المعالجات

المعالجات متعددة الوسائط

ستتطلب أي نموذج متعدد الوسائط كائنًا لتشفير البيانات أو فك تشفيرها، يجمع عدة وسائط (من بينها النص، والرؤية، والصوت). يتم التعامل مع ذلك عبر كائنات تُسمى المعالِجات (processors)، والتي تجمع معًا كائنين أو أكثر من كائنات المعالجة، مثل المرمّزات (tokenizers) (لوسيط النص)، ومعالجات الصور (image processors) (لوسيط الرؤية)، ومستخرجات الميزات (feature extractors) (لوسيط الصوت).

ترث هذه المعالجات من الفئة الأساسية التالية التي تنفّذ وظيفة الحفظ والتحميل:

فئة transformers.ProcessorMixin

< source >

( *args**kwargs )

هذا مزيج (mixin) يُستخدم لتوفير وظيفة الحفظ/التحميل لجميع فئات المعالج.

call

< source >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Nonetext: str | list[str] | list[list[str]] | None = Nonevideos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]], NoneType] = Noneaudio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor'], NoneType] = None**kwargs: *<class 'transformers.processing_utils.ProcessingKwargs'> )

المعاملات

images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]], اختياري) — الصورة التي سيتم معالجتها مسبقًا. يتوقع صورة واحدة أو دفعة من الصور بقيم بكسل تتراوح بين 0 و255. إذا كنت تمرر صورًا بقيم بكسل بين 0 و1، فاضبط do_rescale=False.
text (Union[str, list[str], list[list[str]]]، اختياري) — التسلسل أو الدفعة من التسلسلات المراد ترميزها. يمكن أن يكون كل تسلسل نصاً أو قائمة من النصوص (نص مُقسَّم مسبقاً إلى رموز). إذا مرّرت مدخلاً مُقسَّماً مسبقاً إلى رموز، فعيّن is_split_into_words=True لتجنّب الغموض مع المدخلات المُجمَّعة في دفعات.
videos (Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]، اختياري) — فيديو يُراد معالجته مسبقًا. يتوقع فيديو واحدًا أو دفعة من الفيديوهات بقيم بكسل تتراوح بين 0 و255. إذا كنت تمرر فيديوهات بقيم بكسل بين 0 و1، فاضبط do_rescale=False.
audio (Union[numpy.ndarray, torch.Tensor, collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence[torch.Tensor]], اختياري) — الصوت أو مجموعة الأصوات التي سيتم تجهيزها. يمكن أن يكون كل صوت مصفوفة NumPy أو متجه PyTorch. في حالة استخدام مصفوفة NumPy أو متجه PyTorch، يجب أن يكون شكل كل صوت (C, T)، حيث C هو عدد القنوات، وT هو طول العينة للصوت.
return_tensors (str أو TensorType, اختياري) — إذا تم تعيينه، فسيُعاد تينسورات من إطار عمل محدد. القيم المقبولة هي:
- 'pt': إرجاع كائنات torch.Tensor من PyTorch.
- 'np': إرجاع كائنات np.ndarray من NumPy.
**kwargs (ProcessingKwargs، اختياري) — خيارات معالجة إضافية لكل نمط (نص، صور، مقاطع فيديو، صوت). تُدرج المعلمات الخاصة بالنموذج أعلاه؛ راجع فئة TypedDict للحصول على القائمة الكاملة للحجج المدعومة.

prepare_inputs_layout

< source >

تطبيع المدخلات وجلبها مسبقاً قبل المعالجة. يغلّف النص في قائمة لمعالجات الوسائط المتعددة، ويجلب الصور والصوت عن بُعد إذا تم توفير عناوين URL، ويضمن تجميع الصوت بشكل صحيح. يعيد مجموعة (images, text, videos, audio) المطبّعة.

validate_inputs

< source >

تحقّق من أن مدخلاً واحداً على الأقل قد تم توفيره، وأن كلمات مفتاحية غير مستخدمة لم تُستخدَم. وإلا ترفع ValueError.

تجاوز عند الحاجة إلى التحقق الإضافي من المعاملات المدخلة في المعالج.

get_text_with_replacements

< source >

( text: listimages_replacements: list = []videos_replacements: list = []audio_replacements: list = [] ) → tuple[list[str], list[dict[str, Any]]]

المعاملات

text (list[str]) — دفعة من نصوص خام، قد تحتوي كل منها على رموز محجوزة متعددة الوسائط. يُشار إلى أن النص سيُعدَّل في مكانه ثم يُعاد.
images_replacements (list[str]، اختياري، القيمة الافتراضية []) — النصوص البديلة الموسّعة لكل صورة، بالترتيب الذي تظهر به عبر الدفعة. يتم إنتاجها بواسطة self._process_images.
videos_replacements (list[str]، اختياري، القيمة الافتراضية []) — النصوص البديلة الموسّعة لكل فيديو. يتم إنتاجها بواسطة self._process_videos.
audio_replacements (list[str]، اختياري، الافتراضي []) — النصوص البديلة الموسّعة لكل مدخل صوتي. يتم إنتاجها بواسطة self._process_audio.

يعيد

tuple[list[str], list[dict[str, Any]]]

مجموعة من:

دفعة text المعدلة مع توسيع جميع رموز المساحة الاحتياطية.
batch_replacement_offsets: عنصر واحد لكل عنصر في الدفعة، حيث يكون كل عنصر قائمة من القواميس بمفاتيح:
“type” (str): اسم النمط — “image” أو “video” أو “audio”
“span” (tuple[int, int]): إزاحات الأحرف الأصلية (start, end) للرمز الوسيط
“new_span” (tuple[int, int]): إزاحات (start, end) للموضع الاحتياطي في النص الموسّع
“text” (str): سلسلة رمز الوكيل الأصلية التي تم مطابقتها
“replacement” (str): النص الذي تم الاستبدال به

استبدل رموز العلامات الموضعية متعددة الوسائط في دفعة من نصوص نصية بتمثيلات موسّعة لها، وأعد النصوص المعدّلة إلى جانب بيانات إزاحة الوصف.

تُعدّ هذه الطريقة خطوة المعالجة المسبقة الأساسية على جانب النصّ للمدخلات متعددة الوسائط. فهي تفحص كل نصّ في الدفعة بحثاً عن الرموز الخاصة (صورة، فيديو، صوت) وتُبدّلها بالترتيب مع سلاسل الاستبدال المحسوبة مسبقاً التي تنتجها self.replace_image_token / self.replace_video_token / self.replace_audio_token. تُستهلك عمليات الاستبدال من قائمة كل نمط تسلسلياً، بحيث يُستبدل الظهور رقم i لـ self.image_token مثلاً بـ images_replacements[i].

لإضافة معالج متعدد الوسائط جديد مع رموز محجوزة، يجب عليك تحديد self.image_token الصحيح، وهو الرمز نفسه المضمّن في النص المُدخل ويُستخدم أيضاً كرمز محجوز ويُكرر عدة مرات. ثم عليك تجاوز self.replace_image_token لإرجاع سلسلة الاستبدال الصحيحة للصورة المعطاة عند الفهرس i. وينطبق الأمر نفسه على جميع الوسائط المدعومة الأخرى.

create_mm_token_type_ids

< source >

( input_ids: list ) → list[list[int]]

المعاملات

input_ids (list[list[int]]) — دفعة من تسلسلات معرّفات الرموز. قد تكون غير مملوءة (بطول متغيّر)، لذا يُتوقّع قائمة Python عادية من القوائم بدلاً من متجه أو مصفوفة بأبعاد موحّدة.

يعيد

list[list[int]]

قائمة ذات بنية مماثلة لـinput_ids، حيث يمثل كل عدد صحيح معرّف نوع الوسائط (modality type ID) للرمز (token) المقابل.

أنشئ معرّفات نوع الوسائط لكل رمز (per-token) لدفعة من تسلسلات token_id.

يُسنَد إلى كل موضع عدد صحيح يحدد الوسيلة التي ينتمي إليها: 0 للنص العادي، و1 لرموز الصور، و2 لرموز الفيديو، و3 لرموز الصوت. ويُحدَّد الانتماء من خلال المقارنة مع self.image_token_ids وself.video_token_ids وself.audio_token_ids.

apply_chat_template

< source >

( conversation: list[dict[str, str]] | list[list[dict[str, str]]]chat_template: str | None = Nonetools: list[dict] | None = Nonedocuments: list[dict[str, str]] | None = Noneadd_generation_prompt: bool = Falsecontinue_final_message: bool | str = Falsereturn_assistant_tokens_mask: bool = Falsetokenize: bool = Falsereturn_tensors: str | transformers.utils.generic.TensorType | None = 'auto'return_dict: bool = Falseload_audio_from_video: bool = Falseprocessor_kwargs: dict | None = None**kwargs )

المعاملات

conversation (Union[list[Dict, [str, str]], list[list[dict[str, str]]]]) — المحادثة التي سيتم تنسيقها.
chat_template (Optional[str], اختياري) — قالب Jinja المستخدم لتنسيق المحادثة. إذا لم يُقدَّم، يُستخدم قالب المحادثة الخاص بمجزّئ الرموز.

بالمثل مع طريقة apply_chat_template الموجودة في مُرمّزيات الرموز، تطبّق هذه الطريقة قالب Jinja على محادثات الإدخال لتحويلها إلى نص واحد قابل للتقسيم إلى رموز.

يُتوقَّع أن يكون المدخل في الصيغة التالية، حيث يكون محتوى كل رسالة قائمة تتكوّن من نصّ ومدخلات صورة أو فيديو اختيارية. كما يمكن تقديم صورة أو فيديو أو عنوان URL أو مسار محلي، وسيُستخدم لتكوين pixel_values عندما يكون return_dict=True. إذا لم يُقدَّم، فسيتم الحصول على النصّ المنسَّق فقط، أو النصّ المُرمَّز اختيارياً.

conversation = [ { “role”: “user”, “content”: [ {“type”: “image”, “url”: “https://www.ilankelman.org/stopsigns/australia.jpg”}, {“type”: “text”, “text”: “Please describe this image in detail.”}, ], }, ]

معالجة kwargs

تقبل طرق __call__ في المعالج (Processor) حُججًا مُسمّاة (keyword arguments) منظمة حسب النمط (modality). تُعرّف فئات TypedDict التالية الحُجج المُسمّاة المتاحة لكل نمط. قد تُعرّف المعالجات الخاصة بالنماذج (Model-specific processors) فئات فرعية من هذه الفئات لإضافة حقول أو تجاوز الحقول الموجودة.

فئة transformers.ProcessingKwargs

< source >

( )

الفئة الأساسية لتمرير معاملات kwargs إلى المعالجات. في حال كان لدى النموذج معاملات kwargs محددة غير موجودة في الفئة الأساسية أو قيم افتراضية للمفاتيح الموجودة، فيجب أن يكون لديه فئة ModelProcessorKwargs خاصة به ترث من ProcessingKwargs لتوفير: 1) مفاتيح إضافية محددة النوع يحتاجها هذا النموذج لمعالجة المدخلات. 2) قيم افتراضية للمفاتيح الموجودة تحت سمة _defaults. يجب تعريف المفاتيح الجديدة على النحو التالي لضمان إجراء تلميح الأنواع بشكل صحيح.

# adding a new image kwarg for this model
class ModelImagesKwargs(ImagesKwargs, total=False):
    new_image_kwarg: Optional[bool]

class ModelProcessorKwargs(ProcessingKwargs, total=False):
    images_kwargs: ModelImagesKwargs
    _defaults = {
        "images_kwargs: {
            "new_image_kwarg": False,
        }
        "text_kwargs": {
            "padding": "max_length",
        },
    }

لتوافق Python 3.8، عند الوراثة من هذه الفئة وتجاوز أحد معاملات kwargs،

تحتاج إلى تحديث قاموس annotations يدوياً. يمكن القيام بذلك على النحو التالي:

class CustomProcessorKwargs(ProcessingKwargs, total=False):
    images_kwargs: CustomImagesKwargs

CustomProcessorKwargs.__annotations__["images_kwargs"] = CustomImagesKwargs  # python 3.8 compatibility

فئة transformers.TextKwargs

< source >

( )

المعاملات

add_special_tokens (bool, اختياري) — ما إذا كان يجب إضافة الرموز الخاصة عند ترميز التسلسلات أم لا.
padding (bool أو str أو PaddingStrategy، اختياري) — يفعّل التحكم في الحشو.
truncation (bool أو str أو TruncationStrategy، اختياري) — يُفعّل التحكم في القص.
max_length (int، اختياري) — يتحكم في الحد الأقصى للطول الذي يستخدمه أحد معاملات التقصير/الحشو.
stride (int، اختياري) — إذا تم تعيينه، فستحتوي الرموز المتجاوزة على بعض الرموز من نهاية التسلسل المقطوع.
is_split_into_words (bool, اختياري) — ما إذا كانت المدخلات مُجزّأة مسبقًا أم لا.
pad_to_multiple_of (int، اختياري) — إذا تم تعيينه، سيتم توسيط التسلسل إلى مضاعف للقيمة المُقدَّمة.
return_token_type_ids (bool, اختياري) — ما إذا كان يجب إرجاع معرّفات أنواع الرموز.
return_attention_mask (bool, اختياري) — ما إذا كان يجب إرجاع قناع الانتباه.
return_overflowing_tokens (bool، اختياري) — ما إذا كان يجب إرجاع تسلسلات الرموز الزائدة عن الحد أم لا.
return_special_tokens_mask (bool, اختياري) — ما إذا كان سيتم إرجاع معلومات قناع الرموز الخاصة أم لا.
return_offsets_mapping (bool، اختياري) — ما إذا كان سيتم إرجاع (char_start, char_end) لكل رمز.
return_length (bool، اختياري) — ما إذا كان يجب إرجاع أطوال المدخلات المُرمّزة أم لا.
verbose (bool، اختياري) — ما إذا كان يجب طباعة مزيد من المعلومات والتحذيرات أم لا.
padding_side (str، اختياري) — الجهة التي سيُطبَّق فيها الحشو.
return_mm_token_type_ids (bool، اختياري) — ما إذا كان يجب إرجاع معرّفات أنواع الرموز متعددة الوسائط التي تشير إلى مواضع رموز المحلّات الوهمية متعددة الوسائط.
return_text_replacement_offsets (bool, اختياري) — ما إذا كان يجب إرجاع إزاحات الأحرف لكل رمز نائب (placeholder) وسياق الاستبدال الخاص به.
return_tensors (str أو TensorType, اختياري) — إذا تم تعيينه، فسيُعاد تينسورات من إطار عمل محدد. القيم المقبولة هي:
- 'pt': إرجاع كائنات torch.Tensor من PyTorch.
- 'np': إرجاع كائنات np.ndarray من NumPy.

حجج الكلمات المفتاحية لمعالجة النص. للحصول على توثيق موسّع، راجع طرق tokenization_utils_base وdocstrings المرتبطة بها.

فئة transformers.ImagesKwargs

< source >

( )

المعاملات

do_convert_rgb (bool) — ما إذا كان سيتم تحويل الصورة إلى صيغة RGB.
do_resize (bool، اختياري) — ما إذا كان يجب تغيير حجم الصورة.
size (dict[str, int]، اختياري) — تغيير الحجم باستخدام أحد قواميس الأحجام المدعومة. تستخدم حدود مساحة البكسلات {"min_pixels": int, "max_pixels": int}.
default_to_square (bool، اختياري، القيمة الافتراضية self.default_to_square) — ما إذا كان يجب افتراض شكل مربع عند تغيير الحجم، إذا كانت قيمة size من نوع int.
crop_size (dict[str, int]، اختياري) — الحجم المطلوب للمخرجات عند تطبيق القص المركزي.
resample (PILImageResampling، اختياري) — مرشح إعادة العينة المستخدم عند تغيير حجم الصورة.
do_rescale (bool، اختياري) — ما إذا كان سيتم إعادة تحجيم الصورة باستخدام معامل التحجيم المحدد rescale_factor.
rescale_factor (int أو float، اختياري) — معامل المقياس المستخدم عند إعادة تحجيم الصورة.
do_normalize (bool, اختياري) — ما إذا كان سيتم تطبيع الصورة.
image_mean (float أو list[float] or tuple[float, float, float]، اختياري) — المتوسط المستخدم عند تطبيع الصورة.
image_std (float أو list[float] or tuple[float, float, float]، اختياري) — الانحراف المعياري المستخدم عند تطبيع الصورة.
do_pad (bool، اختياري) — ما إذا كان يجب ملء الصور في الدفعة.
pad_size (dict[str, int]، اختياري) — الحجم {"height": int, "width" int} الذي يجب توسيط الصور إليه.
do_center_crop (bool، اختياري) — ما إذا كان سيتم قص الصورة من المنتصف.
data_format (ChannelDimension أو str، اختياري) — تنسيق بُعد القناة للصورة الناتجة.
input_data_format (ChannelDimension أو str، اختياري) — تنسيق بُعد القناة للصورة المدخلة.
device (Union[str, torch.Tensor]، اختياري) — الجهاز المستخدم للمعالجة (مثلًا “cpu” أو “cuda”)، وهو ذو صلة فقط بواجهة torchvision.
return_tensors (str أو TensorType, اختياري) — إذا تم تعيينه، فسيُعاد تينسورات من إطار عمل محدد. القيم المقبولة هي:
- 'pt': إرجاع كائنات torch.Tensor من PyTorch.
- 'np': إرجاع كائنات np.ndarray من NumPy.
disable_grouping (bool، اختياري) — ما إذا كان سيتم تجميع الصور حسب الأشكال عند المعالجة أم لا، وهو أمر ذو صلة فقط بواجهة torchvision.
image_seq_length (int, اختياري) — عدد رموز الصورة التي سيتم استخدامها لكل صورة في المدخلات. تمت إضافته من أجل التوافق مع الإصدارات السابقة، لكن ينبغي ضبطه كخاصية للمعالج في النماذج المستقبلية.

حجج الكلمات المفتاحية لمعالجة الصور. للحصول على توثيق موسّع، راجع طرق فئة ImageProcessor المناسبة ووثائقها.

فئة transformers.VideosKwargs

< source >

( )

المعاملات

do_convert_rgb (bool) — ما إذا كان سيتم تحويل الفيديو إلى تنسيق RGB.
do_resize (bool) — ما إذا كان يجب تغيير حجم الفيديو.
size (dict[str, int]، اختياري) — تغيير حجم الجانب الأقصر من المدخلات إلى size["shortest_edge"].
default_to_square (bool، اختياري، القيمة الافتراضية self.default_to_square) — ما إذا كان يجب افتراض شكل مربع عند تغيير الحجم، إذا كانت قيمة size من نوع int.
resample (PILImageResampling، اختياري) — مرشح إعادة العينة (Resampling filter) المستخدم عند تغيير حجم الفيديو.
do_rescale (bool، اختياري) — ما إذا كان سيتم إعادة تحجيم الفيديو حسب معامل التحجيم المحدد rescale_factor.
rescale_factor (int أو float، اختياري) — معامل المقياس المستخدم عند إعادة تحجيم الفيديو.
do_normalize (bool، اختياري) — ما إذا كان سيتم تطبيع الفيديو.
image_mean (float أو list[float] or tuple[float, float, float]، اختياري) — المتوسط المستخدم عند تطبيع الفيديو.
image_std (float أو list[float] or tuple[float, float, float]، اختياري) — الانحراف المعياري المستخدم عند تطبيع الفيديو.
do_center_crop (bool، اختياري) — ما إذا كان سيتم قصّ الفيديو من المنتصف.
do_pad (bool، اختياري) — ما إذا كان يجب ملء الصور في الدفعة.
do_sample_frames (bool, اختياري) — ما إذا كان يجب أخذ عينات من الإطارات من الفيديو قبل المعالجة، أو معالجة الفيديو بالكامل.
video_metadata (Union[VideoMetadata, dict]، اختياري) — بيانات وصفية للفيديو تتضمن معلومات عن المدة الإجمالية، ومعدل الإطارات في الثانية، وعدد الإطارات الإجمالي.
num_frames (int, اختياري) — الحد الأقصى لعدد الإطارات التي يجب أخذ عينات منها عند do_sample_frames=True.
fps (int أو float، اختياري) — عدد الإطارات المستهدفة التي يجب أخذها كل ثانية عند do_sample_frames=True.
crop_size (dict[str, int]، اختياري) — الحجم المطلوب للمخرجات عند تطبيق القص المركزي.
data_format (ChannelDimension أو str، اختياري) — تنسيق بُعد القناة للفيديو الناتج.
input_data_format (ChannelDimension أو str، اختياري) — تنسيق بُعد القناة للفيديو المُدخل.
device (Union[str, torch.Tensor]، اختياري) — الجهاز المستخدم للمعالجة (مثل “cpu” أو “cuda”)، وهو ذو صلة فقط بمعالجة الصور السريعة.
return_metadata (bool، اختياري) — ما إذا كان يجب إرجاع بيانات وصفية للفيديو أم لا.
return_tensors (str أو TensorType, اختياري) — إذا تم تعيينه، فسيُعاد تينسورات من إطار عمل محدد. القيم المقبولة هي:
- 'pt': إرجاع كائنات torch.Tensor من PyTorch.
- 'np': إرجاع كائنات np.ndarray من NumPy.

معلمات الكلمات المفتاحية لمعالجة الفيديو.

فئة transformers.AudioKwargs

< source >

( )

المعاملات

sampling_rate (int، اختياري) — معدل أخذ العينات الذي تم أخذ عينات مدخل raw_speech بموجبه.
raw_speech (np.ndarray، list[float]، list[np.ndarray]، list[list[float]]) — التسلسل أو الدفعة من التسلسلات التي سيتم ملؤها. يمكن أن يكون كل تسلسل مصفوفة numpy، أو قائمة من قيم float، أو قائمة من مصفوفات numpy، أو قائمة من قوائم قيم float. يجب أن يكون الصوت أحادي القناة وليس ستيريو، أي قيمة float واحدة لكل خطوة زمنية.
padding (bool, str أو PaddingStrategy, اختياري) — اختر استراتيجية لحشو التسلسلات المُعادَة (وفقًا لجانب الحشو وفهرس الحشو الخاص بالنموذج) من بين الخيارات التالية:
- True أو 'longest': يتم ملء التسلسلات حتى أطول تسلسل في الدفعة (أو لا يتم أي ملء إذا تم تقديم تسلسل واحد فقط).
- 'max_length': يتم ملء النص حتى الطول الأقصى المحدد عبر الحجة max_length أو حتى الطول الأقصى المقبول لإدخال النموذج إذا لم تُقدَّم تلك الحجة.
- False أو 'do_not_pad'
max_length (int، اختياري) — الحد الأقصى لطول القائمة المُعادَة وطول الحشو بشكل اختياري (انظر أعلاه).
truncation (bool، اختياري) — يفعّل القصّ لقطع تسلسلات الإدخال الأطول من max_length إلى max_length.
pad_to_multiple_of (int، اختياري) — إذا تم تعيينه، سيتم توسيط التسلسل إلى مضاعف للقيمة المُقدَّمة.
return_attention_mask (bool، اختياري) — ما إذا كان ينبغي لـ call() أن تُرجع attention_mask أم لا.
device (str أو torch.device، اختياري) — الجهاز الذي تُحسب عليه ميزات الصوت (مثلًا “cpu” أو “cuda”)، وهو ذو صلة فقط بمستخلصات الميزات التي تحسبها باستخدام torch.
return_tensors (str أو TensorType, اختياري) — إذا تم تعيينه، فسيُعاد تينسورات من إطار عمل محدد. القيم المقبولة هي:
- 'pt': إرجاع كائنات torch.Tensor من PyTorch.
- 'np': إرجاع كائنات np.ndarray من NumPy.
load_audio_backend (str، اختياري) — الخلفية (Backend) التي يستخدمها load_audio() لفك ترميز/إعادة عينة الصوت المشار إليه عبر عنوان URL/مسار في apply_chat_template. أحد القيم: "auto"، "torchcodec"، "librosa"، "torchaudio".

معلمات الكلمات المفتاحية لمعالجة الصوت.

Update on GitHub

Transformers

المعالجات