# Fun-ASR-Nano ## Resumen Fun-ASR-Nano es un modelo de reconocimiento de voz de extremo a extremo con 800 millones de parámetros, desarrollado por el equipo FunAudioLLM de Alibaba DAMO Academy. Alcanza un rendimiento líder en los benchmarks de ASR en chino, inglés y japonés, siendo significativamente más pequeño que los modelos comparables. El modelo fue propuesto en [Fun-ASR: An Industrial-Grade Speech Recognition System](https://huggingface.co/papers/2509.12508). ### Arquitectura Fun-ASR-Nano consta de tres componentes: 1. **Codificador de audio** (SenseVoiceEncoderSmall): un codificador de 70 capas SANM (Self-Attention with FSMN Memory) que combina la autoatención multi-cabeza con redes de memoria secuencial feedforward para una extracción eficiente de características del habla. 2. **Audio Adaptor**: un Transformer de 2 capas que proyecta las salidas del codificador (512 dimensiones) a la dimensión del LLM (1024 dimensiones). 3. **Language Model** (Qwen3-0.6B): un modelo de lenguaje causal de 28 capas que genera el texto de la transcripción de forma autoregresiva. ### Características principales - **chino, inglés y japonés**, incluidos 7 dialectos del chino y 26 acentos regionales - **Personalización de palabras clave** para vocabulario específico de un dominio - Salida de **puntuación nativa** (no se necesita un modelo de puntuación separado) ## Uso ### Inferencia única ```python from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor model_id = "FunAudioLLM/Fun-ASR-Nano-2512-hf" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id, device_map="auto") audio_url = "https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512/resolve/main/example/en.mp3" inputs = processor.apply_transcription_request(audio=audio_url).to(model.device) generated_ids = model.generate(**inputs, max_new_tokens=200) generated_ids = generated_ids[:, inputs.input_ids.shape[1]:] print(processor.decode(generated_ids, skip_special_tokens=True)[0]) ``` ### Inferencia por lotes ```python from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor model_id = "FunAudioLLM/Fun-ASR-Nano-2512-hf" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id, device_map="auto") audio_urls = [ "https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512/resolve/main/example/zh.mp3", "https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512/resolve/main/example/en.mp3", ] languages = ["zh", "en"] inputs = processor.apply_transcription_request(audio=audio_urls, language=languages).to(model.device) generated_ids = model.generate(**inputs, max_new_tokens=200) generated_ids = generated_ids[:, inputs.input_ids.shape[1]:] print(processor.decode(generated_ids, skip_special_tokens=True)) ``` ### Prompts personalizados y hotwords Pase información contextual con `prompt` y palabras clave con `keywords`; la plantilla de chat del checkpoint construye la instrucción completa de transcripción. `language` acepta chino, inglés y japonés como nombres completos o códigos ISO. ```python from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor model_id = "FunAudioLLM/Fun-ASR-Nano-2512-hf" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id, device_map="auto") audio_url = "https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512/resolve/main/example/en.mp3" inputs = processor.apply_transcription_request( audio=audio_url, prompt="A tribal story involving a chieftain and a boy.", keywords=["tribal chieftain", "fifty pieces of gold"], ).to(model.device) generated_ids = model.generate(**inputs, max_new_tokens=200) generated_ids = generated_ids[:, inputs.input_ids.shape[1]:] print(processor.decode(generated_ids, skip_special_tokens=True)[0]) ``` ### Entrenamiento Pase los transcripciones objetivo a `apply_transcription_request` con `transcription`, y las `labels` devueltas se utilizan para calcular la pérdida. ```python from datasets import Audio, load_dataset from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor model_id = "FunAudioLLM/Fun-ASR-Nano-2512-hf" NUM_SAMPLES = 2 processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id, device_map="auto") model.train() ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation") ds = ds.cast_column("audio", Audio(sampling_rate=processor.feature_extractor.sampling_rate)) speech_samples = [el["array"] for el in ds["audio"][:NUM_SAMPLES]] text_samples = ds["text"][:NUM_SAMPLES] inputs = processor.apply_transcription_request(speech_samples, language="en", transcription=text_samples) inputs.to(model.device, dtype=model.dtype) loss = model(**inputs).loss print("Loss:", loss.item()) loss.backward() ``` ### Inferencia con `torch.compile` ```python import torch from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, CompileConfig model_id = "FunAudioLLM/Fun-ASR-Nano-2512-hf" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id, device_map="auto") audio_url = "https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512/resolve/main/example/en.mp3" inputs = processor.apply_transcription_request(audio=audio_url).to(model.device) with torch.inference_mode(): generated_ids = model.generate( **inputs, max_new_tokens=200, compile_config=CompileConfig(), ) generated_ids = generated_ids[:, inputs.input_ids.shape[1]:] print(processor.decode(generated_ids, skip_special_tokens=True)[0]) ``` ## FunAsrNanoConfig[[transformers.FunAsrNanoConfig]] #### transformers.FunAsrNanoConfig[[transformers.FunAsrNanoConfig]] ```python transformers.FunAsrNanoConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, adaptor_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, audio_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, audio_token_id: int = 151646, initializer_range: float = 0.02, tie_word_embeddings: bool = True) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/configuration_fun_asr_nano.py#L77) **Parámetros:** adaptor_config (`dict` o `FunAsrNanoAdaptorConfig`, *opcional*) : Configuración para el adaptador de audio bidireccional. audio_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *opcional*) : El objeto de configuración o el diccionario del backbone de audio. text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *opcional*) : El objeto de configuración o el diccionario del backbone de texto. audio_token_id (`int`, *opcional*, valor predeterminado `151646`) : El índice del token de audio utilizado como marcador de posición para el audio de entrada. initializer_range (`float`, *opcional*, valor predeterminado `0.02`) : La desviación estándar de truncated_normal_initializer para inicializar todas las matrices de pesos. tie_word_embeddings (`bool`, *opcional*, valor predeterminado `True`) : Indica si se deben vincular las incrustaciones de pesos según el mapeo `tied_weights_keys` del modelo. Esta es la clase de configuración para almacenar la configuración de un FunAsrNanoModel. Se utiliza para instanciar un modelo Fun Asr Nano según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [FunAudioLLM/Fun-ASR-Nano-2512-hf](https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512-hf) Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información. ## FunAsrNanoEncoderConfig[[transformers.FunAsrNanoEncoderConfig]] #### transformers.FunAsrNanoEncoderConfig[[transformers.FunAsrNanoEncoderConfig]] ```python transformers.FunAsrNanoEncoderConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, num_mel_bins: int = 80, hidden_size: int = 512, num_attention_heads: int = 4, intermediate_size: int = 2048, num_hidden_layers: int = 70, hidden_dropout: float = 0.1, attention_dropout: float = 0.1, layer_norm_eps: float = 1e-05, hidden_act: str = 'relu', max_position_embeddings: int = 2049, num_stacked_frames: int = 7, num_timestamp_prediction_layers: int = 20, fsmn_kernel_size: int = 11) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/configuration_fun_asr_nano.py#L25) **Parámetros:** num_mel_bins (`int`, *opcional*, valor predeterminado `80`) : Número de características mel utilizadas por cada cuadro de entrada. Debe corresponder al valor utilizado en la clase `AutoFeatureExtractor`. hidden_size (`int`, *opcional*, valor predeterminado `512`) : Dimensión de las representaciones ocultas. num_attention_heads (`int`, *opcional*, valor predeterminado `4`) : Número de cabezas de atención para cada capa de atención en el decodificador del Transformer. intermediate_size (`int`, *opcional*, valor predeterminado `2048`) : Dimensión de las representaciones MLP. num_hidden_layers (`int`, *opcional*, valor predeterminado: 70) : Número total de capas del codificador, incluidas tanto las capas de transcripción como las capas de predicción de marcas de tiempo posteriores. hidden_dropout (`float`, *opcional*, valor predeterminado `0.1`) : La probabilidad de dropout para todas las capas totalmente conectadas en los embeddings, el codificador y el pooler. attention_dropout (`float`, *opcional*, valor predeterminado `0.1`) : La proporción de dropout para las probabilidades de atención. layer_norm_eps (`float`, *opcional*, valor predeterminado `1e-05`) : El epsilon utilizado por las capas de normalización de capas. hidden_act (`str`, *opcional*, valor predeterminado `relu`) : La función de activación no lineal (función o cadena) en el decodificador. Por ejemplo, `"gelu"`, `"relu"`, `"silu"`, etc. max_position_embeddings (`int`, *opcional*, valor predeterminado `2049`) : La longitud máxima de secuencia con la que se podría utilizar este modelo. num_stacked_frames (`int`, *opcional*, valor predeterminado: 7) : Número de cuadros mel consecutivos apilados por la extracción de características de baja tasa de cuadros. num_timestamp_prediction_layers (`int`, *opcional*, valor predeterminado: 20) : Número de capas del codificador (las últimas) dedicadas a la predicción de marcas de tiempo. La salida de la transcripción se toma después de la capa `num_hidden_layers - num_timestamp_prediction_layers - 1`. fsmn_kernel_size (`int`, *opcional*, valor predeterminado 11) : Tamaño del kernel para la convolución de la red de memoria secuencial de feedforward (FSMN). Esta es la clase de configuración para almacenar la configuración de un FunAsrNanoModel. Se utiliza para instanciar un modelo Fun Asr Nano según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [FunAudioLLM/Fun-ASR-Nano-2512-hf](https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512-hf) Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información. ## FunAsrNanoAdaptorConfig[[transformers.FunAsrNanoAdaptorConfig]] #### transformers.FunAsrNanoAdaptorConfig[[transformers.FunAsrNanoAdaptorConfig]] ```python transformers.FunAsrNanoAdaptorConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 1024, num_attention_heads: int = 8, intermediate_size: int = 256, num_hidden_layers: int = 2, hidden_dropout: float = 0.0, attention_dropout: float = 0.0, layer_norm_eps: float = 1e-05, hidden_act: str = 'relu', projector_hidden_act: str = 'relu', projector_hidden_size: int = 2048) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/configuration_fun_asr_nano.py#L62) **Parámetros:** hidden_size (`int`, *opcional*, valor predeterminado `1024`) : Dimensión de las representaciones ocultas. num_attention_heads (`int`, *opcional*, valor predeterminado `8`) : Número de cabezas de atención para cada capa de atención en el decodificador del Transformer. intermediate_size (`int`, *opcional*, valor predeterminado `256`) : Dimensión de las representaciones MLP. num_hidden_layers (`int`, *opcional*, valor predeterminado `2`) : Número de capas ocultas en el decodificador del Transformer. hidden_dropout (`float`, *opcional*, valor predeterminado `0.0`) : La probabilidad de dropout para todas las capas totalmente conectadas en los embeddings, el codificador y el pooler. attention_dropout (`float`, *opcional*, valor predeterminado `0.0`) : La proporción de dropout para las probabilidades de atención. layer_norm_eps (`float`, *opcional*, valor predeterminado `1e-05`) : El epsilon utilizado por las capas de normalización de capas. hidden_act (`str`, *opcional*, valor predeterminado `relu`) : La función de activación no lineal (función o cadena) en el decodificador. Por ejemplo, `"gelu"`, `"relu"`, `"silu"`, etc. projector_hidden_act (`str`, *opcional*, valor predeterminado `relu`) : La función de activación utilizada por el proyector multimodal. projector_hidden_size (`int`, *opcional*, valor predeterminado `2048`) : Dimensionalidad de las capas de proyección de texto y visión. Esta es la clase de configuración para almacenar la configuración de un FunAsrNanoModel. Se utiliza para instanciar un modelo Fun Asr Nano según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [FunAudioLLM/Fun-ASR-Nano-2512-hf](https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512-hf) Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información. ## FunAsrNanoFeatureExtractor[[transformers.FunAsrNanoFeatureExtractor]] #### transformers.FunAsrNanoFeatureExtractor[[transformers.FunAsrNanoFeatureExtractor]] ```python transformers.FunAsrNanoFeatureExtractor(feature_size: int = 80, sampling_rate: int = 16000, frame_length: int = 25, frame_shift: int = 10, num_frames_lfr: int = 7, stride_lfr: int = 6, window: str = 'hamming', padding_value: float = 0.0, return_attention_mask: bool = True, **kwargs) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/feature_extraction_fun_asr_nano.py#L33) **Parámetros:** feature_size (`int`, *opcional*, valor predeterminado 80) : Número de bandas de frecuencia mel. sampling_rate (`int`, *opcional*, valor predeterminado 16000) : Tasa de muestreo del audio. frame_length (`int`, *opcional*, valor predeterminado 25) : Longitud de la ventana en milisegundos para la STFT. frame_shift (`int`, *opcional*, valor predeterminado 10) : Desplazamiento de fotograma (longitud de salto) en milisegundos para la STFT. num_frames_lfr (`int`, *opcional*, valor predeterminado 7) : Número de fotogramas consecutivos que se apilan (factor de apilamiento LFR). stride_lfr (`int`, *opcional*, valor predeterminado 6) : Paso de subsampling para LFR (toma cada `stride_lfr`-ésimo fotograma apilado). window (`str`, *opcional*, valor predeterminado `"hamming"`) : Función de ventana para la STFT. padding_value (`float`, *opcional*, valor predeterminado 0.0) : Valor utilizado para rellenar las secuencias más cortas. return_attention_mask (`bool`, *opcional*, valor predeterminado `True`) : Si se debe devolver una máscara de atención. Construye un extractor de características Fun-ASR-Nano. Este extractor de características hereda de [SequenceFeatureExtractor](/docs/transformers/main/es/main_classes/feature_extractor#transformers.SequenceFeatureExtractor), que contiene la mayoría de los métodos principales. Los usuarios deben consultar esta superclase para obtener más información sobre dichos métodos. Extrae características de banco de filtros mel compatibles con Kaldi (mediante `torchaudio.compliance.kaldi.fbank`, coincidiendo con el front-end original de FunASR) y luego aplica un procesamiento de baja tasa de fotogramas (LFR) apilando `num_frames_lfr` fotogramas consecutivos y realizando un submuestreo con paso `stride_lfr`. Ejemplo: ```python >>> import numpy as np >>> from transformers import FunAsrNanoFeatureExtractor >>> feature_extractor = FunAsrNanoFeatureExtractor() >>> audio = np.random.randn(16000) # 1 second of audio at 16kHz >>> features = feature_extractor(audio, sampling_rate=16000, return_tensors="pt") >>> features.input_features.shape # (1, num_frames_after_lfr, 560) ``` #### __llamada__[[transformers.FunAsrNanoFeatureExtractor.__call__]] ```python __call__(raw_speech: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor']], sampling_rate: int | None = None, return_tensors: str | transformers.utils.generic.TensorType | None = 'pt', padding: bool | str = True, max_length: int | None = None, truncation: bool = False, pad_to_multiple_of: int | None = None, return_attention_mask: bool | None = None, **kwargs) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/feature_extraction_fun_asr_nano.py#L146) **Parámetros:** raw_speech (`np.ndarray`, `list[float]`, `list[np.ndarray]`, `list[list[float]]`) : La secuencia o lote de formas de onda mono a caracterizar. sampling_rate (`int`, *opcional*) : Tasa de muestreo del audio de entrada. Debe coincidir con `self.sampling_rate` (16000 Hz). return_tensors (`str` o [TensorType](/docs/transformers/main/es/internal/file_utils#transformers.TensorType), *opcional*) : Si se establece, devuelve tensores del framework indicado (`"pt"`, `"np"`, ...). padding (`bool` o `str`, *opcional*, valor predeterminado `True`) : Estrategia de relleno que se reenvía a [pad()](/docs/transformers/main/es/main_classes/feature_extractor#transformers.SequenceFeatureExtractor.pad). max_length (`int`, *opcional*) : Longitud máxima de la secuencia LFR para el relleno/truncamiento. truncation (`bool`, *opcional*, valor predeterminado `False`) : Si se deben truncar las secuencias más largas que `max_length`. pad_to_multiple_of (`int`, *opcional*) : Si se establece, rellena la longitud de la secuencia LFR hasta un múltiplo de este valor. return_attention_mask (`bool`, *opcional*) : Indica si se debe devolver `input_features_mask`. El valor predeterminado es `self.return_attention_mask`. **Devuelve:** [BatchFeature](/docs/transformers/main/es/main_classes/feature_extractor#transformers.BatchFeature) con `input_features` de forma `(batch, max_lfr_frames, feature_size * num_frames_lfr)` y la máscara a nivel de fotograma `input_features_mask`. Extrae características de mel-filterbank de Kaldi + LFR a partir de una o varias formas de onda de audio sin procesar. ## FunAsrNanoProcessor[[transformers.FunAsrNanoProcessor]] #### transformers.FunAsrNanoProcessor[[transformers.FunAsrNanoProcessor]] ```python transformers.FunAsrNanoProcessor(feature_extractor, tokenizer, chat_template = None, audio_token = '<|object_ref_start|>') ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/processing_fun_asr_nano.py#L53) **Parámetros:** feature_extractor (`FunAsrNanoFeatureExtractor`) : El extractor de características es una entrada obligatoria. tokenizer (`Qwen2Tokenizer`) : El tokenizador es una entrada obligatoria. chat_template (`str`) : Una plantilla de Jinja para convertir listas de mensajes de un chat en una cadena tokenizable. audio_token (`str`, *opcional*, valor predeterminado `"<|object_ref_start|>"`) : El token utilizado como marcador de posición para el audio en el texto. Construye un FunAsrNanoProcessor que encapsula un extractor de características y un tokenizador en un único procesador. [FunAsrNanoProcessor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoProcessor) ofrece todas las funcionalidades de [FunAsrNanoFeatureExtractor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor) y [Qwen2Tokenizer](/docs/transformers/main/es/model_doc/qwen2#transformers.Qwen2Tokenizer). Consulte [~FunAsrNanoFeatureExtractor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor) y [~Qwen2Tokenizer](/docs/transformers/main/es/model_doc/qwen2#transformers.Qwen2Tokenizer) para obtener más información. #### __llamada__[[transformers.FunAsrNanoProcessor.__call__]] ```python __call__(text: str | list[str], audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor'], NoneType] = None, output_labels: bool | None = False, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/processing_fun_asr_nano.py#L71) **Parámetros:** text (`Union[str, list[str]]`) : La secuencia o el lote de secuencias que se van a codificar. Cada secuencia puede ser una cadena de caracteres o una lista de cadenas (cadena pretokenizada). Si se pasa una entrada pretokenizada, establezca `is_split_into_words=True` para evitar ambigüedad con las entradas en lote. audio (`Union[numpy.ndarray, torch.Tensor, collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence[torch.Tensor]]`, *opcional*) : El audio o lote de audios que se va a preparar. Cada audio puede ser un array de NumPy o un tensor de PyTorch. En el caso de un array de NumPy/tensor de PyTorch, cada audio debe tener la forma (C, T), donde C es el número de canales y T es la longitud de muestreo del audio. output_labels (`bool`, *opcional*, predeterminado=False) : Si se deben devolver etiquetas para el entrenamiento. return_tensors (`str` o [TensorType](/docs/transformers/main/es/internal/file_utils#transformers.TensorType), *opcional*) : Si se establece, devolverá tensores de un marco de trabajo específico. Los valores aceptables son: - `'pt'`: Devuelve objetos `torch.Tensor` de PyTorch. - `'np'`: Devuelve objetos `np.ndarray` de NumPy. - ****kwargs** ([ProcessingKwargs](/docs/transformers/main/es/main_classes/processors#transformers.ProcessingKwargs), *opcional*) : Opciones de procesamiento adicionales para cada modalidad (texto, imágenes, vídeos, audio). Los parámetros específicos del modelo se enumeran arriba; consulte la clase TypedDict para obtener la lista completa de argumentos admitidos. **Devuelve:** [BatchFeature](/docs/transformers/main/es/main_classes/feature_extractor#transformers.BatchFeature) Un diccionario con texto tokenizado (`input_ids`, `attention_mask`) y características de audio (`input_features`, `input_features_mask`). #### apply_transcription_request[[transformers.FunAsrNanoProcessor.apply_transcription_request]] ```python apply_transcription_request(audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor'], list[typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor']]]], language: str | list[str] | None = None, prompt: str | list[str] | None = None, keywords: str | list[str] | list[list[str]] | None = None, transcription: str | list[str] | None = None, tokenize: bool = True, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/processing_fun_asr_nano.py#L135) **Parámetros:** audio (`AudioInput` o `list[AudioInput]`) : Audio para transcribir. Puede ser una URL, una ruta local, un array de NumPy, un tensor de PyTorch o una lista de estos. language (`str` o `list[str]`, *opcional*) : Idioma de destino. Acepta chino, inglés o japonés como nombres completos en inglés, códigos ISO (`"zh"`, `"en"`, `"ja"`) o los nombres de idioma en chino del punto de control (`"中文"`, `"英文"`, `"日文"`). Un único valor se difunde en todo el lote. prompt (`str` o `list[str]`, *opcional*) : Información contextual que puede mejorar la transcripción. Una lista debe coincidir con el tamaño del lote de audio. keywords (`str`, `list[str]` o `list[list[str]]`, *opcional*) : Palabras clave para sesgar el reconocimiento. Una cadena o una lista plana se comparte en todo el lote; una lista anidada proporciona palabras clave separadas para cada muestra de audio. transcription (`str` o `list[str]`, *opcional*) : Transcripción(es) objetivo para el entrenamiento, una por audio. Cuando se proporciona, cada transcripción se escribe como el turno del asistente y se devuelven `labels` (ver `output_labels` en [__call__()](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoProcessor.__call__)). tokenize (`bool`, *opcional*, valor predeterminado `True`) : Indica si se deben tokenizar los prompts y procesar el audio. Si es `False`, el audio no se carga y los prompts se devuelven como cadenas de texto con marcadores de posición de audio sin expandir. Al pasarlos junto con el audio al procesador, `processor(text=prompts, audio=audio)`, se obtienen las mismas salidas que con `tokenize=True`. - ****kwargs** : Argumentos de palabra clave adicionales que se reenvían a [apply_chat_template()](/docs/transformers/main/es/main_classes/processors#transformers.ProcessorMixin.apply_chat_template). Los kwargs del procesador (por ejemplo, `text_kwargs`, `audio_kwargs`, ...) deben pasarse como `processor_kwargs={...}`. **Devuelve:** [BatchFeature](/docs/transformers/main/es/main_classes/feature_extractor#transformers.BatchFeature) o `list[str]` Un prompt por audio cuando `tokenize=False`, en caso contrario, el procesador genera la salida lista para pasarse a [FunAsrNanoForConditionalGeneration.generate()](/docs/transformers/main/es/main_classes/text_generation#transformers.GenerationMixin.generate), o a [FunAsrNanoForConditionalGeneration.forward()](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoForConditionalGeneration.forward) para calcular la pérdida cuando se proporciona `transcription`. Prepara las entradas para ASR utilizando la plantilla de chat de transcripción estructurada del checkpoint, ya sea para inferencia o, cuando se proporciona `transcription`, para entrenamiento. ## FunAsrNanoEncoder[[transformers.FunAsrNanoEncoder]] #### transformers.FunAsrNanoEncoder[[transformers.FunAsrNanoEncoder]] ```python transformers.FunAsrNanoEncoder(config: FunAsrNanoEncoderConfig) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/modeling_fun_asr_nano.py#L279) **Parámetros:** config ([FunAsrNanoEncoderConfig](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoEncoderConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo. El codificador de audio Fun-ASR-Nano (arquitectura SenseVoice SAN-M), sin ninguna cabeza en la parte superior. Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.). Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales. #### forward[[transformers.FunAsrNanoEncoder.forward]] ```python forward(input_features: Tensor, input_features_mask: Tensor, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/modeling_fun_asr_nano.py#L313) **Parámetros:** input_features (`torch.Tensor` de forma `(batch_size, sequence_length, feature_dim)`) : Los tensores correspondientes a las características de audio de entrada. Las características de audio se pueden obtener usando [FunAsrNanoFeatureExtractor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor). Consulte [FunAsrNanoFeatureExtractor.__call__()](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor.__call__) para más detalles ([FunAsrNanoProcessor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoProcessor) utiliza [FunAsrNanoFeatureExtractor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor) para procesar audios). input_features_mask (`torch.LongTensor` de forma `(batch_size, padded_feature_length)`) : 1 para los fotogramas mel válidos y 0 para el relleno. **Devuelve:** [BaseModelOutput](/docs/transformers/main/es/main_classes/output#transformers.modeling_outputs.BaseModelOutput) o `tuple(torch.Tensor)` Un [BaseModelOutput](/docs/transformers/main/es/main_classes/output#transformers.modeling_outputs.BaseModelOutput) o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([FunAsrNanoConfig](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoConfig)) y las entradas. El método forward de [FunAsrNanoEncoder](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoEncoder) reemplaza el método especial `__call__`. Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente. - **last_hidden_state** (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`) -- Secuencia de estados ocultos en la salida de la última capa del modelo. - **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`. Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial. - **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`. Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención. ## FunAsrNanoModel[[transformers.FunAsrNanoModel]] #### transformers.FunAsrNanoModel[[transformers.FunAsrNanoModel]] ```python transformers.FunAsrNanoModel(config: FunAsrNanoConfig) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/modeling_fun_asr_nano.py#L393) **Parámetros:** config ([FunAsrNanoConfig](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo. El modelo Fun-ASR-Nano (codificador de audio SenseVoice SAN-M, un adaptador Transformer y un modelo de lenguaje Qwen3), sin una cabeza de modelado de lenguaje. Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.). Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales. #### forward[[transformers.FunAsrNanoModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, input_features: typing.Optional[torch.Tensor] = None, input_features_mask: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/modeling_fun_asr_nano.py#L468) **Parámetros:** input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids) input_features (`torch.Tensor` de forma `(batch_size, sequence_length, feature_dim)`, *opcional*) : Los tensores correspondientes a las características de audio de entrada. Las características de audio se pueden obtener utilizando [FunAsrNanoFeatureExtractor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor). Consulte [FunAsrNanoFeatureExtractor.__call__()](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor.__call__) para más detalles ([FunAsrNanoProcessor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoProcessor) utiliza [FunAsrNanoFeatureExtractor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor) para procesar audios). input_features_mask (`torch.Tensor` de forma `(batch_size, feature_sequence_length)`) : Máscara para evitar realizar atención en los índices de características de relleno. attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`: - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**. [¿Qué son las máscaras de atención?](../glossary#attention-mask) position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`. [¿Qué son los IDs de posición?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden utilizar para acelerar la decodificación secuencial. Esto suele consistir en los `past_key_values` devueltos por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`. Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasan `past_key_values`, se inicializará [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) de forma predeterminada. El modelo devolverá el mismo formato de caché que se haya proporcionado como entrada. Si se utilizan `past_key_values`, se espera que el usuario introduzca solo los `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor previos dados a este modelo) con forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` con forma `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo. use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave `past_key_values` y pueden usarse para acelerar la decodificación (ver `past_key_values`). **Devuelve:** `FunAsrNanoModelOutputWithPast` o `tuple(torch.Tensor)` Un `FunAsrNanoModelOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([FunAsrNanoConfig](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoConfig)) y las entradas. El método forward de [FunAsrNanoModel](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoModel) sobrescribe el método especial `__call__`. Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente. - **audio_hidden_states** (`torch.Tensor`, *opcional*) -- Estados ocultos de audio proyectados. ## FunAsrNanoForConditionalGeneration[[transformers.FunAsrNanoForConditionalGeneration]] #### transformers.FunAsrNanoForConditionalGeneration[[transformers.FunAsrNanoForConditionalGeneration]] ```python transformers.FunAsrNanoForConditionalGeneration(config: FunAsrNanoConfig) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/modeling_fun_asr_nano.py#L551) **Parámetros:** config ([FunAsrNanoConfig](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo. El modelo Fun-ASR-Nano para el reconocimiento de voz: un codificador de audio SenseVoice SAN-M, un adaptador Transformer y un modelo de lenguaje Qwen3 con una cabeza de modelado de lenguaje. Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.). Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales. #### forward[[transformers.FunAsrNanoForConditionalGeneration.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, input_features: typing.Optional[torch.Tensor] = None, input_features_mask: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/fun_asr_nano/modeling_fun_asr_nano.py#L564) **Parámetros:** input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids) input_features (`torch.Tensor` de forma `(batch_size, sequence_length, feature_dim)`, *opcional*) : Los tensores correspondientes a las características de audio de entrada. Las características de audio se pueden obtener utilizando [FunAsrNanoFeatureExtractor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor). Consulte [FunAsrNanoFeatureExtractor.__call__()](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor.__call__) para más detalles ([FunAsrNanoProcessor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoProcessor) utiliza [FunAsrNanoFeatureExtractor](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoFeatureExtractor) para procesar audios). input_features_mask (`torch.Tensor` de forma `(batch_size, feature_sequence_length)`) : Máscara para evitar realizar atención en los índices de características de relleno. attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`: - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**. [¿Qué son las máscaras de atención?](../glossary#attention-mask) position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`. [¿Qué son los IDs de posición?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden utilizar para acelerar la decodificación secuencial. Esto suele consistir en los `past_key_values` devueltos por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`. Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasan `past_key_values`, se inicializará [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) de forma predeterminada. El modelo devolverá el mismo formato de caché que se haya proporcionado como entrada. Si se utilizan `past_key_values`, se espera que el usuario introduzca solo los `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor previos dados a este modelo) con forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` con forma `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo. labels (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Etiquetas para calcular la pérdida de modelado de lenguaje enmascarado. use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave `past_key_values` y pueden usarse para acelerar la decodificación (ver `past_key_values`). logits_to_keep (`Union[int, torch.Tensor]`, *opcional*, valor predeterminado `0`) : Si es un `int`, se calculan los logits para los últimos `logits_to_keep` tokens. Si es `0`, se calculan los logits para todos los `input_ids` (caso especial). Solo se necesitan los logits del último token para la generación, y calcularlos únicamente para ese token puede ahorrar memoria, lo cual se vuelve bastante significativo para secuencias largas o un tamaño de vocabulario grande. Si es un `torch.Tensor`, debe ser de 1D y corresponder a los índices a conservar en la dimensión de longitud de secuencia. Esto es útil al usar el formato de tensor empaquetado (una sola dimensión para el lote y la longitud de secuencia). **Devuelve:** `FunAsrNanoCausalLMOutputWithPast` o `tuple(torch.Tensor)` Un `FunAsrNanoCausalLMOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([FunAsrNanoConfig](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoConfig)) y las entradas. El método forward de [FunAsrNanoForConditionalGeneration](/docs/transformers/main/es/model_doc/fun_asr_nano#transformers.FunAsrNanoForConditionalGeneration) reemplaza el método especial `__call__`. Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente. - **loss** (`torch.Tensor` de forma `(1,)`, *opcional*, se devuelve cuando se proporciona `labels`) -- Pérdida de modelado de lenguaje (para la predicción del siguiente token). - **logits** (`torch.Tensor` de forma `(batch_size, sequence_length, config.vocab_size)`) -- Puntuaciones de predicción de la cabeza de modelado de lenguaje. - **past_key_values** (`Cache`, *opcional*, se devuelve cuando se pasa `use_cache=True` o cuando `config.use_cache=True`) -- Es una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache). - **hidden_states** (`tuple[torch.Tensor]`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de las incrustaciones, si el modelo tiene una capa de incrustaciones, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`. Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial. - **attentions** (`tuple[torch.Tensor]`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`. Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención. - **audio_hidden_states** (`torch.Tensor`, *opcional*) -- Estados ocultos del codificador de audio después de la proyección. Ejemplo: ```python >>> from transformers import FunAsrNanoForConditionalGeneration, AutoProcessor >>> model_id = "FunAudioLLM/Fun-ASR-Nano-2512-hf" >>> processor = AutoProcessor.from_pretrained(model_id) >>> model = FunAsrNanoForConditionalGeneration.from_pretrained(model_id, device_map="auto") ```