# PE Audio Video

[PE Audio Video](https://huggingface.co/papers/2504.13181) là nhánh audio–video kết hợp trong họ Perception Encoder của Meta. Nó mã hóa các luồng audio và video cùng với một tháp văn bản chung, tạo ra các embedding tương phản cho mọi tổ hợp cặp, bao gồm audio-văn bản, video-văn bản, audio-video và audio+văn bản-video, từ một lần truyền tiến duy nhất.

Bên trong, mô hình căn chỉnh chuỗi đặc trưng video với độ phân giải thời gian của âm thanh thông qua nội suy láng giềng gần nhất, nhờ đó các đoạn clip có tốc độ khung hình khác với tần số lấy mẫu vẫn được đồng bộ. Trọng số của bộ mã hóa văn bản được liên kết giữa nhánh âm thanh và nhánh video.

Bạn có thể tìm thấy tất cả các checkpoint chính thức của PE Audio Video trong bộ sưu tập [perception-encoder-audio-visual](https://huggingface.co/collections/facebook/perception-encoder-audio-visual).

## Bắt đầu nhanh

```py
import torch
from datasets import load_dataset
from transformers import AutoProcessor, PeAudioVideoModel
from transformers.video_utils import load_video

processor = AutoProcessor.from_pretrained("facebook/pe-av-large")
model = PeAudioVideoModel.from_pretrained(
    "facebook/pe-av-large",
    device_map="auto",
)

ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
audio = ds[0]["audio"]["array"]
video, _ = load_video("https://huggingface.co/datasets/hf-internal-testing/fixtures_videos/resolve/main/tennis.mp4")
labels = ["a person playing tennis with background crowd", "a dog barking in a park"]

audio_inputs = processor.feature_extractor(audio, sampling_rate=48_000, return_tensors="pt").to(model.device)
video_inputs = processor.video_processor(video, num_frames=16, return_tensors="pt").to(model.device)
text_inputs = processor.tokenizer(labels, padding=True, return_tensors="pt").to(model.device)
inputs = {**audio_inputs, **video_inputs, **text_inputs}

with torch.no_grad():
    outputs = model(**inputs)

print("audio-text:", outputs.logits_audio_text.sigmoid().tolist())
print("video-text:", outputs.logits_video_text.sigmoid().tolist())
print("audio-video:", outputs.logits_audio_video.sigmoid().tolist())
```

## Mẹo và ghi chú về cách sử dụng

- [PeAudioVideoModel](/docs/transformers/main/vi/model_doc/pe_audio_video#transformers.PeAudioVideoModel) yêu cầu ít nhất hai trong số `input_ids`, `input_values`, `pixel_values_videos` — nếu chỉ cung cấp hai, mô hình sẽ chuyển hướng đến mô hình con chỉ âm thanh hoặc chỉ video. Việc truyền cả ba sẽ kích hoạt đường dẫn kết hợp âm thanh-video-văn bản và toàn bộ tập ma trận logit trong `PeAudioVideoOutput`.
- Audio sử dụng `padding_mask` và video sử dụng `padding_mask_videos` đồng thời. Chúng là các mask độc lập; không nhầm lẫn chúng với `attention_mask`, vốn được dành riêng cho text tower.
- Việc căn chỉnh audio–video được thực hiện theo từng phần tử trong batch bên trong `_align_video_hidden_state`, do đó các batch có độ dài audio/video khác nhau rất nhiều sẽ lặp lại thay vì vector hóa. Hãy giữ các mục trong batch cân bằng tương đối để tối ưu thông lượng.
- Trọng số của tháp văn bản được liên kết giữa các nhánh thông qua `_tied_weights_keys` — không nên cố gắng nạp các bộ mã hóa văn bản riêng biệt cho phần âm thanh và phần video.

## PeAudioVideoConfig[[transformers.PeAudioVideoConfig]]

#### transformers.PeAudioVideoConfig[[transformers.PeAudioVideoConfig]]

```python
transformers.PeAudioVideoConfig(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, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, audio_video_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, tie_word_embeddings: bool = True)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pe_audio_video/configuration_pe_audio_video.py#L78)

**Tham số:**

text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Đối tượng config hoặc từ điển của text backbone.

audio_video_config (`dict` hoặc `PreTrainedConfig`, *tùy chọn*) : Cấu hình cho thành phần bộ mã hóa âm thanh-video.

tie_word_embeddings (`bool`, *tùy chọn*, mặc định là `True`) : Có nên gắn kết các nhúng trọng số theo ánh xạ `tied_weights_keys` của mô hình hay không.

Đây là lớp cấu hình để lưu trữ cấu hình của một PeAudioVideoModel. Nó được sử dụng để khởi tạo một mô hình Pe Audio Video theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của [facebook/pe-av-large](https://huggingface.co/facebook/pe-av-large)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

```python
>>> from transformers import PeAudioVideoModel, PeAudioVideoConfig

>>> # Initializing a PeAudioVideoModel style configuration
>>> configuration = PeAudioVideoConfig()

>>> # Initializing a model from the pe-av-large style configuration
>>> model = PeAudioModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## PeAudioVideoEncoderConfig[[transformers.PeAudioVideoEncoderConfig]]

#### transformers.PeAudioVideoEncoderConfig[[transformers.PeAudioVideoEncoderConfig]]

```python
transformers.PeAudioVideoEncoderConfig(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, audio_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, video_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, hidden_size: int = 1792, intermediate_size: int = 4800, num_hidden_layers: int = 6, num_attention_heads: int = 14, num_key_value_heads: int | None = None, head_dim: int = 128, hidden_act: str = 'silu', max_position_embeddings: int = 10000, initializer_range: float = 0.02, rms_norm_eps: float = 1e-05, rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None, attention_bias: bool = False, attention_dropout: float | int = 0.0)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pe_audio_video/configuration_pe_audio_video.py#L26)

**Tham số:**

audio_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Đối tượng config hoặc từ điển của audio backbone.

video_config (`Union[PreTrainedConfig, dict]`, *tùy chọn*) : Cấu hình cho bộ mã hóa video. Nếu một từ điển được cung cấp, nó sẽ được sử dụng để khởi tạo [PeVideoEncoderConfig](/docs/transformers/main/vi/model_doc/pe_video#transformers.PeVideoEncoderConfig).

hidden_size (`int`, *optional*, mặc định là `1792`) : Kích thước của các biểu diễn ẩn.

intermediate_size (`int`, *tuỳ chọn*, mặc định là `4800`) : Kích thước của các biểu diễn MLP.

num_hidden_layers (`int`, *tuỳ chọn*, mặc định là `6`) : Số lượng lớp ẩn trong bộ giải mã Transformer.

num_attention_heads (`int`, *tùy chọn*, mặc định là `14`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer.

num_key_value_heads (`int`, *optional*) : Đây là số lượng key_value heads cần được sử dụng để triển khai Grouped Query Attention. Nếu `num_key_value_heads=num_attention_heads`, mô hình sẽ sử dụng Multi Head Attention (MHA), nếu `num_key_value_heads=1` mô hình sẽ sử dụng Multi Query Attention (MQA), ngược lại GQA sẽ được sử dụng. Khi chuyển đổi một checkpoint multi-head sang checkpoint GQA, mỗi nhóm key và value head nên được xây dựng bằng cách meanpooling tất cả các head gốc trong nhóm đó. Để biết thêm chi tiết, hãy xem [bài báo này](https://huggingface.co/papers/2305.13245). Nếu không được chỉ định, giá trị mặc định sẽ là `num_attention_heads`.

head_dim (`int`, *tùy chọn*, mặc định là `128`) : Kích thước chiều đầu chú ý. Nếu là None, giá trị mặc định sẽ là hidden_size // num_attention_heads

hidden_act (`str`, *tùy chọn*, mặc định là `silu`) : Hàm kích hoạt phi tuyến tính (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v.

max_position_embeddings (`int`, *tuỳ chọn*, mặc định là `10000`) : Độ dài tối đa của chuỗi mà mô hình này có thể được sử dụng.

initializer_range (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.

rms_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-05`) : Epsilon được sử dụng bởi các lớp chuẩn hóa rms.

rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *optional*) : Từ điển chứa các tham số cấu hình cho các embedding RoPE. Từ điển phải chứa một giá trị cho `rope_theta` và tùy chọn các tham số được sử dụng để mở rộng trong trường hợp bạn muốn sử dụng RoPE với `max_position_embeddings` dài hơn.

attention_bias (`bool`, *tùy chọn*, mặc định là `False`) : Có sử dụng bias trong các lớp chiếu query, key, value và output trong quá trình tự chú ý hay không.

attention_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các xác suất chú ý.

Đây là lớp cấu hình để lưu trữ cấu hình của một PeAudioVideoModel. Nó được sử dụng để khởi tạo một mô hình Pe Audio Video theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của [facebook/pe-av-large](https://huggingface.co/facebook/pe-av-large)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

```python
>>> from transformers import PeAudioVideoEncoder, PeAudioVideoEncoderConfig

>>> # Initializing a PeAudioVideoEncoder style configuration
>>> configuration = PeAudioVideoEncoderConfig()

>>> # Initializing a model from the pe-av-large style configuration
>>> model = PeAudioVideoEncoder(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## PeAudioVideoProcessor[[transformers.PeAudioVideoProcessor]]

#### transformers.PeAudioVideoProcessor[[transformers.PeAudioVideoProcessor]]

```python
transformers.PeAudioVideoProcessor(feature_extractor = None, video_processor = None, tokenizer = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pe_audio_video/processing_pe_audio_video.py#L17)

## PeAudioVideoEncoder[[transformers.PeAudioVideoEncoder]]

#### transformers.PeAudioVideoEncoder[[transformers.PeAudioVideoEncoder]]

```python
transformers.PeAudioVideoEncoder(config: PeAudioVideoEncoderConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pe_audio_video/modeling_pe_audio_video.py#L554)

**Tham số:**

config ([PeAudioVideoEncoderConfig](/docs/transformers/main/vi/model_doc/pe_audio_video#transformers.PeAudioVideoEncoderConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình PeAudioVideo Encoder.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

#### forward[[transformers.PeAudioVideoEncoder.forward]]

```python
forward(input_values: typing.Optional[torch.Tensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, padding_mask: typing.Optional[torch.Tensor] = None, padding_mask_videos: typing.Optional[torch.Tensor] = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pe_audio_video/modeling_pe_audio_video.py#L573)

**Tham số:**

input_values (`torch.Tensor` có shape `(batch_size, sequence_length)`, *tùy chọn*) : Các giá trị float của waveform âm thanh thô đầu vào. Các giá trị này có thể được lấy bằng cách nạp tệp âm thanh `.flac` hoặc `.wav` vào một mảng có kiểu `list[float]`, một `numpy.ndarray` hoặc một `torch.Tensor`, *ví dụ* thông qua thư viện torchcodec (`pip install torchcodec`) hoặc thư viện soundfile (`pip install soundfile`). Để chuẩn bị mảng thành `input_values`, cần sử dụng [AutoProcessor](/docs/transformers/main/vi/model_doc/auto#transformers.AutoProcessor) để thực hiện padding và chuyển đổi thành tensor có kiểu `torch.Tensor`. Xem [PeAudioVideoProcessor.__call__()](/docs/transformers/main/vi/main_classes/processors#transformers.ProcessorMixin.__call__) để biết thêm chi tiết.

pixel_values_videos (`torch.Tensor` có shape `(batch_size, num_frames, num_channels, frame_size, frame_size)`, *optional*) : Các tensor tương ứng với video đầu vào. Giá trị pixel cho video có thể được lấy bằng cách sử dụng [PeVideoVideoProcessor](/docs/transformers/main/vi/model_doc/pe_video#transformers.PeVideoVideoProcessor). Xem [PeVideoVideoProcessor.__call__()](/docs/transformers/main/vi/model_doc/molmo2#transformers.Molmo2VideoProcessor.__call__) để biết chi tiết ([PeAudioVideoProcessor](/docs/transformers/main/vi/model_doc/pe_audio_video#transformers.PeAudioVideoProcessor) sử dụng [PeVideoVideoProcessor](/docs/transformers/main/vi/model_doc/pe_video#transformers.PeVideoVideoProcessor) để xử lý video).

padding_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các mẫu đệm của `input_values`. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các mẫu **không bị che**, - 0 cho các mẫu **bị che**.

padding_mask_videos (`torch.Tensor` có shape `(batch_size, num_frames)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các khung video đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các khung **không bị che**, - 0 cho các khung **bị che**.

**Trả về:** `PeAudioVideoEncoderOutput` hoặc `tuple(torch.Tensor)`

Một `PeAudioVideoEncoderOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình ([PeAudioVideoConfig](/docs/transformers/main/vi/model_doc/pe_audio_video#transformers.PeAudioVideoConfig)) và đầu vào.

Phương thức forward của [PeAudioVideoEncoder](/docs/transformers/main/vi/model_doc/pe_audio_video#transformers.PeAudioVideoEncoder) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình.
- **pooler_output** (`torch.Tensor` có hình dạng `(batch_size, hidden_size)`) -- Trạng thái ẩn của lớp cuối cùng cho token đầu tiên của chuỗi (token phân loại) sau khi được xử lý thêm thông qua các lớp dùng cho tác vụ tiền huấn luyện bổ trợ. Ví dụ, đối với các mô hình thuộc họ BERT, giá trị này trả về token phân loại sau khi được xử lý qua một lớp tuyến tính và một hàm kích hoạt tanh. Trọng số của lớp tuyến tính được huấn luyện từ mục tiêu dự đoán câu tiếp theo (phân loại) trong quá trình tiền huấn luyện.
- **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
- **attentions** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
- **audio_model_output** (`BaseModelOutputWithPooling`, *tùy chọn*) -- Đầu ra của bộ mã hóa âm thanh, bao gồm trạng thái ẩn cuối cùng, đầu ra đã gom và các trạng thái ẩn và chú ý tùy chọn. Xem [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) để biết chi tiết.
- **video_model_output** (`BaseModelOutputWithPooling`, *tùy chọn*) -- Đầu ra của bộ mã hóa video, bao gồm trạng thái ẩn cuối cùng, đầu ra đã gom và các trạng thái ẩn và chú ý tùy chọn. Xem [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) để biết chi tiết.

## PeAudioVideoModel[[transformers.PeAudioVideoModel]]

#### transformers.PeAudioVideoModel[[transformers.PeAudioVideoModel]]

```python
transformers.PeAudioVideoModel(config: PeAudioVideoConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pe_audio_video/modeling_pe_audio_video.py#L738)

#### forward[[transformers.PeAudioVideoModel.forward]]

```python
forward(input_ids: typing.Optional[torch.Tensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, input_values: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, padding_mask_videos: typing.Optional[torch.Tensor] = None, padding_mask: typing.Optional[torch.Tensor] = None, return_loss = False, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pe_audio_video/modeling_pe_audio_video.py#L879)

**Tham số:**

input_ids (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của các token trong chuỗi đầu vào theo từ vựng. Mặc định, các token đệm (padding) sẽ bị bỏ qua. Có thể lấy chỉ số bằng cách sử dụng [AutoTokenizer](/docs/transformers/main/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/main/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/main/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết thêm chi tiết. [ID đầu vào là gì?](../glossary#input-ids)

pixel_values_videos (`torch.Tensor` có shape `(batch_size, num_frames, num_channels, frame_size, frame_size)`, *optional*) : Các tensor tương ứng với video đầu vào. Giá trị pixel cho video có thể được lấy bằng cách sử dụng [PeVideoVideoProcessor](/docs/transformers/main/vi/model_doc/pe_video#transformers.PeVideoVideoProcessor). Xem [PeVideoVideoProcessor.__call__()](/docs/transformers/main/vi/model_doc/molmo2#transformers.Molmo2VideoProcessor.__call__) để biết chi tiết ([PeAudioVideoProcessor](/docs/transformers/main/vi/model_doc/pe_audio_video#transformers.PeAudioVideoProcessor) sử dụng [PeVideoVideoProcessor](/docs/transformers/main/vi/model_doc/pe_video#transformers.PeVideoVideoProcessor) để xử lý video).

input_values (`torch.Tensor` có shape `(batch_size, sequence_length)`, *tùy chọn*) : Các giá trị float của waveform âm thanh thô đầu vào. Các giá trị này có thể được lấy bằng cách nạp tệp âm thanh `.flac` hoặc `.wav` vào một mảng có kiểu `list[float]`, một `numpy.ndarray` hoặc một `torch.Tensor`, *ví dụ* thông qua thư viện torchcodec (`pip install torchcodec`) hoặc thư viện soundfile (`pip install soundfile`). Để chuẩn bị mảng thành `input_values`, cần sử dụng [AutoProcessor](/docs/transformers/main/vi/model_doc/auto#transformers.AutoProcessor) để thực hiện padding và chuyển đổi thành tensor có kiểu `torch.Tensor`. Xem [PeAudioVideoProcessor.__call__()](/docs/transformers/main/vi/main_classes/processors#transformers.ProcessorMixin.__call__) để biết thêm chi tiết.

attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các token **không bị che**, - 0 cho các token **bị che**.  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

padding_mask_videos (`torch.Tensor` có shape `(batch_size, num_frames)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các khung video đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các khung **không bị che**, - 0 cho các khung **bị che**.

padding_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các mẫu đệm của `input_values`. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các mẫu **không bị che**, - 0 cho các mẫu **bị che**.

return_loss (`bool`, *tùy chọn*) : Có trả về loss hay không.

**Trả về:** `PeAudioVideoOutput` hoặc `tuple(torch.Tensor)`

Một `PeAudioVideoOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình ([PeAudioVideoConfig](/docs/transformers/main/vi/model_doc/pe_audio_video#transformers.PeAudioVideoConfig)) và đầu vào.

Phương thức forward của [PeAudioVideoModel](/docs/transformers/main/vi/model_doc/pe_audio_video#transformers.PeAudioVideoModel) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **audio_embeds** (`torch.Tensor`, *tùy chọn*) -- Nhúng cho chế độ âm thanh. Hình dạng `(batch_size, sequence_length, hidden_size)`.
- **video_embeds** (`torch.Tensor`, *tùy chọn*) -- Embeddings của chế độ video. Hình dạng `(batch_size, sequence_length, hidden_size)`.
- **audio_video_embeds** (`torch.Tensor`, *tùy chọn*) -- Nhúng âm thanh-video kết hợp do module hòa hợp tạo ra. Hình dạng `(batch_size, sequence_length, hidden_size)`.
- **text_audio_embeds** (`torch.Tensor`, *tùy chọn*) -- Nhúng kết hợp văn bản và âm thanh. Hình dạng `(batch_size, sequence_length, hidden_size)`.
- **text_video_embeds** (`torch.Tensor`, *tùy chọn*) -- Nhúng kết hợp văn bản và video. Hình dạng `(batch_size, sequence_length, hidden_size)`.
- **text_audio_video_embeds** (`torch.Tensor`, *tùy chọn*) -- Nhúng kết hợp văn bản-âm thanh-video, gộp cả ba phương thức. Hình dạng `(batch_size, sequence_length, hidden_size)`.
- **audio_plus_text_embeds** (`torch.Tensor`, *tùy chọn*) -- Các embedding kết hợp của âm thanh và văn bản (ví dụ: nối tiếp hoặc dung hợp cộng). Hình dạng `(batch_size, sequence_length, hidden_size)`.
- **video_plus_text_embeds** (`torch.Tensor`, *tùy chọn*) -- Embedding kết hợp của video và văn bản. Hình dạng `(batch_size, sequence_length, hidden_size)`.
- **text_outputs** (`MaskedLMOutput`, *tùy chọn*) -- Đầu ra của mô hình cho bộ mã hóa văn bản. Bao gồm trạng thái ẩn, chú ý và tùy chọn là tổn thất.
- **audio_outputs** (`BaseModelOutputWithPooling`, *tùy chọn*) -- Đầu ra của mô hình cho bộ mã hóa âm thanh, bao gồm trạng thái ẩn cuối cùng và đầu ra đã gom.
- **video_outputs** (`BaseModelOutputWithPooling`, *tùy chọn*) -- Đầu ra của mô hình cho bộ mã hóa video, bao gồm trạng thái ẩn cuối cùng và đầu ra đã gom.
- **audio_video_outputs** (`BaseModelOutputWithPooling`, *tùy chọn*) -- Đầu ra của mô hình cho bộ mã hóa âm thanh-video kết hợp.
- **logits_audio_text** (`torch.Tensor`, *tuỳ chọn*) -- Logit độ tương đồng giữa các embedding âm thanh và văn bản. Hình dạng `(batch_size, batch_size)`.
- **logits_video_text** (`torch.Tensor`, *tùy chọn*) -- Logit độ tương đồng giữa embedding video và text. Hình dạng `(batch_size, batch_size)`.
- **logits_audio_video** (`torch.Tensor`, *tuỳ chọn*) -- Logit độ tương đồng giữa các embedding âm thanh và video. Hình dạng `(batch_size, batch_size)`.
- **logits_audio_video_text** (`torch.Tensor`, *tuỳ chọn*) -- Logit độ tương đồng giữa các phương thức âm thanh, video và văn bản.
- **logits_audio_plus_text_video** (`torch.Tensor`, *tuỳ chọn*) -- Logit độ tương đồng giữa các embedding đã hợp nhất (âm thanh + văn bản) và các embedding video.
- **logits_video_plus_text_audio** (`torch.Tensor`, *tuỳ chọn*) -- Logit độ tương đồng giữa các embedding đã hợp nhất (video + text) và các embedding audio.
- **audio_text_loss** (`torch.Tensor`, *tuỳ chọn*) -- Mất đối chiếu được tính giữa các biểu diễn âm thanh và văn bản.
- **video_text_loss** (`torch.Tensor`, *tùy chọn*) -- Mất tương phản được tính giữa các biểu diễn video và văn bản.
- **audio_video_loss** (`torch.Tensor`, *tuỳ chọn*) -- Mất tương phản được tính giữa các biểu diễn âm thanh và video.
- **audio_video_text_loss** (`torch.Tensor`, *tùy chọn*) -- Tổn thất chung trên các phương thức âm thanh, video và văn bản.
- **audio_plus_text_video_loss** (`torch.Tensor`, *tuỳ chọn*) -- Mất giữa các biểu diễn đã hợp nhất (âm thanh + văn bản) và video.
- **video_plus_text_audio_loss** (`torch.Tensor`, *optional*) -- Mất giữa các biểu diễn đã hợp nhất (video + văn bản) và âm thanh.
- **loss** (`torch.Tensor`, *tuỳ chọn*) -- Tổn thất kết hợp cho tất cả các tổn thất theo từng phương thức.