style configuration
>>> model = MoshiForConditionalGeneration(configuration)

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

>>> # Saving the model, including its configuration
>>> model.save_pretrained("kmhf/hf-moshika")

>>> # loading model and config from pretrained folder
>>> moshi_config = MoshiConfig.from_pretrained("kmhf/hf-moshika")
>>> model = MoshiForConditionalGeneration.from_pretrained("kmhf/hf-moshika", config=moshi_config)

from_audio_encoder_config

< source >

( audio_encoder_config: PreTrainedConfig**kwargs ) → MoshiConfig

Mengembalikan

MoshiConfig

Instans dari objek konfigurasi

Instansiasi MoshiConfig (atau kelas turunan) dari konfigurasi encoder audio.

MoshiDepthConfig

kelas transformers.MoshiDepthConfig

< source >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonevocab_size: int = 32000hidden_size: int = 1024input_size: int = 4096num_hidden_layers: int = 6num_attention_heads: int = 16num_key_value_heads: int | None = Noneaudio_vocab_size: int = 2048max_position_embeddings: int = 9hidden_act: str = 'silu'head_dim: int | None = Noneinitializer_range: float = 0.02use_cache: bool = Truesliding_window: int = 8attention_dropout: float | int = 0.0ffn_dim: int = 5632rms_norm_eps: float = 1e-08num_codebooks: int = 8tie_word_embeddings: bool = Falsepad_token_id: int | None = Nonebos_token_id: int | None = Noneeos_token_id: int | list[int] | None = None )

Parameter

vocab_size (int, opsional, default 32000) — Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh input_ids.
hidden_size (int, opsional, default 1024) — Dimensi dari representasi tersembunyi.
input_size (int, opsional, default 4096) — Dimensi dari hidden states input. Digunakan untuk menghubungkan decoder utama ke decoder kedalaman.
num_hidden_layers (int, opsional, default 6) — Jumlah lapisan tersembunyi dalam decoder Transformer.
num_attention_heads (int, opsional, default 16) — Jumlah attention head untuk setiap lapisan attention di decoder Transformer.
num_key_value_heads (int, opsional) — Ini adalah jumlah key_value heads yang harus digunakan untuk mengimplementasikan Grouped Query Attention. Jika num_key_value_heads=num_attention_heads, model akan menggunakan Multi Head Attention (MHA), jika num_key_value_heads=1 model akan menggunakan Multi Query Attention (MQA), selain itu GQA yang digunakan. Saat mengkonversi checkpoint multi-head menjadi checkpoint GQA, setiap group key dan value head harus dibangun dengan meanpooling semua head asli di dalam grup tersebut. Untuk detail lebih lanjut, lihat paper ini. Jika tidak ditentukan, akan default ke num_attention_heads.
audio_vocab_size (int, opsional, default 2048) — Ukuran kosakata bagian audio dari model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh audio_codes yang diteruskan saat memanggil model Moshi.
max_position_embeddings (int, opsional, default 9) — Panjang maksimum urutan yang mungkin digunakan dengan model ini.
hidden_act (str, opsional, defaultnya silu) — Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, "gelu", "relu", "silu", dan sebagainya.
head_dim (int, opsional) — Dimensi head perhatian. Jika None, nilainya akan secara default menjadi hidden_size // num_attention_heads
initializer_range (float, opsional, defaultnya 0.02) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.
use_cache (bool, opsional, defaultnya True) — Apakah model harus mengembalikan perhatian kunci/nilai terakhir (tidak digunakan oleh semua model). Hanya relevan jika config.is_decoder=True atau ketika model adalah model generatif yang hanya decoder.
sliding_window (int, opsional, default 8) — Ukuran jendela untuk sliding window attention. Jika None, sliding window tidak diterapkan.
attention_dropout (Union[float, int], opsional, default 0.0) — Rasio dropout untuk probabilitas perhatian.
ffn_dim (int, opsional, default 5632) — Dimensi dari lapisan “intermediate” (sering disebut feed-forward) dalam blok depth decoder. Harus genap.
rms_norm_eps (float, opsional, defaultnya 1e-08) — Epsilon yang digunakan oleh lapisan normalisasi rms.
num_codebooks (int, opsional, default 8) — Jumlah codebook paralel yang digunakan oleh model.
tie_word_embeddings (bool, opsional, default False) — Apakah akan mengikat bobot embedding sesuai dengan pemetaan tied_weights_keys model.
pad_token_id (int, opsional) — ID token yang digunakan untuk padding dalam kosakata.
bos_token_id (int, opsional) — ID token yang digunakan untuk awal aliran (beginning-of-stream) dalam kosakata.
eos_token_id (Union[int, list[int]], opsional) — ID token yang digunakan untuk akhir aliran dalam kosakata.

Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.

Contoh:

>>> from transformers import (
...     MoshiDepthConfig,
...     MoshiDepthDecoder,
... )

>>> configuration = MoshiDepthConfig()

>>> # Initializing a MoshiDepthDecoder (with random weights) from the kmhf/hf-moshika style configuration
>>> model = MoshiDepthDecoder(configuration)

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

MoshiModel

kelas transformers.MoshiModel

< source >

( config: MoshiConfig )

Parameter

config (MoshiConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.

Model Moshi polos yang menghasilkan hidden-states mentah tanpa head spesifik di atasnya.

Model ini mewarisi dari PreTrainedModel. Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran embedding input, memangkas kepala, dll.)

Model ini juga merupakan subclass dari torch.nn.Module PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

forward

< source >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Noneuse_cache: bool | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → BaseModelOutputWithPast or tuple(torch.Tensor)

Parameter

input_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default.
Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya.

Apa itu input ID?
attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
- 1 untuk token yang tidak dimasker,
- 0 untuk token yang dimasker.
Apa itu attention mask?
position_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks posisi token dari setiap urutan input dalam position embeddings. Dipilih dalam rentang [0, config.n_positions - 1].
Apa itu ID posisi?
past_key_values (~cache_utils.Cache, opsional) — Hidden-states yang sudah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari past_key_values yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika use_cache=True atau config.use_cache=True.
Hanya instance Cache yang diizinkan sebagai input, lihat panduan kv cache kami. Jika tidak ada past_key_values yang diteruskan, DynamicCache akan diinisialisasi secara default.

Model akan menghasilkan format cache yang sama dengan yang diberikan sebagai input.

Jika past_key_values digunakan, pengguna diharapkan hanya memasukkan input_ids yang belum diproses (yang tidak memiliki state past key value yang diberikan ke model ini) dengan bentuk (batch_size, unprocessed_length) alih-alih semua input_ids dengan bentuk (batch_size, sequence_length).
inputs_embeds (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Secara opsional, alih-alih meneruskan input_ids, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Hal ini berguna jika Anda ingin memiliki kendali lebih atas cara mengonversi indeks input_ids menjadi vektor terkait, dibandingkan dengan matriks pencarian penanaman internal model.
use_cache (bool, opsional) — Jika diset ke True, state kunci-nilai past_key_values akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat past_key_values).

Mengembalikan

BaseModelOutputWithPast atau tuple(torch.Tensor)

A BaseModelOutputWithPast atau tuple dari torch.Tensor (jika return_dict=False dilewatkan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (MoshiConfig) dan input.

Metode forward dari MoshiModel menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size)) — Urutan hidden-states pada keluaran lapisan terakhir model.

Jika past_key_values digunakan, hanya hidden-state terakhir dari sekuens dengan bentuk (batch_size, 1, hidden_size) yang dioutput.
past_key_values (Cache, opsional, dikembalikan saat use_cache=True dilewatkan atau saat config.use_cache=True) — Ini adalah instance Cache. Untuk detail lebih lanjut, lihat panduan kv cache kami.

Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention, dan secara opsional jika config.is_encoder_decoder=True di blok cross-attention) yang dapat digunakan (lihat input past_key_values) untuk mempercepat decoding berurutan.
hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.
attentions (tuple(torch.Tensor), opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).

MoshiForCausalLM

kelas transformers.MoshiForCausalLM

< source >

( config: MoshiConfig )

Parameter

config (MoshiConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.

Model decoder Moshi dengan kepala pemodelan bahasa teks di atasnya. Hanya dapat digunakan untuk teks.

forward

< source >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Noneuse_cache: bool | None = Nonelabels: typing.Optional[torch.LongTensor] = Nonelogits_to_keep: typing.Union[int, torch.Tensor] = 0**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → MoshiCausalLMOutputWithPast or tuple(torch.Tensor)

Parameter

input_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default.
Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya.

Apa itu input ID?
attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
- 1 untuk token yang tidak dimasker,
- 0 untuk token yang dimasker.
Apa itu attention mask?
position_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks posisi token dari setiap urutan input dalam position embeddings. Dipilih dalam rentang [0, config.n_positions - 1].
Apa itu ID posisi?
past_key_values (~cache_utils.Cache, opsional) — Hidden-states yang sudah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari past_key_values yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika use_cache=True atau config.use_cache=True.
Hanya instance Cache yang diizinkan sebagai input, lihat panduan kv cache kami. Jika tidak ada past_key_values yang diteruskan, DynamicCache akan diinisialisasi secara default.

Model akan menghasilkan format cache yang sama dengan yang diberikan sebagai input.

Jika past_key_values digunakan, pengguna diharapkan hanya memasukkan input_ids yang belum diproses (yang tidak memiliki state past key value yang diberikan ke model ini) dengan bentuk (batch_size, unprocessed_length) alih-alih semua input_ids dengan bentuk (batch_size, sequence_length).
inputs_embeds (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Secara opsional, alih-alih meneruskan input_ids, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Hal ini berguna jika Anda ingin memiliki kendali lebih atas cara mengonversi indeks input_ids menjadi vektor terkait, dibandingkan dengan matriks pencarian penanaman internal model.
use_cache (bool, opsional) — Jika diset ke True, state kunci-nilai past_key_values akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat past_key_values).
labels (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Label untuk menghitung kerugian pemodelan bahasa yang disamarkan (masked language modeling). Indeks harus berada dalam [0, ..., config.vocab_size] atau -100 (lihat docstring input_ids). Token dengan indeks yang disetel ke -100 diabaikan (disamarkan), kerugian hanya dihitung untuk token dengan label dalam [0, ..., config.vocab_size].
logits_to_keep (Union[int, torch.Tensor], opsional, default 0) — Jika berupa int, hitung logits untuk logits_to_keep token terakhir. Jika 0, hitung logits untuk semua input_ids (kasus khusus). Hanya logits token terakhir yang diperlukan untuk generasi, dan menghitungnya hanya untuk token tersebut dapat menghemat memori, yang menjadi cukup signifikan untuk urutan panjang atau ukuran kosakata besar. Jika berupa torch.Tensor, harus 1D yang sesuai dengan indeks yang akan dipertahankan pada dimensi panjang urutan. Ini berguna saat menggunakan format tensor terpadu (satu dimensi untuk batch dan panjang urutan).

Mengembalikan

MoshiCausalLMOutputWithPast atau tuple(torch.Tensor)

MoshiCausalLMOutputWithPast atau tuple dari torch.Tensor (jika return_dict=False diteruskan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (MoshiConfig) dan input.

Metode forward dari MoshiForCausalLM menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

loss (torch.Tensor dengan bentuk (1,), opsional, dikembalikan saat labels disediakan) — Loss pemodelan bahasa (untuk prediksi token berikutnya).
logits (torch.Tensor dengan bentuk (batch_size, sequence_length, config.vocab_size)) — Skor prediksi dari kepala pemodelan bahasa (skor untuk setiap token kosakata sebelum SoftMax).
last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Urutan hidden-states pada keluaran lapisan terakhir model.
past_key_values (Cache, opsional, dikembalikan saat use_cache=True dilewatkan atau saat config.use_cache=True) — Ini adalah instance Cache. Untuk detail lebih lanjut, lihat panduan kv cache kami.

Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention) yang dapat digunakan (lihat input past_key_values) untuk mempercepat decoding berurutan.
hidden_states (tuple[torch.Tensor, ...], opsional, dikembalikan ketika output_hidden_states=True dilewatkan atau ketika config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.
attentions (tuple[torch.Tensor, ...], opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).

Contoh:

>>> from transformers import AutoTokenizer, MoshiForCausalLM

>>> model = MoshiForCausalLM.from_pretrained("kmhf/hf-moshika")
>>> tokenizer = AutoTokenizer.from_pretrained("kmhf/hf-moshika")

>>> prompt = "What is your favorite condiment?"
>>> inputs = tokenizer(prompt, return_tensors="pt")

>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"What is your favorite condiment?"

MoshiForConditionalGeneration

kelas transformers.MoshiForConditionalGeneration

< source >

( config: MoshiConfig )

Parameter

config (MoshiConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.

Model Moshi asli dengan encoder audio, decoder kedalaman Moshi, dan decoder Moshi, untuk speech-to-speech.

forward

< source >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.BoolTensor] = Noneuser_input_values: typing.Optional[torch.Tensor] = Noneuser_audio_codes: typing.Optional[torch.Tensor] = Nonemoshi_input_values: typing.Optional[torch.Tensor] = Nonemoshi_audio_codes: typing.Optional[torch.Tensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonetext_labels: typing.Optional[torch.LongTensor] = Noneaudio_labels: typing.Optional[torch.LongTensor] = Noneuse_cache: bool | None = None**kwargs ) → MoshiConditionalGenerationOutputWithPast or tuple(torch.Tensor)

Parameter

input_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default.
Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya.

Apa itu input ID?
attention_mask (torch.BoolTensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
- 1 untuk token yang tidak dimasker,
- 0 untuk token yang dimasker.
Apa itu attention mask?
user_input_values (torch.Tensor berbentuk `(batch_size, 1, audio_sequence_length), opsional) — Gelombang audio yang digunakan sebagai prompt audio pengguna untuk generasi.
user_audio_codes (torch.Tensor of shape (batch_size, num_codebooks, sequence_length), *optional*) -- The audio codes used as audio user prompt for the generation. Has priority over user_input_valuesand represents the audio "tokens" ofuser_input_values` once passed through the audio encoder.
moshi_input_values (torch.Tensor berbentuk `(batch_size, 1, audio_sequence_length), opsional) — Gelombang audio yang digunakan sebagai prompt audio Moshi untuk generasi.
moshi_audio_codes (torch.Tensor of shape (batch_size, num_codebooks, sequence_length), *optional*) -- The audio codes used as audio Moshi prompt for the generation. Has priority over moshi_input_valuesand represents the audio "tokens" ofmoshi_input_values` once passed through the audio encoder.
past_key_values (~cache_utils.Cache, opsional) — Hidden-states yang sudah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari past_key_values yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika use_cache=True atau config.use_cache=True.
Hanya instance Cache yang diizinkan sebagai input, lihat panduan kv cache kami. Jika tidak ada past_key_values yang diteruskan, DynamicCache akan diinisialisasi secara default.

Model akan menghasilkan format cache yang sama dengan yang diberikan sebagai input.

Jika past_key_values digunakan, pengguna diharapkan hanya memasukkan input_ids yang belum diproses (yang tidak memiliki state past key value yang diberikan ke model ini) dengan bentuk (batch_size, unprocessed_length) alih-alih semua input_ids dengan bentuk (batch_size, sequence_length).
inputs_embeds (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Secara opsional, alih-alih meneruskan input_ids Anda dapat memilih untuk langsung meneruskan representasi tertanam. Jika past_key_values digunakan, secara opsional hanya inputs_embeds terakhir yang perlu dimasukkan (lihat past_key_values). Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi input_ids indeks menjadi vektor terkait daripada matriks pencarian embedding internal model.
Jika input_ids dan inputs_embeds keduanya tidak disetel, inputs_embeds mengambil nilai dari inputs_embeds.
text_labels (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Label untuk pemodelan bahasa teks. Perhatikan bahwa label digeser di dalam model, yaitu Anda dapat mengatur labels = input_ids Indeks dipilih dalam [-100, 0, ..., config.vocab_size] Semua label yang diatur ke -100 diabaikan (dipertahankan), loss hanya dihitung untuk label dalam [0, ..., config.vocab_size]
audio_labels (torch.LongTensor dengan bentuk (batch_size, num_codebooks, sequence_length), opsional) — Label untuk pemodelan bahasa. Perhatikan bahwa label digeser di dalam model, yaitu Anda dapat mengatur labels = input_ids Indeks dipilih dalam [-100, 0, ..., config.vocab_size] Semua label yang diatur ke -100 diabaikan (dimasker), loss hanya dihitung untuk label dalam [0, ..., config.audio_vocab_size]
use_cache (bool, opsional) — Jika diset ke True, state kunci-nilai past_key_values akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat past_key_values).

Mengembalikan

MoshiConditionalGenerationOutputWithPast atau tuple(torch.Tensor)

MoshiConditionalGenerationOutputWithPast atau tuple dari torch.Tensor (jika return_dict=False diteruskan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (MoshiConfig) dan input.

Metode forward dari MoshiForConditionalGeneration menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

loss (torch.Tensor dengan bentuk (1,), opsional, dikembalikan saat text_labels disediakan) — Loss pemodelan bahasa teks (untuk prediksi token berikutnya).
logits (torch.Tensor dengan bentuk (batch_size, sequence_length, config.vocab_size)) — Skor prediksi dari kepala pemodelan bahasa teks (skor untuk setiap token kosakata sebelum SoftMax).
last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Urutan hidden-states pada keluaran lapisan terakhir model.
past_key_values (Cache, opsional, dikembalikan saat use_cache=True dilewatkan atau saat config.use_cache=True) — Ini adalah instance Cache. Untuk detail lebih lanjut, lihat panduan kv cache kami.

Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention) yang dapat digunakan (lihat input past_key_values) untuk mempercepat decoding berurutan.
hidden_states (tuple[torch.Tensor, ...], opsional, dikembalikan ketika output_hidden_states=True dilewatkan atau ketika config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.
attentions (tuple[torch.Tensor, ...], opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).
depth_loss (torch.Tensor dengan bentuk (1,), opsional, dikembalikan ketika audio_labels disediakan) — Loss pemodelan bahasa audio (untuk prediksi token berikutnya).
audio_logits (torch.Tensor dengan bentuk (batch_size, sequence_length, config.vocab_size)) — Skor prediksi dari kepala pemodelan bahasa audio.
depth_past_key_values (Cache, opsional, dikembalikan ketika use_cache=True dilewatkan atau ketika config.use_cache=True) — Nilai kunci masa lalu dari decoder kedalaman.
depth_hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Hidden states dari depth decoder
depth_attentions (tuple(torch.Tensor), opsional, dikembalikan ketika output_attentions=True dilewatkan atau ketika config.output_attentions=True) — Bobot Attentions dari Depth decoder setelah softmax attention, digunakan untuk menghitung rata-rata berbobot pada heads self-attention.

Contoh:

>>> from transformers import MoshiForConditionalGeneration
>>> import torch

>>> model = MoshiForConditionalGeneration.from_pretrained("kmhf/hf-moshika")
>>> inputs = moshi.get_unconditional_inputs()

>>> logits = model(**inputs, ).logits
>>> logits.shape  # (bsz, seq_len, text_vocab_size)
torch.Size([1, 1, 32000])

generate

< source >

( input_ids: typing.Optional[torch.LongTensor] = Noneuser_input_values: typing.Optional[torch.Tensor] = Noneuser_audio_codes: typing.Optional[torch.Tensor] = Nonemoshi_input_values: typing.Optional[torch.Tensor] = Nonemoshi_audio_codes: typing.Optional[torch.Tensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonereturn_audio_waveforms: bool | None = Truereturn_audio_codes: bool | None = Noneconcat_unconditional_inputs: bool | None = True**kwargs )

Parameter

input_ids (torch.Tensor berbentuk `(batch_size, sequence_length), opsional) — Urutan yang digunakan sebagai prompt teks untuk generasi.
user_input_values (torch.Tensor berbentuk `(batch_size, 1, audio_sequence_length), opsional) — Gelombang audio yang digunakan sebagai prompt audio pengguna untuk generasi.
user_audio_codes (torch.Tensor of shape (batch_size, num_codebooks, sequence_length), *optional*) -- The audio codes used as audio user prompt for the generation. Has priority over user_input_valuesand represents the audio "tokens" ofuser_input_values` once passed through the audio encoder.
moshi_input_values (torch.Tensor berbentuk `(batch_size, 1, audio_sequence_length), opsional) — Gelombang audio yang digunakan sebagai prompt audio Moshi untuk generasi.
moshi_audio_codes (torch.Tensor of shape (batch_size, num_codebooks, sequence_length), *optional*) -- The audio codes used as audio Moshi prompt for the generation. Has priority over moshi_input_valuesand represents the audio "tokens" ofmoshi_input_values` once passed through the audio encoder.
inputs_embeds (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Secara opsional, alih-alih meneruskan input_ids dan input audio, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Hal ini berguna jika Anda ingin memiliki kendali lebih atas cara mengonversi input menjadi vektor terkait daripada matriks pencarian penanaman internal model.
return_audio_waveforms (bool, opsional, defaultnya True) — Jika False, gelombang audio tidak akan dihasilkan.
return_audio_codes (bool, opsional) — Jika True, juga akan mengembalikan kode audio yang dihasilkan, yaitu “token” audio antara yang diubah menjadi audio_sequences setelah melewati decoder audio.
concat_unconditional_inputs (bool, opsional, default True) — Jika False, token audio dan teks awal tidak akan digabungkan.
kwargs (dict[str, Any], opsional) — Kamus sisa argumen kata kunci yang diteruskan ke metode generate. Lihat docstring asli generate untuk informasi lebih lanjut tentang cara menggunakannya. Perhatikan bahwa kata kunci dengan awalan depth_ akan menjadi input untuk metode generate dari depth decoder. Jika tidak, decoder tersebut akan menggunakan konfigurasi generasi defaultnya.

Membuat rangkaian id token teks dan id token audio.

get_unconditional_inputs

< source >

( num_samples = 1 )

Parameter

num_samples (int, opsional) — Jumlah sampel audio yang akan dihasilkan secara tidak bersyarat.
max_new_tokens (int, opsional) — Jumlah token yang akan dihasilkan untuk setiap sampel. Semakin banyak token, semakin panjang sampel audionya, dengan konsekuensi waktu inferensi yang lebih lama (karena lebih banyak token audio yang perlu dihasilkan per sampel).

Fungsi bantu untuk mendapatkan input null untuk generasi tanpa syarat, memungkinkan model digunakan tanpa feature extractor atau tokenizer.

Contoh:

>>> from transformers import MoshiForConditionalGeneration

>>> model = MoshiForConditionalGeneration.from_pretrained("kmhf/hf-moshika")

>>> # get the unconditional (or 'null') inputs for the model
>>> unconditional_inputs = model.get_unconditional_inputs(num_samples=1)
>>> audio_samples = model.generate(**unconditional_inputs, max_new_tokens=256)

Update on GitHub

←Moonshine Streaming MOSS-Transcribe-Diarize→