torchaudio.models

该分包包含用于解决常见音频任务的模型的定义。torchaudio.models

注意

对于带有预训练参数的模型，请参考 module。

模型定义负责构建计算图并执行它们。

某些模型具有复杂的结构和变化。 对于此类模型，提供了工厂函数。

转换器	Conformer 中引入的 Conformer 架构：用于语音识别的卷积增强 Transformer [Gulati et al.， 2020]。
ConvTasNet 公司	Conv-TasNet 中引入的 Conv-TasNet 架构：超越语音分离的理想时频幅度掩码 [Luo 和 Mesgarani，2019 年]。
深度语音	Deep Speech：扩展端到端语音识别 [Hannun et al.， 2014] 中介绍的 DeepSpeech 架构。
转换器	Emformer 中介绍的 Emformer 架构：用于低延迟流式语音识别的基于高效 Memory Transformer 的声学模型 [Shi et al.， 2021]。
HDemucs	来自混合频谱图和波形源分离的混合 Demucs 模型 [Défossez， 2021]。
HuBERTPretrain模型	HuBERT 模型用于 HuBERT 中的预训练 [Hsu et al.， 2021]。
RNNT	递归神经网络传感器 （RNN-T） 模型。
RNNTBeam搜索	用于 RNN-T 模型的波束搜索解码器。
SquimObjective	语音质量和清晰度测量 （SQUIM） 模型，用于预测语音增强的客观指标分数（例如 STOI、PESQ 和 SI-SDR）。
Squim主观	语音质量和清晰度测量 （SQUIM） 模型，用于预测语音增强的主观度量分数（例如，平均意见分数 （MOS））。
Tacotron2 （塔科特龙2）	Tacotron2 模型来自自然 TTS 合成，通过对 Mel 频谱图预测 [Shen et al.， 2018] 基于 Nvidia 深度学习示例的实现。
Wav2字母	来自 Wav2Letter 的 Wav2Letter 模型架构：基于端到端 ConvNet 的语音识别系统 [Collobert et al.， 2016]。
Wav2Vec2模型	wav2vec 2.0 中使用的声学模型 [Baevski et al.， 2020]。
WaveRNN	来自高效神经音频合成 [Kalchbrenner et al.， 2018] 的 WaveRNN 模型基于 fatchord/WaveRNN 的实现。