# Áudio-texto-para-texto

Modelos de áudio-texto-para-texto aceitam tanto áudio quanto texto como entradas e geram texto como saída. Eles combinam a compreensão de áudio com a geração de linguagem, permitindo tarefas como resposta a perguntas sobre áudio (por exemplo, "O que está sendo dito neste clipe?"), raciocínio sobre áudio (por exemplo, "Qual emoção o falante transmite?") e compreensão de diálogos falados. Diferentemente dos modelos tradicionais de reconhecimento automático de fala (ASR) que apenas transcrevem a fala em texto, os modelos de áudio-texto-para-texto podem raciocinar sobre o conteúdo do áudio, seguir instruções complexas e produzir respostas contextuais com base no que ouvem.

O exemplo abaixo mostra como carregar um modelo e um processador, passar um arquivo de áudio com um prompt de texto e gerar uma resposta. Neste caso, pedimos ao modelo para transcrever uma gravação de fala.

```python
from transformers import AudioFlamingo3ForConditionalGeneration, AutoProcessor

model_id = "nvidia/audio-flamingo-3-hf"
processor = AutoProcessor.from_pretrained(model_id)
model = AudioFlamingo3ForConditionalGeneration.from_pretrained(model_id, device_map="auto")

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Transcribe the input speech."},
            {"type": "audio", "path": "https://huggingface.co/datasets/nvidia/AudioSkills/resolve/main/assets/WhDJDIviAOg_120_10.mp3"},
        ],
    }
]

inputs = processor.apply_chat_template(
    conversation,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=500)

decoded_outputs = processor.batch_decode(outputs[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(decoded_outputs)
## ["The transcription of the audio is 'summer follows spring the days grow longer and the nights are warm'."]
```

Este guia mostrará como:

1. Ajuste fino de [Audio Flamingo 3](https://huggingface.co/nvidia/audio-flamingo-3-hf) no conjunto de dados [AudioCaps](https://huggingface.co/datasets/OpenSound/AudioCaps) para legendagem de áudio usando LoRA.
2. Use seu modelo ajustado para inferência.

> [!TIP]
> Para ver todas as arquiteturas e checkpoints compatíveis com esta tarefa, recomendamos consultar a [página da tarefa](https://huggingface.co/tasks/audio-text-to-text).

Antes de começar, verifique se você tem todas as bibliotecas necessárias instaladas:

```bash
pip install transformers datasets peft accelerate
```

Recomendamos que você faça login na sua conta do Hugging Face para que possa enviar e compartilhar seu modelo com a comunidade. Quando solicitado, insira seu token para fazer login:

```py
>>> from huggingface_hub import notebook_login
>>> notebook_login()
```

## Carregar o conjunto de dados AudioCaps

Comece carregando o conjunto de dados [AudioCaps](https://huggingface.co/datasets/OpenSound/AudioCaps) da biblioteca 🤗 Datasets em modo de streaming. Este conjunto de dados contém clipes de áudio com legendas descritivas, perfeito para tarefas de legendagem de áudio.

```py
>>> from datasets import load_dataset, Audio
>>> dataset = load_dataset("OpenSound/AudioCaps", split="train", streaming=True)
```

Faça o cast da coluna de áudio para 16 kHz, que é exigido pelo extrator de recursos Whisper do Audio Flamingo:

```py
>>> dataset = dataset.cast_column("audio", Audio(sampling_rate=16000))
```

Divida o conjunto de dados em conjuntos de treinamento e teste usando `.take()` e `.skip()` para conjuntos de dados em streaming:

```py
>>> train_dataset = dataset.take(1000)
>>> eval_dataset = dataset.skip(1000).take(100)
```

Dê uma olhada em um exemplo:

```py
>>> next(iter(train_dataset))
{'audiocap_id': 91139, 'youtube_id': 'r1nicOVtvkQ', 'start_time': 130, 'caption': 'A woman talks nearby as water pours', 'audio_length': 480000, 'audio': <datasets.features._torchcodec.AudioDecoder object at ...>}

```

O conjunto de dados contém:

- `audio`: a forma de onda do áudio
- `caption`: a legenda descritiva do áudio

## Pré-processar

Carregue o processador do Audio Flamingo para lidar com entradas de áudio e texto:

```py
>>> from transformers import AutoProcessor
>>> processor = AutoProcessor.from_pretrained("nvidia/audio-flamingo-3-hf")
```

Crie um data collator que processa pares de áudio e texto no formato esperado pelo Audio Flamingo. O collator usa o formato de template de chat com arrays de áudio diretos:

```py
>>> class AudioFlamingo3DataCollator:
...     """Data collator for Audio Flamingo 3 audio captioning training."""
...
...     def __init__(self, processor):
...         self.processor = processor
...
...     def __call__(self, features):
...         conversations = []
...
...         for feature in features:
...             # Build conversation format for Audio Flamingo
...             # Audio is passed directly as an array, no base64 encoding needed
...             sample = [
...                 {
...                     "role": "user",
...                     "content": [
...                         {"type": "text", "text": "Describe the audio."},
...                         {"type": "audio", "audio": feature["audio"].get_all_samples().data[0].numpy()},
...                     ],
...                 },
...                 {
...                     "role": "assistant",
...                     "content": [{"type": "text", "text": feature["caption"]}],
...                 }
...             ]
...             conversations.append(sample)
...
...         # Apply chat template and format labels for training
...         return self.processor.apply_chat_template(
...             conversations,
...             tokenize=True,
...             add_generation_prompt=False,
...             return_dict=True,
...             output_labels=True,  # Automatically creates labels for training
...         )
```

Instancie o data collator:

```py
>>> data_collator = AudioFlamingo3DataCollator(processor)
```

## Treinar

> [!TIP]
> Se você não está familiarizado com o ajuste fino de um modelo usando o [Trainer](/docs/transformers/main/pt/main_classes/trainer#transformers.Trainer), dê uma olhada no tutorial básico [aqui](../training)!

Carregue o modelo Audio Flamingo. Usamos a precisão `bfloat16` e `device_map="auto"` para um uso eficiente de memória:

```py
>>> from transformers import AudioFlamingo3ForConditionalGeneration
>>> import torch
>>> model = AudioFlamingo3ForConditionalGeneration.from_pretrained(
...     "nvidia/audio-flamingo-3-hf",
...     torch_dtype=torch.bfloat16,
...     device_map="auto",
... )
```

### Configure o LoRA

[LoRA](https://huggingface.co/docs/peft/conceptual_guides/adapter#low-rank-adaptation-lora) (Low-Rank Adaptation) permite o ajuste fino eficiente treinando apenas um pequeno número de parâmetros adicionais. Configure o LoRA para direcionar as camadas de atenção e feed-forward do modelo de linguagem:

```py
>>> from peft import LoraConfig, get_peft_model
>>> lora_config = LoraConfig(
...     r=16,  # LoRA rank
...     lora_alpha=32,  # LoRA scaling factor
...     target_modules=[
...         # Language model attention
...         "q_proj",
...         "k_proj",
...         "v_proj",
...         "o_proj",
...         # Feed-forward layers
...         "gate_proj",
...         "up_proj",
...         "down_proj",
...     ],
...     lora_dropout=0.05,
...     bias="none",
...     task_type="CAUSAL_LM",
... )
>>> model = get_peft_model(model, lora_config)
>>> model.print_trainable_parameters()
trainable params: 44,302,336 || all params: 8,311,517,696 || trainable%: 0.5330

```

> [!TIP]
> LoRA reduz significativamente o uso de memória e o tempo de treinamento ao atualizar apenas um pequeno número de parâmetros de adaptador, em vez do modelo completo. Essa configuração visa as camadas de atenção e feed-forward do modelo de linguagem, mantendo o codificador de áudio congelado, o que torna possível fazer fine-tuning em uma única GPU.

### Configurar o treinamento

Defina os hiperparâmetros de treinamento em [TrainingArguments](/docs/transformers/main/pt/main_classes/trainer#transformers.TrainingArguments). Observe que usamos `max_steps` em vez de epochs, pois estamos usando um dataset de streaming:

```py
>>> from transformers import TrainingArguments, Trainer
>>> training_args = TrainingArguments(
...     output_dir="audio-flamingo-3-hf-lora-finetuned",
...     per_device_train_batch_size=4,
...     per_device_eval_batch_size=4,
...     gradient_accumulation_steps=4,
...     learning_rate=1e-4,
...     max_steps=500,  # Use max_steps with streaming datasets
...     bf16=True,
...     logging_steps=10,
...     eval_steps=100,
...     save_steps=250,
...     save_total_limit=2,  # Keep only the latest 2 checkpoints
...     save_only_model=True,  # Skip saving optimizer state to save disk space
...     eval_strategy="steps",
...     save_strategy="steps",
...     remove_unused_columns=False,
...     dataloader_num_workers=0,  # Must be 0 for streaming datasets
...     gradient_checkpointing=True,
...     report_to="none",
... )
```

Passe os argumentos de treinamento para o [Trainer](/docs/transformers/main/pt/main_classes/trainer#transformers.Trainer) junto com o modelo, os conjuntos de dados e o data collator:

```py
>>> trainer = Trainer(
...     model=model,
...     args=training_args,
...     train_dataset=train_dataset,
...     eval_dataset=eval_dataset,
...     data_collator=data_collator,
... )
>>> trainer.train()
```

Salve o adaptador LoRA e o processador:

```py
>>> trainer.save_model()
>>> processor.save_pretrained("audio-flamingo-3-hf-lora-finetuned")
['audio-flamingo-3-hf-lora-finetuned/processor_config.json']

```

Após a conclusão do treinamento, compartilhe seu modelo no Hub:

```py
>>> trainer.push_to_hub()
```

## Inferência

Agora que você ajustou o modelo, pode usá-lo para legendagem de áudio.

Carregue o modelo e o processador ajustados:

```py
>>> from transformers import AudioFlamingo3ForConditionalGeneration, AutoProcessor
>>> from peft import PeftModel
>>> import torch
>>> base_model = AudioFlamingo3ForConditionalGeneration.from_pretrained(
...     "nvidia/audio-flamingo-3-hf",
...     torch_dtype=torch.bfloat16,
...     device_map="auto",
... )
>>> model = PeftModel.from_pretrained(base_model, "audio-flamingo-3-hf-lora-finetuned")
>>> processor = AutoProcessor.from_pretrained("audio-flamingo-3-hf-lora-finetuned")
```

Carregue uma amostra de áudio para inferência:

```py
>>> from datasets import load_dataset, Audio
>>> dataset = load_dataset("OpenSound/AudioCaps", split="test", streaming=True)
>>> dataset = dataset.cast_column("audio", Audio(sampling_rate=16000))
>>> sample = next(iter(dataset))
>>> audio = sample["audio"]
>>> audio_array = audio.get_all_samples().data[0].numpy() if hasattr(audio, "get_all_samples") else audio["array"]
```

Prepare a entrada com um formato de conversa:

```py
>>> messages = [
...     {
...         "role": "user",
...         "content": [
...             {"type": "text", "text": "Describe the audio."},
...             {"type": "audio", "audio": audio_array},
...         ],
...     }
... ]
>>> inputs = processor.apply_chat_template(
...     messages,
...     tokenize=True,
...     add_generation_prompt=True,
...     return_dict=True,
... ).to(device=model.device, dtype=model.dtype)
```

Gerar uma resposta:

```py
>>> with torch.no_grad():
...     output_ids = model.generate(**inputs, max_new_tokens=100)
>>> # Decode only the generated tokens
>>> input_len = inputs["input_ids"].shape[1]
>>> response = processor.tokenizer.decode(output_ids[0][input_len:], skip_special_tokens=True)
>>> print(response)
## A sewing machine is running while people are talking
```

## Pipeline

Para inferência rápida, use a API [Pipeline](/docs/transformers/main/pt/main_classes/pipelines#transformers.Pipeline) com um modelo `any-to-any`. O exemplo abaixo usa o [Voxtral](https://huggingface.co/mistralai/Voxtral-Mini-3B-2507), que aceita entradas de áudio e texto e gera texto. Consulte o [guia da tarefa any-to-any](./any_to_any) para mais exemplos.

```python
from transformers import pipeline

pipe = pipeline("any-to-any", model="mistralai/Voxtral-Mini-3B-2507")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "audio",
                "url": "https://huggingface.co/datasets/raushan-testing-hf/audio-test/resolve/main/glass-breaking-151256.mp3",
            },
            {"type": "text", "text": "What do you hear in this audio?"},
        ],
    },
]

outputs = pipe(text=messages, max_new_tokens=100, return_full_text=False)
print(outputs[0]["generated_text"])
```

## Leituras adicionais

- A [página da tarefa de áudio-texto-para-texto](https://huggingface.co/tasks/audio-text-to-text) aborda os tipos de modelo, casos de uso e conjuntos de dados.
- Documentação do [PEFT](https://huggingface.co/docs/peft) para mais opções de configuração do LoRA e outros métodos de adaptador.
- [cartão do modelo Audio Flamingo 3](https://huggingface.co/nvidia/audio-flamingo-3-hf) para detalhes e capacidades específicos do modelo.