KerasHub: 预训练模型 / API 文档 / 模型架构 / Moonshine / MoonshineAudioToTextPreprocessor 层

MoonshineAudioToTextPreprocessor 层

[源代码]

MoonshineAudioToTextPreprocessor

keras_hub.models.MoonshineAudioToTextPreprocessor(
    audio_converter, tokenizer, decoder_sequence_length=1024, **kwargs
)

Moonshine 针对音频转文本任务的 Seq2Seq LM 预处理器。

此预处理器将原始音频和文本输入转换为适合 MoonshineAudioToText 模型使用的格式。它使用 MoonshineAudioConverter 处理音频波形进行基本预处理(填充、归一化),并使用 MoonshineTokenizer 对解码器文本进行分词。它支持训练和生成。

参数

  • audio_converter: 一个 MoonshineAudioConverter 实例,用于处理音频。
  • tokenizer: 一个 MoonshineTokenizer 实例,用于对文本进行分词。
  • decoder_sequence_length: int,可选。解码器 token 序列的最大长度。默认为 1024。
  • **kwargs: 父类的额外关键字参数。

示例

import keras
from keras_hub.layers import MoonshineAudioConverter
from keras_hub.models import MoonshineTokenizer

# Create audio converter and tokenizer instances.
audio_converter = MoonshineAudioConverter()
tokenizer = MoonshineTokenizer.from_preset("moonshine_base")

# Initialize the preprocessor.
preprocessor = keras_hub.models.MoonshineAudioToTextPreprocessor(
    audio_converter=audio_converter,
    tokenizer=tokenizer,
    decoder_sequence_length=8
)

# Prepare input data (audio tensor and text).
inputs = {
    "audio": keras.random.normal((1, 16000)),
    "text": ["the quick brown fox"]
}

# Process the inputs for training.
x, y, sample_weight = preprocessor(inputs)

# Check output keys and shapes (shapes depend on padding/truncation).
print(x.keys())
# dict_keys(['encoder_input_values', 'encoder_padding_mask',
# 'decoder_token_ids', 'decoder_padding_mask']).
print(x["encoder_input_values"].shape) # e.g., (1, 16000, 1) / padded length
print(x["encoder_padding_mask"].shape) # e.g., (1, 16000) or padded length
print(x["decoder_token_ids"].shape) # (1, 8)
print(x["decoder_padding_mask"].shape) # (1, 8)
print(y.shape) # (1, 8) - Labels
print(sample_weight.shape) # (1, 8) - Sample weights

# Process inputs for generation.
gen_inputs = preprocessor.generate_preprocess(inputs)
print(gen_inputs.keys())
# dict_keys(['encoder_input_values', 'encoder_padding_mask',
# 'decoder_token_ids', 'decoder_padding_mask']).

[源代码]

from_preset 方法

MoonshineAudioToTextPreprocessor.from_preset(
    preset, config_file="preprocessor.json", **kwargs
)

从模型预设实例化一个 keras_hub.models.Preprocessor

预设是一个包含配置、权重和其他文件资产的目录,用于保存和加载预训练模型。preset 可以作为以下之一传递:

  1. 一个内置的预设标识符,如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 一个本地预设目录的路径,如 './bert_base_en'

对于任何 Preprocessor 子类,您可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

由于一个给定模型通常有多个预处理类,因此应在特定的子类上调用此方法,例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()

参数

  • preset:字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。

示例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
预设 参数 描述
moonshine_tiny_en 27.09M 用于英语语音识别的 Moonshine tiny 模型。由 Useful Sensors 开发,用于实时转录。
moonshine_base_en 61.51M 用于英语语音识别的 Moonshine base 模型。由 Useful Sensors 开发,用于实时转录。

tokenizer 属性

keras_hub.models.MoonshineAudioToTextPreprocessor.tokenizer

用于对字符串进行分词的分词器。