# SeamlessM4T-v2

## Genel Bakış

SeamlessM4T-v2 modeli, Meta AI'dan Seamless Communication ekibi tarafından [Seamless: Multilingual Expressive and Streaming Speech Translation](https://huggingface.co/papers/2312.05187) makalesinde önerilmiştir.

SeamlessM4T-v2, farklı dil topluluklarından insanların ses ve metin yoluyla zahmetsizce iletişim kurmasını sağlayan yüksek kaliteli çeviri sunmak üzere tasarlanmış bir model koleksiyonudur. [önceki sürümün](./seamless_m4t) bir iyileştirmesidir. v1 ve v2 arasındaki farklarla ilgili daha fazla ayrıntı için [SeamlessM4T-v1 ile Farklar](#difference-with-seamlessm4t-v1) bölümüne bakın.

SeamlessM4T-v2, ayrı modellere bağımlı kalmadan birden fazla görevi destekler:

- Ses-sese çeviri (S2ST)
- Ses-metin çevirisi (S2TT)
- Metinden konuşma çevirisi (T2ST)
- Metinden metne çeviri (T2TT)
- Otomatik konuşma tanıma (ASR)

[SeamlessM4Tv2Model](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Model) yukarıdaki tüm görevleri gerçekleştirebilir ancak her görevin kendine özgü bir alt modeli de vardır.

Makalenin özeti aşağıdaki gibidir:

*Otomatik konuşma çevirisi alanındaki son gelişmeler, dil kapsamını dramatik biçimde genişletmiş, çok modlu yetenekleri iyileştirmiş ve geniş bir görev ve işlev yelpazesini mümkün kılmıştır. Bununla birlikte, bugünkü büyük ölçekli otomatik konuşma çevirisi sistemleri, insan-insan diyaloğuyla karşılaştırıldığında makine aracılı iletişimin sorunsuz hissedilmesine yardımcı olan temel özelliklerden yoksundur. Bu çalışmada, akışkan (streaming) bir biçimde uçtan uca ifade edici ve çok dilli çevirileri mümkün kılan bir model ailesi sunuyoruz. İlk olarak, kitlevi çok dilli ve çok modlu SeamlessM4T modelinin iyileştirilmiş bir sürümüne katkıda bulunuyoruz: SeamlessM4T v2. Güncellenmiş UnitY2 çerçevesini içeren bu yeni model, daha fazla düşük kaynaklı dil verisi üzerinde eğitildi. Genişletilmiş SeamlessAlign sürümü, toplamda 76 dil için 114.800 saatlik otomatik hizalı veri ekliyor. SeamlessM4T v2, en yeni iki modelimiz olan SeamlessExpressive ve SeamlessStreaming'in başlatıldığı temeli oluşturuyor. SeamlessExpressive, vokal stilleri ve prosodiyi koruyan çeviriyi mümkün kılıyor. İfade edici konuşma araştırmalarındaki önceki çalışmalara kıyasla, çalışmamız konuşma hızı ve duraklamalar gibi prosodinin bazı az keşfedilmiş yönlerini ele alırken, aynı zamanda kişinin ses stilini de koruyor. SeamlessStreaming'e gelince, modelimiz, tam kaynak cümleleri beklemeksizin düşük gecikmeli hedef çeviriler üretmek için Efficient Monotonic Multihead Attention (EMMA) mekanizmasından yararlanıyor. Türünün ilk örneği olan SeamlessStreaming, birden fazla kaynak ve hedef dil için eşzamanlı konuşmadan konuşmaya/metne çeviriyi mümkün kılıyor. Bu modellerin performansını anlamak için, prosodi, gecikme ve sağlamlığı değerlendirmek üzere yeni ve değiştirilmiş mevcut otomatik metrikleri birleştirdik. İnsan değerlendirmeleri için, anlamın, doğallığın ve ifade ediciliğin korunmasında en ilgili nitelikleri ölçmeye yönelik mevcut protokolleri uyarladık. Modellerimizin güvenli ve sorumlu bir şekilde kullanılabilmesini sağlamak için, çok modlu makine çevirisine yönelik bilinen ilk kırmızı takım (red-teaming) çabasını, eklenen toksisitenin tespiti ve azaltılması için bir sistemi, cinsiyet önyargısının sistematik değerlendirmesini ve deepfake'lerin etkisini sönümletmek üzere tasarlanmış duyulmayan yerelleştirilmiş bir filigran mekanizmasını uyguladık. Sonuç olarak, SeamlessExpressive ve SeamlessStreaming'in ana bileşenlerini bir araya getirerek, gerçek zamanlı ifade edici dil arası iletişimi kilidini açan ilk herkese açık sistem olan Seamless'i oluşturuyoruz. Özetle, Seamless, Evrensel Konuşma Çevirmenini bilim kurgu kavramından gerçek dünya teknolojisine dönüştürmek için gereken teknik temele önemli bir bakış açısı sunuyor. Son olarak, bu çalışmadaki katkılar—modeller, kod ve filigran dedektörü dahil olmak üzere—herkese açık olarak yayımlanmış olup aşağıdaki bağlantıdan erişilebilir.*

## Kullanım

Aşağıdaki örnekte, bir Arapça ses örneği ve bir İngilizce metin örneği yükleyip bunları Rusça konuşma ve Fransızca metne dönüştüreceğiz.

Önce işlemciyi ve modelin bir kontrol noktasını yükleyin:

```python
from transformers import AutoProcessor, SeamlessM4Tv2Model

processor = AutoProcessor.from_pretrained("facebook/seamless-m4t-v2-large")
model = SeamlessM4Tv2Model.from_pretrained("facebook/seamless-m4t-v2-large", device_map="auto")
```

Bu modeli metin veya ses üzerinde sorunsuz bir şekilde kullanarak çevrilmiş metin veya çevrilmiş ses üretebilirsiniz.

İşleyiciyi metin ve ses işleme için kullanmanın yolu şudur:

```python
# let's load an audio sample from an Arabic speech corpus
from datasets import load_dataset

dataset = load_dataset("halabi2016/arabic_speech_corpus", split="test", streaming=True)
audio_sample = next(iter(dataset))["audio"]

# now, process it
audio_inputs = processor(audio=audio_sample["array"], return_tensors="pt").to(model.device)

# now, process some English text as well
text_inputs = processor(text = "Hello, my dog is cute", src_lang="eng", return_tensors="pt").to(model.device)
```

### Konuşma

[SeamlessM4Tv2Model](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Model), az veya hiç değişiklik yapılmadan *kesintisiz* metin veya ses üretebilir. Rusça ses çevirisini hedefleyelim:

```python
audio_array_from_text = model.generate(**text_inputs, tgt_lang="rus")[0].cpu().numpy().squeeze()
audio_array_from_audio = model.generate(**audio_inputs, tgt_lang="rus")[0].cpu().numpy().squeeze()
```

Temelde aynı kodla İngilizce metin ve Arapça konuşmayı Rusça konuşma örneklerine çevirdim.

### Metin

Benzer şekilde, aynı modelle ses dosyalarından veya metinden çevrilmiş metin üretebilirsiniz. Bunun için [SeamlessM4Tv2Model.generate()](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Model.generate) fonksiyonuna yalnızca `generate_speech=False` parametresini iletmeniz yeterlidir. Bu sefer Fransızca'ya çevirelim.

```python
# from audio
output_tokens = model.generate(**audio_inputs, tgt_lang="fra", generate_speech=False)
translated_text_from_audio = processor.decode(output_tokens[0].tolist()[0], skip_special_tokens=True)

# from text
output_tokens = model.generate(**text_inputs, tgt_lang="fra", generate_speech=False)
translated_text_from_text = processor.decode(output_tokens[0].tolist()[0], skip_special_tokens=True)
```

### İpuçları

#### 1. Özel modeller kullanın

[SeamlessM4Tv2Model](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Model), ses ve metin üretmek için transformers'ın üst düzey modelidir; ancak ek bileşenler olmadan görevi gerçekleştiren, bu sayede bellek ayak izini azaltan özel modelleri de kullanabilirsiniz. Örneğin, sesten sese üretim kod parçasını, S2ST görevine özel modele değiştirebilirsiniz; geri kalanı tamamen aynı koddur:

```python
from transformers import SeamlessM4Tv2ForSpeechToSpeech

model = SeamlessM4Tv2ForSpeechToSpeech.from_pretrained("facebook/seamless-m4t-v2-large", device_map="auto")
```

Veya metinden metne üretim kod parçasını, T2TT görevine özel modele değiştirebilirsiniz; yalnızca `generate_speech=False` ifadesini kaldırmak yeterlidir.

```python
from transformers import SeamlessM4Tv2ForTextToText

model = SeamlessM4Tv2ForTextToText.from_pretrained("facebook/seamless-m4t-v2-large", device_map="auto")
```

[SeamlessM4Tv2ForSpeechToText](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForSpeechToText) ve [SeamlessM4Tv2ForTextToSpeech](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForTextToSpeech) modellerini de denemekte serbestsiniz.

#### 2. Konuşmacı kimliğini değiştirin

Konuşma sentezi için kullanılacak konuşmacıyı `speaker_id` argümanıyla değiştirebilirsiniz. Bazı `speaker_id` değerleri bazı dillerde diğerlerinden daha iyi çalışır!

#### 3. Üretim stratejisini değiştirin

Metin üretimi için farklı [üretim stratejileri](../generation_strategies) kullanabilirsiniz; örneğin `.generate(input_ids=input_ids, text_num_beams=4, text_do_sample=True)` metin modelinde çok terimli (multinomial) beam-search çözümleme yapar. Ses üretiminin varsayılan olarak yalnızca açgözlü (greedy) veya çok terimli örneklemeyi desteklediğini, bunun da örneğin `.generate(..., speech_do_sample=True, speech_temperature=0.6)` ile kullanılabileceğini unutmayın.

#### 4. Ses ve metni aynı anda üretin

[SeamlessM4Tv2Model](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Model) ile `return_intermediate_token_ids=True` kullanarak hem ses hem de metni döndürün!

## Model mimarisi

SeamlessM4T-v2, metin ve sesin ardışık olarak üretilmesini sorunsuz bir şekilde yöneten çok yönlü bir mimariye sahiptir. Bu yapı, iki sıra-dan-sıraya (seq2seq) modelinden oluşur. İlk model, girdi modalitesini çevrilmiş metne dönüştürürken ikinci model, çevrilmiş metinden "unit token" olarak bilinen ses tokenlarını üretir.

Her modallite, kendine özgü bir mimariye sahip, ayrı bir kodlayıcıya sahiptir. Ayrıca, ses çıktısı için, [HiFi-GAN](https://huggingface.co/papers/2010.05646) mimarisinden ilham alan bir vokoder, ikinci seq2seq modelinin üzerine yerleştirilir.

### SeamlessM4T-v1 ile fark

Bu yeni sürümün mimarisi, ilk sürümden birkaç açıdan farklılık gösterir:

#### İkinci geçiş modelindeki iyileştirmeler

İkinci seq2seq modeli olan text-to-unit modeli artık otomatik regresif değildir; bu, birimlerin **tek bir ileri geçişte** hesaplanması anlamına gelir. Bu başarı şu unsurlar sayesinde mümkün olmuştur:

- **karakter düzeyinde gömme** kullanımı, yani öngörülen çevrilmiş metindeki her karakterin kendi gömmelerine sahip olması ve bu gömmelerin birim jetonları öngörmek için kullanılması.
- öngörülen çevrilmiş metin üzerinde **karakter düzeyinde** konuşma süresini tahmin eden ara bir süre öngörücüsünün kullanımı.
- daha uzun bağlamı işlemek için konvolüsyon ve öz-dikkati birleştiren yeni bir metinden birime çözücü kullanımı.

#### Ses kodlayıcıdaki fark

Çevrilmiş metni tahmin etmek için birinci geçiş üretim süreci sırasında kullanılan ses kodlayıcı, önceki ses kodlayıcıdan esas olarak şu mekanizmalar aracılığıyla farklılaşır:

- parça bazlı dikkat maskesinin kullanımı, her konumun yalnızca kendi parçasındaki konumlara ve sabit sayıda önceki parçadaki konumlara dikkat etmesini sağlayarak parçalar arası dikkati önler.
- Mutlak konumlar yerine yalnızca dizi elemanları arasındaki mesafeyi dikkate alan göreli konum gömme (relative position embeddings) kullanımını içerir. Daha fazla ayrıntı için [Self-Attention with Relative Position Representations (Shaw et al.)](https://huggingface.co/papers/1803.02155) makalesine bakınız.
- nedenli derinlik boyu (depth-wise) konvolüsyonun, nedenli olmayan bir konvolüsyon yerine kullanılması.

### Üretim süreci

Üretim sürecinin işleyişi şöyledir:

- Girdi metin veya ses, kendi özel kodlayıcısından (encoder) işlenir.
- Bir decoder, istenen dilde metin jetonları oluşturur.
- Konuşma üretimi gerekiyorsa, ikinci seq2seq modeli, birim token'ları otomatik-geri beslemeli olmayan (non auto-regressive) bir şekilde üretir.
- Bu birim jetonları, ardından gerçek konuşmayı üretmek için son vokodordan geçirilir.

Bu model [ylacombe](https://huggingface.co/ylacombe) tarafından katkıda bulunmuştur. Orijinal kod [burada](https://github.com/facebookresearch/seamless_communication) bulunabilir.

## SeamlessM4Tv2Model[[transformers.SeamlessM4Tv2Model]]

#### transformers.SeamlessM4Tv2Model[[transformers.SeamlessM4Tv2Model]]

```python
transformers.SeamlessM4Tv2Model(config: SeamlessM4Tv2Config, current_modality = 'text')
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L3665)

**Parametreler:**

config ([SeamlessM4Tv2Config](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Config)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

current_modality (`str`, *isteğe bağlı*, varsayılan `"text"`) : Varsayılan modalite. Modeli başlatmak için kullanılır.

Her görevde (S2ST, S2TT, T2TT, T2ST) kullanılabilen orijinal SeamlessM4Tv2 Model transformer'ı.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### generate[[transformers.SeamlessM4Tv2Model.generate]]

```python
generate(input_ids: typing.Optional[torch.Tensor] = None, input_features: typing.Optional[torch.Tensor] = None, return_intermediate_token_ids: bool | None = None, tgt_lang: str | None = None, speaker_id: int | None = 0, generate_speech: bool | None = True, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L3859)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Sözlükteki girdi dizisi belirteçlerinin (token) dizinleri. Dizinler [SeamlessM4TTokenizer](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TTokenizer) veya [SeamlessM4TProcessor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TProcessor) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi kimlikları (input IDs) nedir?](../glossary#input-ids)

input_features (`torch.Tensor`, şekli `(batch_size, sequence_length, num_banks)`, *isteğe bağlı*) : Girdi ses özellikleri. Bu, [SeamlessM4TFeatureExtractor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TFeatureExtractor) sınıfı veya [SeamlessM4TProcessor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TProcessor) sınıfı tarafından döndürülmelidir. Ayrıntılar için [SeamlessM4TFeatureExtractor.__call__()](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TFeatureExtractor.__call__) bölümüne bakın.

return_intermediate_token_ids (`bool`, *isteğe bağlı*) : `True` ise, ara üretilen metni ve birim jetonlarını da döndürür. Sesin yanı sıra çevrilmiş metni de almak istiyorsanız `True` olarak ayarlayın. `generate_speech=False` ise bu parametre yok sayılır ve metin jetonları döndürülür.

tgt_lang (`str`, *isteğe bağlı*) : Çeviri için hedef dil olarak kullanılacak dil.

speaker_id (`int`, *opsiyonel*, varsayılan 0) : Konuşma sentezi için kullanılan konuşmacının kimliği. `config.vocoder_num_spkrs`'ten küçük olmalıdır.

generate_speech (`bool`, *isteğe bağlı*, varsayılan `True`) : `False` ise yalnızca metin belirteçlerini döndürür ve konuşma üretmez.

kwargs (*isteğe bağlı*) : [GenerationMixin.generate()](/docs/transformers/v5.23.0/tr/main_classes/text_generation#transformers.GenerationMixin.generate) yöntemine iletilecek anahtar kelime argümanlarının kalan sözlüğü. Anahtar kelime argümanları iki türdedir:  - Önek olmadan, bunlar `decoder_input_ids` hariç her alt modelin `generate` yöntemi için `**kwargs` olarak girilir; `decoder_input_ids` yalnızca metin bileşenleri üzerinden iletilir. - *text_* veya *speech_* önekiyle, bunlar sırasıyla metin modelinin ve konuşma modelinin `generate` yöntemi için girdi olarak kullanılır. Önek içermeyen anahtar kelimelere göre önceliğe sahiptir.  Bu, örneğin bir üretim için üretim stratejisi belirleyip diğerini belirlememeniz anlamına gelir.

**Dönüş:** `Union[SeamlessM4Tv2GenerationOutput, tuple[Tensor], ModelOutput]`

- `generate_speech` ve `return_intermediate_token_ids` kullanılırsa, `SeamlessM4Tv2GenerationOutput` döndürülür.
- `generate_speech` çağrılır ve `return_intermediate_token_ids` değeri False ise, `(batch_size, sequence_length)` biçimindeki dalga formlarından ve her bir örneğin uzunluğunu veren `waveform_lengths` değerinden oluşan bir tuple döndürülür.
- `generate_speech=False` ise, `ModelOutput` döndürülür.

Çevrilmiş token kimliklerini ve/veya çevrilmiş ses dalgalarını üretir.

Bu yöntem, iki farklı alt modelin `.generate` fonksiyonunu sırayla çağırır. İki farklı düzeyde anahtar kelime argümanı belirleyebilirsiniz: her iki modele de iletilecek genel argümanlar veya bunlardan birine iletilecek önekli argümanlar.

Örneğin, `.generate(input_ids=input_ids, num_beams=4, speech_do_sample=True)` çağrısı, metin modelinde sırayla beam-search çözümlemesini ve konuşma modelinde multinomial beam-search örneklemesini gerçekleştirir.

Üretim stratejileri ve kod örneklerinin genel bakışı için [şu kılavuza](./generation_strategies) göz atın.

## SeamlessM4Tv2ForTextToSpeech[[transformers.SeamlessM4Tv2ForTextToSpeech]]

#### transformers.SeamlessM4Tv2ForTextToSpeech[[transformers.SeamlessM4Tv2ForTextToSpeech]]

```python
transformers.SeamlessM4Tv2ForTextToSpeech(config: SeamlessM4Tv2Config)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L2984)

**Parametreler:**

config ([SeamlessM4Tv2Config](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Config)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

T2ST için kullanılabilen metinden konuşmaya SeamlessM4Tv2 Model dönüştürücüsü.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### generate[[transformers.SeamlessM4Tv2ForTextToSpeech.generate]]

```python
generate(input_ids: typing.Optional[torch.Tensor] = None, return_intermediate_token_ids: bool | None = None, tgt_lang: str | None = None, speaker_id: int | None = 0, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L3118)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`) : Sözlükteki girdi dizisi token'larının indeksleri. İndeksler [SeamlessM4TTokenizer](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TTokenizer) veya [SeamlessM4TProcessor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TProcessor) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)'a bakın. [Girdi ID'leri nelerdir?](../glossary#input-ids)

return_intermediate_token_ids (`bool`, *isteğe bağlı*) : `True` ise, ara üretilen metni ve birim jetonlarını da döndürür. Sesin yanı sıra çevrilmiş metni de almak istiyorsanız `True` olarak ayarlayın.

tgt_lang (`str`, *isteğe bağlı*) : Çeviri için hedef dil olarak kullanılacak dil.

speaker_id (`int`, *opsiyonel*, varsayılan 0) : Konuşma sentezi için kullanılan konuşmacının kimliği. `config.vocoder_num_spkrs`'ten küçük olmalıdır.

kwargs (*isteğe bağlı*) : [GenerationMixin.generate()](/docs/transformers/v5.23.0/tr/main_classes/text_generation#transformers.GenerationMixin.generate) yöntemine iletilecek anahtar kelime argümanlarının kalan sözlüğü. Anahtar kelime argümanları iki türdedir:  - Önek olmadan, bunlar `decoder_input_ids` hariç her alt modelin `generate` yöntemi için `**kwargs` olarak girilir; `decoder_input_ids` yalnızca metin bileşenleri üzerinden iletilir. - *text_* veya *speech_* önekiyle, bunlar sırasıyla metin modelinin ve konuşma modelinin `generate` yöntemi için girdi olarak kullanılır. Önek içermeyen anahtar kelimelere göre önceliğe sahiptir.  Bu, örneğin bir üretim için üretim stratejisi belirleyip diğerini belirlememeniz anlamına gelir.

**Dönüş:** `Union[SeamlessM4Tv2GenerationOutput, tuple[Tensor]]`

- `return_intermediate_token_ids` ise `SeamlessM4Tv2GenerationOutput` döndürür.
- `return_intermediate_token_ids` değeri False değilse, `(batch_size, sequence_length)` biçiminde dalga formlarından ve her bir örneğin uzunluğunu veren `waveform_lengths` bileşeninden oluşan bir tuple döndürür.

Çevrilmiş ses dalga formlarını üretir.

Bu yöntem, iki farklı alt modelin `.generate` fonksiyonunu sırayla çağırır. İki farklı düzeyde anahtar kelime argümanı belirleyebilirsiniz: her iki modele de iletilecek genel argümanlar veya bunlardan birine iletilecek önekli argümanlar.

Örneğin, `.generate(input_ids, num_beams=4, speech_do_sample=True)` çağrısı, metin modelinde sırayla beam-search çözümleme ve konuşma modelinde multinomial beam-search örneklemesi gerçekleştirir.

Üretim stratejileri ve kod örneklerinin genel bakışı için [şu kılavuza](./generation_strategies) göz atın.

## SeamlessM4Tv2ForSpeechToSpeech[[transformers.SeamlessM4Tv2ForSpeechToSpeech]]

#### transformers.SeamlessM4Tv2ForSpeechToSpeech[[transformers.SeamlessM4Tv2ForSpeechToSpeech]]

```python
transformers.SeamlessM4Tv2ForSpeechToSpeech(config: SeamlessM4Tv2Config)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L3322)

**Parametreler:**

config ([SeamlessM4Tv2Config](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Config)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

S2ST için kullanılabilen ses-sese SeamlessM4Tv2 Model dönüştürücüsü.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### generate[[transformers.SeamlessM4Tv2ForSpeechToSpeech.generate]]

```python
generate(input_features: typing.Optional[torch.Tensor] = None, return_intermediate_token_ids: bool | None = None, tgt_lang: str | None = None, speaker_id: int | None = 0, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L3455)

**Parametreler:**

input_features (`torch.Tensor`, şekli `(batch_size, sequence_length, num_banks)`) : Girdi ses özellikleri. Bu, [SeamlessM4TFeatureExtractor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TFeatureExtractor) sınıfı veya [SeamlessM4TProcessor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TProcessor) sınıfı tarafından döndürülmelidir. Ayrıntılar için [SeamlessM4TFeatureExtractor.__call__()](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TFeatureExtractor.__call__) bölümüne bakın.

return_intermediate_token_ids (`bool`, *isteğe bağlı*) : `True` ise, ara üretilen metni ve birim jetonlarını da döndürür. Sesin yanı sıra çevrilmiş metni de almak istiyorsanız `True` olarak ayarlayın.

tgt_lang (`str`, *isteğe bağlı*) : Çeviri için hedef dil olarak kullanılacak dil.

speaker_id (`int`, *opsiyonel*, varsayılan 0) : Konuşma sentezi için kullanılan konuşmacının kimliği. `config.vocoder_num_spkrs`'ten küçük olmalıdır.

kwargs (*isteğe bağlı*) : [GenerationMixin.generate()](/docs/transformers/v5.23.0/tr/main_classes/text_generation#transformers.GenerationMixin.generate) yöntemine iletilecek anahtar kelime argümanlarının kalan sözlüğü. Anahtar kelime argümanları iki türdedir:  - Önek olmadan, bunlar `decoder_input_ids` hariç her alt modelin `generate` yöntemi için `**kwargs` olarak girilir; `decoder_input_ids` yalnızca metin bileşenleri üzerinden iletilir. - *text_* veya *speech_* önekiyle, bunlar sırasıyla metin modelinin ve konuşma modelinin `generate` yöntemi için girdi olarak kullanılır. Önek içermeyen anahtar kelimelere göre önceliğe sahiptir.  Bu, örneğin bir üretim için üretim stratejisi belirleyip diğerini belirlememeniz anlamına gelir.

**Dönüş:** `Union[SeamlessM4Tv2GenerationOutput, tuple[Tensor]]`

- `return_intermediate_token_ids` ise `SeamlessM4Tv2GenerationOutput` döndürür.
- `return_intermediate_token_ids` değeri False değilse, `(batch_size, sequence_length)` biçiminde dalga formlarından ve her bir örneğin uzunluğunu veren `waveform_lengths` bileşeninden oluşan bir tuple döndürür.

Çevrilmiş ses dalga formlarını üretir.

Bu yöntem, iki farklı alt modelin `.generate` fonksiyonunu sırayla çağırır. İki farklı düzeyde anahtar kelime argümanı belirleyebilirsiniz: her iki modele de iletilecek genel argümanlar veya bunlardan birine iletilecek önekli argümanlar.

Örneğin, `.generate(input_features, num_beams=4, speech_do_sample=True)` çağrısı, metin modelinde sırayla beam-search çözümleme ve konuşma modelinde multinomial beam-search örneklemesi gerçekleştirir.

Üretim stratejileri ve kod örneklerinin genel bakışı için [şu kılavuza](./generation_strategies) göz atın.

## SeamlessM4Tv2ForTextToText[[transformers.SeamlessM4Tv2ForTextToText]]

#### transformers.SeamlessM4Tv2ForTextToText[[transformers.SeamlessM4Tv2ForTextToText]]

```python
transformers.SeamlessM4Tv2ForTextToText(config: SeamlessM4Tv2Config)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L2501)

**Parametreler:**

config ([SeamlessM4Tv2Config](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Config)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

T2TT için kullanılabilen metinden-metne SeamlessM4Tv2 Model dönüştürücüsü.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.SeamlessM4Tv2ForTextToText.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, decoder_input_ids: typing.Optional[torch.LongTensor] = None, decoder_attention_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: tuple[tuple[torch.Tensor]] | None = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, decoder_inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L2537)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Sözlükteki girdi dizisi belirteçlerinin (token) indeksleri. Varsayılan olarak dolgu (padding) yoksayılır. İndeksler [AutoTokenizer](/docs/transformers/v5.23.0/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi kimlikları (input IDs) nedir?](../glossary#input-ids)

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

decoder_input_ids (`torch.LongTensor`, şekli `(batch_size, target_sequence_length)`, *isteğe bağlı*) : Sözlükte decoder giriş dizisi tokenlarının indeksleri. İndeksler [AutoTokenizer](/docs/transformers/v5.23.0/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Decoder giriş kimlikleri nelerdir?](../glossary#decoder-input-ids) Bart, `decoder_input_ids` üretimi için başlangıç tokenı olarak `eos_token_id` kullanır. `past_key_values` kullanılıyorsa, isteğe bağlı olarak yalnızca son `decoder_input_ids` girdi olarak sağlanmalıdır (bkz. `past_key_values`). Çeviri ve özetleme eğitimi için `decoder_input_ids` sağlanmalıdır. `decoder_input_ids` sağlanmazsa, model bu tensörü, makalede belirtildiği gibi gürültü giderme ön eğitimi için `input_ids` değerlerini sağa kaydırarak oluşturur.

decoder_attention_mask (`torch.LongTensor`, şekli `(batch_size, target_sequence_length)`, *isteğe bağlı*) : Varsayılan davranış: `decoder_input_ids` içindeki dolgu (pad) jetonlarını yok sayan bir tensör oluşturur. Varsayılan olarak nedensel maske (causal mask) de kullanılır. Dolgu davranışını değiştirmek istiyorsanız, `modeling_bart._prepare_decoder_attention_mask` dosyasını okuyup ihtiyaçlarınıza göre düzenlemelisiniz. Varsayılan strateji hakkında daha fazla bilgi için [makaledeki](https://huggingface.co/papers/1910.13461) 1 numaralı diyagrama bakın.

encoder_outputs (`tuple[tuple[torch.Tensor]]`, *isteğe bağlı*) : (`last_hidden_state`, *isteğe bağlı*: `hidden_states`, *isteğe bağlı*: `attentions`) içeren bir Tuple. `last_hidden_state`, `(batch_size, sequence_length, hidden_size)` biçiminde, *isteğe bağlı*) kodlayıcının (encoder) son katmanının çıktısındaki gizli durumlar (hidden-states) dizisidir. Çözücüde (decoder) çapraz dikkat (cross-attention) için kullanılır.

past_key_values (`~cache_utils.Cache`, *isteğe bağlı*) : Sıralı çözümlemeyi hızlandırmak için kullanılabilen, önceden hesaplanmış gizli durumlar (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler). Bu genellikle, `use_cache=True` veya `config.use_cache=True` olduğunda, çözümlemenin önceki bir aşamasında modelin döndürdüğü `past_key_values` değerlerinden oluşur. Girdi olarak yalnızca [Cache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.Cache) örneği kabul edilir, bkz. [kv cache kılavuzu](https://huggingface.co/docs/transformers/en/kv_cache). `past_key_values` geçirilmezse, varsayılan olarak [DynamicCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.DynamicCache) başlatılır. Model, girdi olarak verilen aynı önbellek biçimini çıktı olarak verecektir. `past_key_values` kullanılıyorsa, kullanıcının, bu modele geçmiş anahtar-değer durumları verilmemiş olan, yalnızca işlenmemiş `input_ids` değerlerini (şekli `(batch_size, unprocessed_length)` olan) girmesi beklenir; bunun yerine, şekli `(batch_size, sequence_length)` olan tüm `input_ids` değerleri girilmez.

inputs_embeds (`torch.Tensor` şekli`(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) : `input_ids` göndermek yerine, gömülü bir temsil doğrudan göndermeyi seçebilirsiniz. Bu, `input_ids` dizinlerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisinden daha fazla kontrol sahibi olmak istiyorsanız faydalıdır.  labels (`torch.LongTensor` şekli `(batch_size, sequence_length)`, *isteğe bağlı*): Maskeli dil modelleme kaybını hesaplamak için etiketler. Dizinler `[-100, 0, ..., config.vocab_size]` aralığında olmalıdır (bkz. `input_ids` docstring). Dizinleri `-100` olarak ayarlanan tokenlar yok sayılır (maskelenir), kayıp yalnızca etiketleri `[0, ..., config.vocab_size]` aralığında olan tokenlar için hesaplanır.

decoder_inputs_embeds (`torch.Tensor`, şekli `(batch_size, target_sequence_length, hidden_size)`, *isteğe bağlı*) : `decoder_input_ids` parametresini iletmek yerine, gömülü bir temsil doğrudan iletmeyi seçebilirsiniz. `past_key_values` kullanılıyorsa, isteğe bağlı olarak yalnızca son `decoder_inputs_embeds` değerlerinin girdi olarak verilmesi yeterlidir (bkz. `past_key_values`). Bu, `decoder_input_ids` indekslerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisine kıyasla daha fazla kontrol sahibi olmak istiyorsanız faydalıdır. `decoder_input_ids` ve `decoder_inputs_embeds` parametrelerinin ikisi de ayarlanmamışsa, `decoder_inputs_embeds` parametresi `inputs_embeds` değerini alır.

labels (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Maskeli dil modelleme kaybını hesaplamak için etiketler. Endeksler `[0, ..., config.vocab_size]` aralığında olmalı ya da -100 olmalı (`input_ids` docstring'ine bakın). Endeksleri `-100` olarak ayarlanan tokenlar yok sayılır (maskelenir), kayıp yalnızca `[0, ..., config.vocab_size]` aralığında etiketlere sahip tokenlar için hesaplanır.

use_cache (`bool`, *isteğe bağlı*) : `True` olarak ayarlanırsa, `past_key_values` anahtar değer durumları döndürülür ve çözümlemeyi hızlandırmak için kullanılabilir (bkz. `past_key_values`).

**Dönüş:** [Seq2SeqLMOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.Seq2SeqLMOutput) veya `tuple(torch.Tensor)`

[Seq2SeqLMOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.Seq2SeqLMOutput) veya bir `torch.Tensor` demeti (eğer `return_dict=False` geçirildiyse veya `config.return_dict=False` ise), yapılandırma ([SeamlessM4Tv2Config](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Config)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[SeamlessM4Tv2ForTextToText](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForTextToText) forward metodu, `__call__` özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

- **loss** (`torch.Tensor`, şekli `(1,)`, *isteğe bağlı*, `labels` sağlandığında döndürülür) -- Dil modelleme kaybı.
- **logits** (`torch.Tensor`, şekli `(batch_size, sequence_length, config.vocab_size)`) -- Dil modelleme başlığının tahmin puanları (SoftMax öncesi her sözlük jetonu için puanlar).
- **past_key_values** (`EncoderDecoderCache`, *isteğe bağlı*, `use_cache=True` geçirildiğinde veya `config.use_cache=True` olduğunda döndürülür) -- Bir [EncoderDecoderCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.EncoderDecoderCache) örneğidir. Daha fazla ayrıntı için [kv önbellek kılavuzumuza](https://huggingface.co/docs/transformers/en/kv_cache) bakın.

  Sıralı çözümlemeyi hızlandırmak için (bkz. `past_key_values` girdisi) kullanılabilen, önceden hesaplanmış gizli durumları (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler) içerir.
- **decoder_hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren bir tuple, şekli `(batch_size, sequence_length, hidden_size)`.

  Her katmanın çıktısında ve başlangıç gömme çıktılarında dekodlayıcının gizli durumları.
- **decoder_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat yumuşatma (attention softmax) sonrasında, öz-dikkat (self-attention) kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılan çözücü (decoder) dikkat ağırlıkları.
- **cross_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `(batch_size, num_heads, sequence_length, sequence_length)` biçiminde, her katman için bir adet içeren `torch.Tensor` demeti.

  Dekoderin çapraz dikkat katmanının dikkat ağırlıkları, dikkat softmax'ından sonra, çapraz dikkat başlıklarında ağırlıklı ortalamanın hesaplanmasında kullanılır.
- **encoder_last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) -- Modelin kodlayıcısının son katmanının çıktısındaki gizli durumlar dizisi.
- **encoder_hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için birer tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında ve başlangıç gömme çıktılarında kodlayıcının gizli durumları.
- **encoder_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat yumuşatma (attention softmax) sonrasında, öz-dikkat (self-attention) kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılan kodlayıcının dikkat ağırlıkları.

#### generate[[transformers.SeamlessM4Tv2ForTextToText.generate]]

```python
generate(input_ids = None, tgt_lang = None, generation_config = None, logits_processor = None, stopping_criteria = None, prefix_allowed_tokens_fn = None, synced_gpus = False, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L2619)

**Parametreler:**

input_ids (`torch.Tensor`, modaliteye göre değişen şekle sahip, *isteğe bağlı*) : Sözlükteki girdi dizisi token'larının indeksleri. İndeksler [SeamlessM4TTokenizer](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TTokenizer) veya [SeamlessM4TProcessor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TProcessor) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi ID'leri nelerdir?](../glossary#input-ids)

tgt_lang (`str`, *isteğe bağlı*) : Çeviri için hedef dil olarak kullanılacak dil.

generation_config (`~generation.GenerationConfig`, *isteğe bağlı*) : Üretim çağrısı için temel parametrelendirme olarak kullanılacak üretim yapılandırması. `generation_config` öznitelikleriyle eşleşen ve generate'e aktarılan `**kwargs` bunları geçersiz kılar. `generation_config` sağlanmazsa, varsayılan değer kullanılır; bunun yükleme önceliği şu şekildedir: 1) varsa `generation_config.json` model dosyasından; 2) model yapılandırmasından. Belirtilmeyen parametrelerin [GenerationConfig](/docs/transformers/v5.23.0/tr/main_classes/text_generation#transformers.GenerationConfig)'in varsayılan değerlerini devralacağını ve üretim parametrelendirmesi için belgelenmiş değerlerin kontrol edilmesi gerektiğini lütfen unutmayın.

logits_processor (`LogitsProcessorList`, *isteğe bağlı*) : Argümanlardan ve üretim yapılandırmasından oluşturulan varsayılan logits işleyicilerini tamamlayan özel logits işleyicileri. Argümanlarla veya bir üretim yapılandırmasıyla zaten oluşturulmuş bir logits işleyicisi geçirilirse bir hata fırlatılır. Bu özellik ileri düzey kullanıcılar için tasarlanmıştır.

stopping_criteria (`StoppingCriteriaList`, *isteğe bağlı*) : Argümanlardan ve bir üretim yapılandırmasından oluşturulan varsayılan durdurma ölçütlerini tamamlayan özel durdurma ölçütleri. Argümanlarla veya bir üretim yapılandırmasıyla zaten oluşturulmuş bir durdurma ölçütü geçirilirse bir hata fırlatılır. Bu özellik ileri düzey kullanıcılar için tasarlanmıştır.

prefix_allowed_tokens_fn (`Callable[[int, torch.Tensor], list[int]]`, *isteğe bağlı*) : Sağlanırsa, bu fonksiyon her adımda beam search'i yalnızca izin verilen token'lara kısıtlar. Sağlanmazsa hiçbir kısıtlama uygulanmaz. Bu fonksiyon 2 argüman alır: batch kimliği `batch_id` ve `input_ids`. Batch kimliği `batch_id` ve daha önce üretilen token'lara `inputs_ids` bağlı olarak, bir sonraki üretim adımı için izin verilen token'ların listesini döndürmelidir. Bu argüman, [Autoregressive Entity Retrieval](https://huggingface.co/papers/2010.00904) başlıklı bölümde anlatıldığı gibi, önekle (prefix) koşullu kısıtlı üretim için faydalıdır.

synced_gpus (`bool`, *isteğe bağlı*, varsayılan `False`) : while döngüsünün max_length değerine kadar çalışmaya devam edip etmeyeceğini belirler (`FullyShardedDataParallel` ve DeepSpeed ZeRO Stage 3 ile ölü kilitlenmeyi önlemek için gereklidir).

kwargs (`dict[str, Any]`, *isteğe bağlı*) : `generate_config` için ad hoc parametrelendirme ve/veya modelin `forward` fonksiyonuna iletilecek ek model-özel kwargs.

**Dönüş:** [ModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.utils.ModelOutput) veya `torch.LongTensor`

Bir [ModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.utils.ModelOutput) (`return_dict_in_generate=True` ise veya `config.return_dict_in_generate=True` ise) ya da bir `torch.Tensor`. Olası [ModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.utils.ModelOutput) türleri şunlardır:
- [GenerateEncoderDecoderOutput](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.generation.GenerateEncoderDecoderOutput),
- [GenerateBeamEncoderDecoderOutput](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.generation.GenerateBeamEncoderDecoderOutput)

Token kimliği dizileri oluşturur.

Çoğu üretim kontrol parametresi, `generation_config` içinde ayarlanır; bu parametre geçirilmezse, modelin varsayılan üretim yapılandırması kullanılır. `generation_config` içindeki herhangi bir değeri, generate() fonksiyonuna ilgili parametreleri geçirerek geçersiz kılabilirsiniz, örneğin `.generate(inputs, num_beams=4, do_sample=True)`.

Üretim stratejileri ve kod örneklerinin genel bakışı için [şu kılavuza](./generation_strategies) göz atın.

## SeamlessM4Tv2ForSpeechToText[[transformers.SeamlessM4Tv2ForSpeechToText]]

#### transformers.SeamlessM4Tv2ForSpeechToText[[transformers.SeamlessM4Tv2ForSpeechToText]]

```python
transformers.SeamlessM4Tv2ForSpeechToText(config: SeamlessM4Tv2Config)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L2736)

**Parametreler:**

config ([SeamlessM4Tv2Config](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Config)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

S2TT için kullanılabilen speech-to-text SeamlessM4Tv2 Model transformer'ı.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.SeamlessM4Tv2ForSpeechToText.forward]]

```python
forward(input_features: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, decoder_input_ids: typing.Optional[torch.LongTensor] = None, decoder_attention_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: tuple[tuple[torch.Tensor]] | None = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, decoder_inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L2774)

**Parametreler:**

input_features (`torch.Tensor`, şekli `(batch_size, sequence_length, num_banks)`) : Girdi ses özellikleri. Bu, [SeamlessM4TFeatureExtractor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TFeatureExtractor) sınıfı veya [SeamlessM4TProcessor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TProcessor) sınıfı tarafından döndürülmelidir. Ayrıntılar için [SeamlessM4TFeatureExtractor.__call__()](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TFeatureExtractor.__call__) bölümüne bakın.

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

decoder_input_ids (`torch.LongTensor`, şekli `(batch_size, target_sequence_length)`, *isteğe bağlı*) : Sözlükte decoder giriş dizisi tokenlarının indeksleri. İndeksler [AutoTokenizer](/docs/transformers/v5.23.0/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Decoder giriş kimlikleri nelerdir?](../glossary#decoder-input-ids) Bart, `decoder_input_ids` üretimi için başlangıç tokenı olarak `eos_token_id` kullanır. `past_key_values` kullanılıyorsa, isteğe bağlı olarak yalnızca son `decoder_input_ids` girdi olarak sağlanmalıdır (bkz. `past_key_values`). Çeviri ve özetleme eğitimi için `decoder_input_ids` sağlanmalıdır. `decoder_input_ids` sağlanmazsa, model bu tensörü, makalede belirtildiği gibi gürültü giderme ön eğitimi için `input_ids` değerlerini sağa kaydırarak oluşturur.

decoder_attention_mask (`torch.LongTensor`, şekli `(batch_size, target_sequence_length)`, *isteğe bağlı*) : Varsayılan davranış: `decoder_input_ids` içindeki dolgu (pad) jetonlarını yok sayan bir tensör oluşturur. Varsayılan olarak nedensel maske (causal mask) de kullanılır. Dolgu davranışını değiştirmek istiyorsanız, `modeling_bart._prepare_decoder_attention_mask` dosyasını okuyup ihtiyaçlarınıza göre düzenlemelisiniz. Varsayılan strateji hakkında daha fazla bilgi için [makaledeki](https://huggingface.co/papers/1910.13461) 1 numaralı diyagrama bakın.

encoder_outputs (`tuple[tuple[torch.Tensor]]`, *isteğe bağlı*) : (`last_hidden_state`, *isteğe bağlı*: `hidden_states`, *isteğe bağlı*: `attentions`) içeren bir Tuple. `last_hidden_state`, `(batch_size, sequence_length, hidden_size)` biçiminde, *isteğe bağlı*) kodlayıcının (encoder) son katmanının çıktısındaki gizli durumlar (hidden-states) dizisidir. Çözücüde (decoder) çapraz dikkat (cross-attention) için kullanılır.

past_key_values (`~cache_utils.Cache`, *isteğe bağlı*) : Sıralı çözümlemeyi hızlandırmak için kullanılabilen, önceden hesaplanmış gizli durumlar (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler). Bu genellikle, `use_cache=True` veya `config.use_cache=True` olduğunda, çözümlemenin önceki bir aşamasında modelin döndürdüğü `past_key_values` değerlerinden oluşur. Girdi olarak yalnızca [Cache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.Cache) örneği kabul edilir, bkz. [kv cache kılavuzu](https://huggingface.co/docs/transformers/en/kv_cache). `past_key_values` geçirilmezse, varsayılan olarak [DynamicCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.DynamicCache) başlatılır. Model, girdi olarak verilen aynı önbellek biçimini çıktı olarak verecektir. `past_key_values` kullanılıyorsa, kullanıcının, bu modele geçmiş anahtar-değer durumları verilmemiş olan, yalnızca işlenmemiş `input_ids` değerlerini (şekli `(batch_size, unprocessed_length)` olan) girmesi beklenir; bunun yerine, şekli `(batch_size, sequence_length)` olan tüm `input_ids` değerleri girilmez.

inputs_embeds (`torch.Tensor` şekli`(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) : `input_ids` göndermek yerine, gömülü bir temsil doğrudan göndermeyi seçebilirsiniz. Bu, `input_ids` dizinlerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisinden daha fazla kontrol sahibi olmak istiyorsanız faydalıdır.  labels (`torch.LongTensor` şekli `(batch_size, sequence_length)`, *isteğe bağlı*): Maskeli dil modelleme kaybını hesaplamak için etiketler. Dizinler `[-100, 0, ..., config.vocab_size]` aralığında olmalıdır (bkz. `input_ids` docstring). Dizinleri `-100` olarak ayarlanan tokenlar yok sayılır (maskelenir), kayıp yalnızca etiketleri `[0, ..., config.vocab_size]` aralığında olan tokenlar için hesaplanır.

decoder_inputs_embeds (`torch.Tensor`, şekli `(batch_size, target_sequence_length, hidden_size)`, *isteğe bağlı*) : `decoder_input_ids` parametresini iletmek yerine, gömülü bir temsil doğrudan iletmeyi seçebilirsiniz. `past_key_values` kullanılıyorsa, isteğe bağlı olarak yalnızca son `decoder_inputs_embeds` değerlerinin girdi olarak verilmesi yeterlidir (bkz. `past_key_values`). Bu, `decoder_input_ids` indekslerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisine kıyasla daha fazla kontrol sahibi olmak istiyorsanız faydalıdır. `decoder_input_ids` ve `decoder_inputs_embeds` parametrelerinin ikisi de ayarlanmamışsa, `decoder_inputs_embeds` parametresi `inputs_embeds` değerini alır.

labels (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Maskeli dil modelleme kaybını hesaplamak için etiketler. Endeksler `[0, ..., config.vocab_size]` aralığında olmalı ya da -100 olmalı (`input_ids` docstring'ine bakın). Endeksleri `-100` olarak ayarlanan tokenlar yok sayılır (maskelenir), kayıp yalnızca `[0, ..., config.vocab_size]` aralığında etiketlere sahip tokenlar için hesaplanır.

use_cache (`bool`, *isteğe bağlı*) : `True` olarak ayarlanırsa, `past_key_values` anahtar değer durumları döndürülür ve çözümlemeyi hızlandırmak için kullanılabilir (bkz. `past_key_values`).

**Dönüş:** [Seq2SeqLMOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.Seq2SeqLMOutput) veya `tuple(torch.Tensor)`

[Seq2SeqLMOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.Seq2SeqLMOutput) veya bir `torch.Tensor` demeti (eğer `return_dict=False` geçirildiyse veya `config.return_dict=False` ise), yapılandırma ([SeamlessM4Tv2Config](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Config)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[SeamlessM4Tv2ForSpeechToText](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForSpeechToText) forward metodu, `__call__` özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

- **loss** (`torch.Tensor`, şekli `(1,)`, *isteğe bağlı*, `labels` sağlandığında döndürülür) -- Dil modelleme kaybı.
- **logits** (`torch.Tensor`, şekli `(batch_size, sequence_length, config.vocab_size)`) -- Dil modelleme başlığının tahmin puanları (SoftMax öncesi her sözlük jetonu için puanlar).
- **past_key_values** (`EncoderDecoderCache`, *isteğe bağlı*, `use_cache=True` geçirildiğinde veya `config.use_cache=True` olduğunda döndürülür) -- Bir [EncoderDecoderCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.EncoderDecoderCache) örneğidir. Daha fazla ayrıntı için [kv önbellek kılavuzumuza](https://huggingface.co/docs/transformers/en/kv_cache) bakın.

  Sıralı çözümlemeyi hızlandırmak için (bkz. `past_key_values` girdisi) kullanılabilen, önceden hesaplanmış gizli durumları (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler) içerir.
- **decoder_hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren bir tuple, şekli `(batch_size, sequence_length, hidden_size)`.

  Her katmanın çıktısında ve başlangıç gömme çıktılarında dekodlayıcının gizli durumları.
- **decoder_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat yumuşatma (attention softmax) sonrasında, öz-dikkat (self-attention) kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılan çözücü (decoder) dikkat ağırlıkları.
- **cross_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `(batch_size, num_heads, sequence_length, sequence_length)` biçiminde, her katman için bir adet içeren `torch.Tensor` demeti.

  Dekoderin çapraz dikkat katmanının dikkat ağırlıkları, dikkat softmax'ından sonra, çapraz dikkat başlıklarında ağırlıklı ortalamanın hesaplanmasında kullanılır.
- **encoder_last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) -- Modelin kodlayıcısının son katmanının çıktısındaki gizli durumlar dizisi.
- **encoder_hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için birer tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında ve başlangıç gömme çıktılarında kodlayıcının gizli durumları.
- **encoder_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat yumuşatma (attention softmax) sonrasında, öz-dikkat (self-attention) kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılan kodlayıcının dikkat ağırlıkları.

Örnek:

```python
>>> from transformers import AutoProcessor, SeamlessM4Tv2ForSpeechToText
>>> from datasets import load_dataset
>>> import torch

>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate

>>> processor = AutoProcessor.from_pretrained("facebook/hf-seamless-m4t-medium")
>>> model = SeamlessM4Tv2ForSpeechToText.from_pretrained("facebook/hf-seamless-m4t-medium")

>>> # audio file is decoded on the fly
>>> inputs = processor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")
>>> with torch.no_grad():
...     logits = model(**inputs).logits
>>> predicted_ids = torch.argmax(logits, dim=-1)

>>> # transcribe speech
>>> transcription = processor.batch_decode(predicted_ids)
>>> transcription[0]
...

>>> inputs["labels"] = processor(text=dataset[0]["text"], return_tensors="pt").input_ids

>>> # compute loss
>>> loss = model(**inputs).loss
>>> round(loss.item(), 2)
...
```

#### generate[[transformers.SeamlessM4Tv2ForSpeechToText.generate]]

```python
generate(input_features = None, tgt_lang = None, generation_config = None, logits_processor = None, stopping_criteria = None, prefix_allowed_tokens_fn = None, synced_gpus = False, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/modeling_seamless_m4t_v2.py#L2865)

**Parametreler:**

input_features (`torch.Tensor`, şekli `(batch_size, sequence_length, num_banks)`) : Girdi ses özellikleri. Bu, [SeamlessM4TFeatureExtractor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TFeatureExtractor) sınıfı veya [SeamlessM4TProcessor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TProcessor) sınıfı tarafından döndürülmelidir. Ayrıntılar için [SeamlessM4TFeatureExtractor.__call__()](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TFeatureExtractor.__call__) bölümüne bakın.

tgt_lang (`str`, *isteğe bağlı*) : Çeviri için hedef dil olarak kullanılacak dil.

generation_config (`~generation.GenerationConfig`, *isteğe bağlı*) : Üretim çağrısı için temel parametrelendirme olarak kullanılacak üretim yapılandırması. `generation_config` öznitelikleriyle eşleşen ve generate'e aktarılan `**kwargs` bunları geçersiz kılar. `generation_config` sağlanmazsa, varsayılan değer kullanılır; bunun yükleme önceliği şu şekildedir: 1) varsa `generation_config.json` model dosyasından; 2) model yapılandırmasından. Belirtilmeyen parametrelerin [GenerationConfig](/docs/transformers/v5.23.0/tr/main_classes/text_generation#transformers.GenerationConfig)'in varsayılan değerlerini devralacağını ve üretim parametrelendirmesi için belgelenmiş değerlerin kontrol edilmesi gerektiğini lütfen unutmayın.

logits_processor (`LogitsProcessorList`, *isteğe bağlı*) : Argümanlardan ve üretim yapılandırmasından oluşturulan varsayılan logits işleyicilerini tamamlayan özel logits işleyicileri. Argümanlarla veya bir üretim yapılandırmasıyla zaten oluşturulmuş bir logits işleyicisi geçirilirse bir hata fırlatılır. Bu özellik ileri düzey kullanıcılar için tasarlanmıştır.

stopping_criteria (`StoppingCriteriaList`, *isteğe bağlı*) : Argümanlardan ve bir üretim yapılandırmasından oluşturulan varsayılan durdurma ölçütlerini tamamlayan özel durdurma ölçütleri. Argümanlarla veya bir üretim yapılandırmasıyla zaten oluşturulmuş bir durdurma ölçütü geçirilirse bir hata fırlatılır. Bu özellik ileri düzey kullanıcılar için tasarlanmıştır.

prefix_allowed_tokens_fn (`Callable[[int, torch.Tensor], list[int]]`, *isteğe bağlı*) : Sağlanırsa, bu fonksiyon her adımda beam search'i yalnızca izin verilen token'lara kısıtlar. Sağlanmazsa hiçbir kısıtlama uygulanmaz. Bu fonksiyon 2 argüman alır: batch kimliği `batch_id` ve `input_ids`. Batch kimliği `batch_id` ve daha önce üretilen token'lara `inputs_ids` bağlı olarak, bir sonraki üretim adımı için izin verilen token'ların listesini döndürmelidir. Bu argüman, [Autoregressive Entity Retrieval](https://huggingface.co/papers/2010.00904) başlıklı bölümde anlatıldığı gibi, önekle (prefix) koşullu kısıtlı üretim için faydalıdır.

synced_gpus (`bool`, *isteğe bağlı*, varsayılan `False`) : while döngüsünün max_length değerine kadar çalışmaya devam edip etmeyeceğini belirler (`FullyShardedDataParallel` ve DeepSpeed ZeRO Stage 3 ile ölü kilitlenmeyi önlemek için gereklidir).

kwargs (`dict[str, Any]`, *isteğe bağlı*) : `generate_config` için ad hoc parametrelendirme ve/veya modelin `forward` fonksiyonuna iletilecek ek model-özel kwargs.

**Dönüş:** [ModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.utils.ModelOutput) veya `torch.LongTensor`

Bir [ModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.utils.ModelOutput) (`return_dict_in_generate=True` ise veya `config.return_dict_in_generate=True` ise) ya da bir `torch.Tensor`. Olası [ModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.utils.ModelOutput) türleri şunlardır:
- [GenerateEncoderDecoderOutput](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.generation.GenerateEncoderDecoderOutput),
- [GenerateBeamEncoderDecoderOutput](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.generation.GenerateBeamEncoderDecoderOutput)

Token kimliği dizileri oluşturur.

Çoğu üretim kontrol parametresi, `generation_config` içinde ayarlanır; bu parametre geçirilmezse, modelin varsayılan üretim yapılandırması kullanılır. `generation_config` içindeki herhangi bir değeri, generate() fonksiyonuna ilgili parametreleri geçirerek geçersiz kılabilirsiniz, örneğin `.generate(inputs, num_beams=4, do_sample=True)`.

Üretim stratejileri ve kod örneklerinin genel bakışı için [şu kılavuza](./generation_strategies) göz atın.

## SeamlessM4Tv2Config[[transformers.SeamlessM4Tv2Config]]

#### transformers.SeamlessM4Tv2Config[[transformers.SeamlessM4Tv2Config]]

```python
transformers.SeamlessM4Tv2Config(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, 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, is_encoder_decoder: bool = True, vocab_size: int = 256102, t2u_vocab_size: int = 10082, char_vocab_size: int = 10943, hidden_size: int = 1024, initializer_range: float = 0.02, layer_norm_eps: float = 1e-05, use_cache: bool = True, max_position_embeddings: int = 4096, encoder_layerdrop: float | int = 0.05, decoder_layerdrop: float | int = 0.05, activation_function: str = 'relu', dropout: float | int = 0.1, attention_dropout: float | int = 0.1, activation_dropout: float | int = 0.0, scale_embedding: bool = True, encoder_layers: int = 24, encoder_ffn_dim: int = 8192, encoder_attention_heads: int = 16, decoder_layers: int = 24, decoder_ffn_dim: int = 8192, decoder_attention_heads: int = 16, decoder_start_token_id: int = 3, max_new_tokens: int | None = 256, pad_token_id: int | None = 0, bos_token_id: int | None = 2, eos_token_id: int | list[int] | None = 3, speech_encoder_layers: int = 24, speech_encoder_attention_heads: int = 16, speech_encoder_intermediate_size: int = 4096, speech_encoder_hidden_act: str = 'swish', speech_encoder_dropout: float | int = 0.0, add_adapter: bool = True, speech_encoder_layerdrop: float | int = 0.1, feature_projection_input_dim: int = 160, adaptor_kernel_size: int = 8, adaptor_stride: int = 8, adaptor_dropout: float | int = 0.1, num_adapter_layers: int = 1, position_embeddings_type: str = 'relative_key', conv_depthwise_kernel_size: int = 31, left_max_position_embeddings: int = 64, right_max_position_embeddings: int = 8, speech_encoder_chunk_size: int = 20000, speech_encoder_left_chunk_num: int = 128, t2u_bos_token_id: int | None = 0, t2u_pad_token_id: int | None = 1, t2u_eos_token_id: int | list[int] | None = 2, t2u_encoder_layers: int = 6, t2u_encoder_ffn_dim: int = 8192, t2u_encoder_attention_heads: int = 16, t2u_decoder_layers: int = 6, t2u_decoder_ffn_dim: int = 8192, t2u_decoder_attention_heads: int = 16, t2u_max_position_embeddings: int = 4096, t2u_variance_predictor_embed_dim: int = 1024, t2u_variance_predictor_hidden_dim: int = 256, t2u_variance_predictor_kernel_size: int = 3, t2u_variance_pred_dropout: float | int = 0.5, sampling_rate: int = 16000, upsample_initial_channel: int = 512, upsample_rates: list[int] | tuple[int, ...] = (5, 4, 4, 2, 2), upsample_kernel_sizes: list[int] | tuple[int, ...] = (11, 8, 8, 4, 4), resblock_kernel_sizes: list[int] | tuple[int, ...] = (3, 7, 11), resblock_dilation_sizes: list | tuple = ((1, 3, 5), (1, 3, 5), (1, 3, 5)), leaky_relu_slope: float = 0.1, unit_hifi_gan_vocab_size: int = 10000, unit_embed_dim: int = 1280, lang_embed_dim: int = 256, spkr_embed_dim: int = 256, vocoder_num_langs: int = 36, vocoder_num_spkrs: int = 200, variance_predictor_kernel_size: int = 3, var_pred_dropout: float | int = 0.5, vocoder_offset: int = 4, tie_word_embeddings: bool = True)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/seamless_m4t_v2/configuration_seamless_m4t_v2.py#L24)

**Parametreler:**

is_encoder_decoder (`bool`, *isteğe bağlı*, varsayılan `True`) : Modelin bir kodlayıcı/çözücü olarak kullanılıp kullanılmadığı.

vocab_size (`int`, *isteğe bağlı*, varsayılan `256102`) : Modelin sözlük boyutu. `input_ids` tarafından temsil edilebilecek farklı token sayısını tanımlar.

t2u_vocab_size (`int`, *isteğe bağlı*, varsayılan 10082) : SeamlessM4Tv2 modelinin birim sözlük boyutu. [~SeamlessM4Tv2Model](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Model), [~SeamlessM4Tv2ForSpeechToSpeech](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForSpeechToSpeech) veya [~SeamlessM4Tv2ForTextToSpeech](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForTextToSpeech) çağrılırken Text-To-Units alt modeline geçirilen `inputs_ids` tarafından temsil edilebilecek farklı "birim jetonlarının" sayısını tanımlar.

char_vocab_size (`int`, *isteğe bağlı*, varsayılan 10943) : SeamlessM4Tv2 modelinin karakter sözlük boyutu. [~SeamlessM4Tv2Model](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Model), [~SeamlessM4Tv2ForSpeechToSpeech](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForSpeechToSpeech) veya [~SeamlessM4Tv2ForTextToSpeech](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForTextToSpeech) çağrılırken Text-To-Units alt modeline geçirilen `char_inputs_ids` tarafından temsil edilebilecek farklı karakter jetonlarının sayısını tanımlar.

hidden_size (`int`, *isteğe bağlı*, varsayılan `1024`) : Gizli temsillerin boyutu.

initializer_range (`float`, *opsiyonel*, varsayılan `0.02`) : Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

layer_norm_eps (`float`, *opsiyonel*, varsayılan `1e-05`) : Katman normalizasyonu katmanları tarafından kullanılan epsilon.

use_cache (`bool`, *isteğe bağlı*, varsayılan `True`) : Modelin son anahtar/değer dikkatlerini döndürüp döndürmeyeceğini belirtir (tüm modellerde kullanılmaz). Yalnızca `config.is_decoder=True` olduğunda veya model yalnızca çözücü tabanlı üretken bir model olduğunda geçerlidir.

max_position_embeddings (`int`, *isteğe bağlı*, varsayılan `4096`) : Bu modelin kullanılabileceği maksimum dizi uzunluğu.

encoder_layerdrop (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.05`) : Kodlayıcı için LayerDrop olasılığı. Daha fazla ayrıntı için [LayerDrop makalesine](see https://huggingface.co/papers/1909.11556) bakın.

decoder_layerdrop (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.05`) : Çözücü için LayerDrop olasılığı. Daha fazla ayrıntı için [LayerDrop makalesine](see https://huggingface.co/papers/1909.11556) bakın.

activation_function (`str`, *isteğe bağlı*, varsayılan `relu`) : Dekoderdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, `"gelu"`, `"relu"`, `"silu"` vb.

dropout (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.1`) : Tüm dropout katmanları için oran.

attention_dropout (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.1`) : Dikkat olasılıkları için dropout oranı.

activation_dropout (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.0`) : Tamamen bağlı katmandaki aktivasyonlar için dropout oranı.

scale_embedding (`bool`, *isteğe bağlı*, varsayılan `True`) : Gömme değerlerinin sqrt(d_model) değerine bölünerek ölçeklendirilip ölçeklendirilmeyeceğini belirtir.

encoder_layers (`int`, *isteğe bağlı*, varsayılan `24`) : Transformer kodlayıcısındaki gizli katman sayısı. Ayarlanmazsa `num_layers` ile aynı değeri kullanır.

encoder_ffn_dim (`int`, *opsiyonel*, varsayılan `8192`) : Kodlayıcıdaki "ara" (genellikle feed-forward olarak adlandırılan) katmanının boyutluluğu.

encoder_attention_heads (`int`, *isteğe bağlı*, varsayılan `16`) : Transformer kodlayıcısındaki her dikkat katmanı için dikkat başı sayısı.

decoder_layers (`int`, *isteğe bağlı*, varsayılan `24`) : Transformer decoder'ındaki gizli katman sayısı. Ayarlanmazsa `num_layers` ile aynı değer kullanılır.

decoder_ffn_dim (`int`, *opsiyonel*, varsayılan `8192`) : Dekoderdeki "ara" (genellikle feed-forward olarak adlandırılan) katmanın boyutluluğu.

decoder_attention_heads (`int`, *isteğe bağlı*, varsayılan `16`) : Transformer decoder'ındaki her dikkat katmanı için dikkat başı sayısı.

decoder_start_token_id (`int`, *opsiyonel*, varsayılan `3`) : Bir kodlayıcı-çözücü modeli, `bos` ile farklı bir token ile çözümlemeye başlıyorsa, o token'ın kimliği.

max_new_tokens (`int`, *isteğe bağlı*, varsayılan 256) : İstekteki token sayısını göz ardı ederek üretilecek en fazla metin token sayısı.

pad_token_id (`int`, *isteğe bağlı*, varsayılan `0`) : Sözlükte dolgu için kullanılan token kimliği.

bos_token_id (`int`, *isteğe bağlı*, varsayılan `2`) : Sözlükte akış başlangıcı için kullanılan token kimliği.

eos_token_id (`Union[int, list[int]]`, *isteğe bağlı*, varsayılan `3`) : Sözlükte akış sonu için kullanılan token kimliği.

speech_encoder_layers (`int`, *isteğe bağlı*, varsayılan 24) : Transformer ses kodlayıcısındaki gizli katman sayısı.

speech_encoder_attention_heads (`int`, *isteğe bağlı*, varsayılan 16) : Transformer ses kodlayıcısındaki her dikkat katmanı için dikkat başı sayısı.

speech_encoder_intermediate_size (`int`, *opsiyonel*, varsayılan 4096) : Transformer ses kodlayıcısındaki "ara" (yani, ileri beslemeli) katmanın boyutu.

speech_encoder_hidden_act (`str` veya `function`, *opsiyonel*, varsayılan `"swish"`) : Ses kodlayıcıdaki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Dize ise, `"gelu"`, `"relu"`, `"selu"`, `"swish"` ve `"gelu_new"` desteklenir.

speech_encoder_dropout (`float`, *opsiyonel*, varsayılan 0.0) : Ses kodlayıcıdaki tüm katmanlar için dropout olasılığı.

add_adapter (`bool`, *isteğe bağlı*, varsayılan `True`) : Ses kodlayıcısının üzerine bir adaptör katmanı ekler.

speech_encoder_layerdrop (`float`, *opsiyonel*, varsayılan 0.1) : Ses kodlayıcı için LayerDrop olasılığı. Daha fazla ayrıntı için [LayerDrop makalesine](see https://huggingface.co/papers/1909.11556) bakın.

feature_projection_input_dim (`int`, *isteğe bağlı*, varsayılan 160) : Ses kodlayıcısının giriş özellik projeksiyonunun giriş boyutu, yani [SeamlessM4TFeatureExtractor](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t#transformers.SeamlessM4TFeatureExtractor) ile giriş seslerinin işlenmesinden sonraki boyut.

adaptor_kernel_size (`int`, *opsiyonel*, varsayılan 8) : Adaptör ağındaki konvolüsyon katmanlarının çekirdek boyutu. Yalnızca `add_adapter is True` ise geçerlidir.

adaptor_stride (`int`, *isteğe bağlı*, varsayılan 8) : Adaptör ağındaki konvolüsyon katmanlarının adım boyutu. Yalnızca `add_adapter is True` ise geçerlidir.

adaptor_dropout (`float`, *opsiyonel*, varsayılan 0.1) : Ses adaptöründeki tüm katmanlar için dropout olasılığı.

num_adapter_layers (`int`, *opsiyonel*, varsayılan 1) : Adaptör ağında kullanılması gereken konvolüsyonel katman sayısı. Yalnızca `add_adapter is True` durumunda geçerlidir.

position_embeddings_type (`str`, *isteğe bağlı*, varsayılan `"relative_key"`) : `relative_key` olarak belirtilebilir. `None` olarak bırakılırsa, göreli konum gömme uygulanmaz. Yalnızca konuşma kodlayıcıya uygulanır. `"relative_key"` hakkında daha fazla bilgi için [Göreli Konum Temsilleri ile Kendi Kendine Dikkat (Shaw ve ark.)](https://huggingface.co/papers/1803.02155) başlıklı makaleye bakın.

conv_depthwise_kernel_size (`int`, *opsiyonel*, varsayılan 31) : Conformer bloklarındaki konvolüsyonel derinlikli 1D katmanının çekirdek boyutu. Yalnızca konuşma kodlayıcıya uygulanır.

left_max_position_embeddings (`int`, *isteğe bağlı*, varsayılan 64) : Göreli konumlar için sol kırpma değeri.

right_max_position_embeddings (`int`, *isteğe bağlı*, varsayılan 8) : Göreli konumlar için sağ kırpma değeri.

speech_encoder_chunk_size (`int`, *isteğe bağlı*, varsayılan 20000) : Her dikkat parçasının boyutu.

speech_encoder_left_chunk_num (`int`, *isteğe bağlı*, varsayılan 128) : Lookahead'in izin verildiği sol taraftaki parça sayısı.

t2u_bos_token_id (`int`, *isteğe bağlı*, varsayılan 0) : _beginning-of-stream_ birim token'ının kimliği. Yalnızca metinden birime seq2seq modeline uygulanır.

t2u_pad_token_id (`int`, *isteğe bağlı*, varsayılan 1) : _padding_ birim token'ının kimliği. Yalnızca metinden birime seq2seq modeline uygulanır.

t2u_eos_token_id (`int`, *isteğe bağlı*, varsayılan 2) : _end-of-stream_ birim token'ının kimliği. Yalnızca metinden birime seq2seq modeline uygulanır.

t2u_encoder_layers (`int`, *isteğe bağlı*, varsayılan 6) : Transformer metinden birime kodlayıcısındaki gizli katman sayısı.

t2u_encoder_ffn_dim (`int`, *isteğe bağlı*, varsayılan 8192) : Transformer metinden birime kodlayıcısında "ara" (yani, ileri beslemeli) katmanın boyutu.

t2u_encoder_attention_heads (`int`, *isteğe bağlı*, varsayılan 16) : Transformer metinden birime kodlayıcıda her dikkat katmanı için dikkat başı sayısı.

t2u_decoder_layers (`int`, *isteğe bağlı*, varsayılan 6) : Transformer metinden birime çözücüdeki gizli katman sayısı.

t2u_decoder_ffn_dim (`int`, *isteğe bağlı*, varsayılan 8192) : Transformer metinden birime dönüştürücüdeki "ara" (yani, ileri beslemeli) katmanın boyutu.

t2u_decoder_attention_heads (`int`, *isteğe bağlı*, varsayılan 16) : Transformer metinden birime çözücüdeki her dikkat katmanı için dikkat başı sayısı.

t2u_max_position_embeddings (`int`, *isteğe bağlı*, varsayılan 4096) : Bu modelin metinden birime (text-to-unit) bileşeninin kullanılabileceği maksimum dizi uzunluğu. Genellikle, olası durumlara karşı bu değeri büyük bir sayı olarak ayarlayın (ör. 512 veya 1024 veya 2048).

t2u_variance_predictor_embed_dim (`int`, *opsiyonel*, varsayılan 1024) : Metinden birime dönüştürücünün süre tahmincisinin yansıtma boyutu.

t2u_variance_predictor_hidden_dim (`int`, *opsiyonel*, varsayılan 256) : Metinden birime dönüştürücünün süre tahmincisinin iç boyutu.

t2u_variance_predictor_kernel_size (`int`, *opsiyonel*, varsayılan 3) : Metinden birime dönüştürücünün süre tahmincisinin konvolüsyonel katmanlarının çekirdek boyutu.

t2u_variance_pred_dropout (`float`, *opsiyonel*, varsayılan 0.5) : Metinden birime dönüştürücünün süre tahmincisinin dropout olasılığı.

sampling_rate (`int`, *isteğe bağlı*, varsayılan `16000`) : Ses dosyalarının dijitalleştirileceği örneklem hızı, hertz (Hz) cinsinden ifade edilir.

upsample_initial_channel (`int`, *isteğe bağlı*, varsayılan 512) : hifi-gan yükseltme (upsampling) ağına giren giriş kanal sayısı. Yalnızca vokoder için geçerlidir.

upsample_rates (`tuple[int]` veya `list[int]`, *opsiyonel*, varsayılan `[5, 4, 4, 2, 2]`) : Vokoder yukarı örnekleme ağındaki her 1D konvolüsyon katmanının adımını (stride) tanımlayan tamsayılardan oluşan bir demet. *upsample_rates*'in uzunluğu, konvolüsyon katmanlarının sayısını belirler ve *upsample_kernel_sizes*'in uzunluğuyla eşleşmelidir. Yalnızca vokoder için geçerlidir.

upsample_kernel_sizes (`tuple[int]` veya `list[int]`, *isteğe bağlı*, varsayılan `[11, 8, 8, 4, 4]`) : Vokoder yukarı örneklemeye (upsampling) ağında her bir 1D konvolüsyonel katmanın çekirdek boyutunu tanımlayan tamsayılar dizisi. *upsample_kernel_sizes*'in uzunluğu, konvolüsyonel katmanların sayısını belirler ve *upsample_rates*'in uzunluğuyla eşleşmelidir. Yalnızca vokoder için geçerlidir.

resblock_kernel_sizes (`tuple[int]` veya `list[int]`, *isteğe bağlı*, varsayılan `[3, 7, 11]`) : Çoklu algılama alanı füzyonu (MRF) modülündeki vokalizer 1D konvolüsyon katmanlarının çekirdek boyutlarını tanımlayan tamsayılar dizisi. Yalnızca vokalizer için geçerlidir.

resblock_dilation_sizes (`tuple[tuple[int]]` veya `list[list[int]]`, *opsiyonel*, varsayılan değeri `[[1, 3, 5], [1, 3, 5], [1, 3, 5]]`) : Çoklu algılama alanı füzyonu (MRF) modülündeki vokalizer seyreltilmiş 1D konvolüsyon katmanlarının seyreltme oranlarını tanımlayan iç içe geçmiş bir tamsayı tuple'ı. Yalnızca vokalizer için geçerlidir.

leaky_relu_slope (`float`, *opsiyonel*, varsayılan 0.1) : Vokoderde kullanılan leaky ReLU aktivasyonunun negatif eğim açısı. Yalnızca vokodere uygulanır.

unit_hifi_gan_vocab_size (`int`, *isteğe bağlı*, varsayılan 10000) : SeamlessM4Tv2 vokoderinin sözlük boyutu. [~SeamlessM4Tv2Model](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2Model), [~SeamlessM4Tv2ForSpeechToSpeech](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForSpeechToSpeech) veya [~SeamlessM4Tv2ForTextToSpeech](/docs/transformers/v5.23.0/tr/model_doc/seamless_m4t_v2#transformers.SeamlessM4Tv2ForTextToSpeech) vokoderi çağrılırken geçirilen `inputs_ids` ile temsil edilebilecek farklı birim jetonlarının sayısını tanımlar.

unit_embed_dim (`int`, *opsiyonel*, varsayılan 1280) : hifi-gan vokodere verilen girdi kimliklerinin (input ids) projeksiyon boyutu. Yalnızca vokoder için geçerlidir.

lang_embed_dim (`int`, *opsiyonel*, varsayılan 256) : hifi-gan vokodere verilen hedef dilin projeksiyon boyutu. Yalnızca vokoder için geçerlidir.

spkr_embed_dim (`int`, *opsiyonel*, varsayılan 256) : hifi-gan vokodere verilen konuşmacı kimliğinin projeksiyon boyutu. Yalnızca vokoder için geçerlidir.

vocoder_num_langs (`int`, *opsiyonel*, varsayılan 36) : Vocoder tarafından desteklenen dil sayısı. `t2u_num_langs`'den farklı olabilir.

vocoder_num_spkrs (`int`, *isteğe bağlı*, varsayılan 200) : Vokoder tarafından desteklenen konuşmacı sayısı.

variance_predictor_kernel_size (`int`, *isteğe bağlı*, varsayılan 3) : Süre tahmincisinin çekirdek boyutu. Yalnızca vokodere uygulanır.

var_pred_dropout (`float`, *opsiyonel*, varsayılan 0.5) : Süre tahmincisinin dropout olasılığı. Yalnızca vokodere uygulanır.

vocoder_offset (`int`, *isteğe bağlı*, varsayılan 4) : Sembol tokenlarını hesaba katmak için birim token kimliklerini bu sayı kadar kaydırır. Yalnızca vokoder için geçerlidir.

tie_word_embeddings (`bool`, *isteğe bağlı*, varsayılan `True`) : Ağırlık gömme bağlamalarının, modelin `tied_weights_keys` eşlemesine göre yapılıp yapılmayacağını belirtir.

Bu, bir SeamlessM4Tv2Model yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Seamless M4T V2 modelinin örneklenmesi için kullanılır ve model mimarisini tanımlar. Varsayılanlarla bir yapılandırma örneği oluşturmak, [facebook/hf-seamless-m4t-medium](https://huggingface.co/facebook/hf-seamless-m4t-medium) yapılandırmasına benzer bir yapılandırma elde edilmesini sağlar.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

```python
>>> from transformers import SeamlessM4Tv2Model, SeamlessM4Tv2Config

>>> # Initializing a SeamlessM4Tv2 "" style configuration
>>> configuration = SeamlessM4Tv2Config()

>>> # Initializing a model from the "" style configuration
>>> model = SeamlessM4Tv2Model(configuration)

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

