Transformers 史上最大音频重构：统一 AudioProcessor 架构落地
LysandreJik · x · 2026-10-26
Hugging Face 正在重构 Transformers 的整个音频预处理栈，由 eustachelb 主导。
- 架构变化：放弃每个模型自带 FeatureExtractor 的旧模式，转向统一的 AudioProcessor 架构——模型只描述自己的前端，共享后端负责实际计算。
- 覆盖范围：约 30 个音频前端、62 个模型映射已迁移，涵盖 Whisper、Wav2Vec2、Parakeet、SeamlessM4T、Qwen、Gemma、编解码器和 TTS 模型等。
- 显式后端：backend="torch" 走原生 PyTorch 预处理（往往极快），backend="numpy" 走可移植 NumPy 路径，同时保持现有 checkpoint 数值行为兼容。
- 后续收益：为新硬件后端、更快 kernel、编译优化打下基础，可一次优化惠及所有音频模型。
统一入口为 AutoAudioProcessor.frompretrained(...)。
「研究」频道最新
- UCLA 论文:扩散精力与接受宽容度双旋钮,拓宽投机解码速度-质量帕累托前沿 — UCLA · 2026-10-26
- 研究:Git 记录难以审计 AI 参与度,科研仓库需可审计溯源系统 — Koutian Wu · 2026-10-26
- 什么是融合版 DeepLIFT:绕开 hook 的梯度改写如何快 7 倍 — jmschreiber91 · 2026-10-26
- 新研究：AI 智能体谈判能力差，还会故意违约 — menhguin · 2026-10-26
- Cherimoya 融合版 DeepLIFT 合入 v0.3.1,同规模模型归因提速约 7 倍 — jmschreiber91 · 2026-10-26
- 生成式生物学基础设施 proto-tools 开源，CATv1 模型接入 — jmschreiber91 · 2026-10-26