# PE 音频视频

[PE Audio Video](https://huggingface.co/papers/2504.13181) 是 Meta 的 Perception Encoder 系列中的音视频联合分支。它通过共享的文本塔对音频和视频流进行联合编码，在单次前向传播中为所有成对组合（音频-文本、视频-文本、音频-视频以及音频+文本-视频）生成对比嵌入。

在内部，模型通过最近邻插值将视频特征序列对齐到音频的时间分辨率，因此帧率与采样率不同的片段仍能保持同步。文本编码器的权重在音频分支和视频分支之间是共享的。

您可以在 [perception-encoder-audio-visual](https://huggingface.co/collections/facebook/perception-encoder-audio-visual) 集合中找到所有官方的 PE Audio Video 检查点。

## 快速入门

```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())
```

## 使用技巧与说明

- [PeAudioVideoModel](/docs/transformers/v5.23.0/zh/model_doc/pe_audio_video#transformers.PeAudioVideoModel) 至少需要 `input_ids`、`input_values`、`pixel_values_videos` 中的两个——如果只提供两个，则会分发到仅音频或仅视频的子模型。同时传入这三个参数将触发联合音频-视频-文本路径，并返回 `PeAudioVideoOutput` 中的完整 logit 矩阵集合。
- Audio 使用 `padding_mask`，而 video 同时使用 `padding_mask_videos`。它们是相互独立的掩码；请勿将它们与 `attention_mask` 混淆，后者专用于文本塔。
- 音视频对齐在 `_align_video_hidden_state` 中按批次元素逐个执行，因此当批次中音频/视频长度差异较大时，会进行迭代而非向量化处理。为提高吞吐量，请保持批次内各项长度大致均衡。
- 文本塔的权重通过 `_tied_weights_keys` 在各分支间共享——请勿尝试为音频和视频部分分别加载独立的文本编码器。

## 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)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pe_audio_video/configuration_pe_audio_video.py#L78)

**参数：**

text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`，*可选*)：文本骨干网络的配置对象或字典。

audio_video_config (`dict` 或 `PreTrainedConfig`，*可选*)：音频-视频编码器组件的配置。

tie_word_embeddings (`bool`，*可选*，默认为 `True`)：是否根据模型的 `tied_weights_keys` 映射来绑定权重嵌入。

这是用于存储 PeAudioVideoModel 配置的类。它根据指定的参数实例化 Pe Audio Video 模型，并定义模型架构。使用默认值实例化配置将得到与 [facebook/pe-av-large](https://huggingface.co/facebook/pe-av-large) 类似的配置。

配置对象继承自 [PreTrainedConfig](/docs/transformers/v5.23.0/zh/main_classes/configuration#transformers.PreTrainedConfig)，可用于控制模型输出。有关更多信息，请参阅 [PreTrainedConfig](/docs/transformers/v5.23.0/zh/main_classes/configuration#transformers.PreTrainedConfig) 的文档。

```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)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pe_audio_video/configuration_pe_audio_video.py#L26)

**参数：**

audio_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`，*可选*)：音频骨干网络的配置对象或字典。

video_config (`Union[PreTrainedConfig, dict]`，*可选*)：视频编码器的配置。如果提供字典，则用于实例化 [PeVideoEncoderConfig](/docs/transformers/v5.23.0/zh/model_doc/pe_video#transformers.PeVideoEncoderConfig)。

hidden_size (`int`，*可选*，默认为 `1792`)：隐藏表示的维度。

intermediate_size (`int`，*可选*，默认为 `4800`)：MLP 表示的维度。

num_hidden_layers (`int`，*可选*，默认为 `6`)：Transformer 解码器中的隐藏层数。

num_attention_heads (`int`，*可选*，默认为 `14`)：Transformer 解码器中每个注意力层的注意力头数量。

num_key_value_heads (`int`, *可选*) : 这是用于实现分组查询注意力（Grouped Query Attention）的键值头数量。如果 `num_key_value_heads=num_attention_heads`，模型将使用多头注意力（MHA）；如果 `num_key_value_heads=1`，模型将使用多查询注意力（MQA）；否则将使用 GQA。在将多头检查点转换为 GQA 检查点时，每个组的键和值头应通过对该组内所有原始头进行平均池化来构建。更多详情请参阅 [这篇论文](https://huggingface.co/papers/2305.13245)。如果未指定，则默认为 `num_attention_heads`。

head_dim (`int`，*可选*，默认为 `128`)：注意力头维度。如果为 None，则默认为 hidden_size // num_attention_heads

hidden_act (`str`，*可选*，默认为 `silu`)：解码器中的非线性激活函数（函数或字符串）。例如，`"gelu"`、`"relu"`、`"silu"` 等。

max_position_embeddings (`int`，*可选*，默认为 `10000`)：该模型可能使用的最大序列长度。

initializer_range (`float`，*可选*，默认值为 `0.02`)：用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。

rms_norm_eps (`float`，*可选*，默认值为 `1e-05`)：rms 归一化层中使用的 epsilon。

rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *可选*) : 包含 RoPE 嵌入配置参数的字典。该字典应包含 `rope_theta` 的值，并且如果希望使用更长的 `max_position_embeddings` 配合 RoPE，则可选地包含用于缩放的参数。

attention_bias (`bool`，*可选*，默认为 `False`)：在自注意力机制中，是否在查询、键、值和输出投影层中使用偏置。

attention_dropout (`Union[float, int]`，*可选*，默认值为 `0.0`)：注意力概率的 dropout 比率。

这是用于存储 PeAudioVideoModel 配置的类。它根据指定的参数实例化 Pe Audio Video 模型，并定义模型架构。使用默认值实例化配置将得到与 [facebook/pe-av-large](https://huggingface.co/facebook/pe-av-large) 类似的配置。

配置对象继承自 [PreTrainedConfig](/docs/transformers/v5.23.0/zh/main_classes/configuration#transformers.PreTrainedConfig)，可用于控制模型输出。有关更多信息，请参阅 [PreTrainedConfig](/docs/transformers/v5.23.0/zh/main_classes/configuration#transformers.PreTrainedConfig) 的文档。

```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)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pe_audio_video/processing_pe_audio_video.py#L17)

## PeAudioVideoEncoder[[transformers.PeAudioVideoEncoder]]

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

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

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pe_audio_video/modeling_pe_audio_video.py#L554)

**参数：**

config ([PeAudioVideoEncoderConfig](/docs/transformers/v5.23.0/zh/model_doc/pe_audio_video#transformers.PeAudioVideoEncoderConfig))：包含模型所有参数的模型配置类。使用配置文件进行初始化并不会加载与模型关联的权重，仅加载配置。请查看 [from_pretrained()](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel.from_pretrained) 方法以加载模型权重。

PeAudioVideo Encoder 模型。

该模型继承自 [PreTrainedModel](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel)。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。

该模型也是 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) 的子类。请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。

#### 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)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pe_audio_video/modeling_pe_audio_video.py#L573)

**参数：**

input_values (`torch.Tensor`，形状为 `(batch_size, sequence_length)`，*可选*) : 输入原始语音波形的浮点值。可以通过将 `.flac` 或 `.wav` 音频文件加载为 `list[float]`、`numpy.ndarray` 或 `torch.Tensor` 类型的数组来获取这些值，*例如* 使用 torchcodec 库（`pip install torchcodec`）或 soundfile 库（`pip install soundfile`）。要将该数组准备为 `input_values`，应使用 [AutoProcessor](/docs/transformers/v5.23.0/zh/model_doc/auto#transformers.AutoProcessor) 进行填充并转换为 `torch.Tensor` 类型的张量。有关详细信息，请参阅 [PeAudioVideoProcessor.__call__()](/docs/transformers/v5.23.0/zh/main_classes/processors#transformers.ProcessorMixin.__call__)。

pixel_values_videos (`torch.Tensor`，形状为 `(batch_size, num_frames, num_channels, frame_size, frame_size)`，*可选*)：与输入视频对应的张量。可以使用 [PeVideoVideoProcessor](/docs/transformers/v5.23.0/zh/model_doc/pe_video#transformers.PeVideoVideoProcessor) 获取视频的像素值。有关详细信息，请参阅 [PeVideoVideoProcessor.__call__()](/docs/transformers/v5.23.0/zh/model_doc/molmo2#transformers.Molmo2VideoProcessor.__call__)（[PeAudioVideoProcessor](/docs/transformers/v5.23.0/zh/model_doc/pe_audio_video#transformers.PeAudioVideoProcessor) 使用 [PeVideoVideoProcessor](/docs/transformers/v5.23.0/zh/model_doc/pe_video#transformers.PeVideoVideoProcessor) 来处理视频）。

padding_mask (`torch.Tensor`，形状为 `(batch_size, sequence_length)`，*可选*)：用于避免对 `input_values` 中的填充样本执行注意力机制的掩码。掩码值在 `[0, 1]` 中选取： - 1 表示**未掩码**的样本， - 0 表示**已掩码**的样本。

padding_mask_videos (`torch.Tensor`，形状为 `(batch_size, num_frames)`，*可选*) : 用于避免对填充视频帧执行注意力机制的掩码。掩码值选自 `[0, 1]`： - 对于**未掩码**的帧，值为 1； - 对于**已掩码**的帧，值为 0。

**返回：** `PeAudioVideoEncoderOutput` 或 `tuple(torch.Tensor)`

`PeAudioVideoEncoderOutput` 或 `torch.Tensor` 元组（如果传入 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[PeAudioVideoConfig](/docs/transformers/v5.23.0/zh/model_doc/pe_audio_video#transformers.PeAudioVideoConfig)）和输入。

[PeAudioVideoEncoder](/docs/transformers/v5.23.0/zh/model_doc/pe_audio_video#transformers.PeAudioVideoEncoder) 的 forward 方法重写了 `__call__` 特殊方法。

尽管前向传播的实现需要在此函数中定义，但之后应调用 `Module` 实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者会静默地忽略这些步骤。

- **last_hidden_state**（形状为 `(batch_size, sequence_length, hidden_size)` 的 `torch.Tensor`）-- 模型最后一层输出的隐藏状态序列。
- **pooler_output**（形状为 `(batch_size, hidden_size)` 的 `torch.Tensor`）-- 序列中第一个 token（分类 token）的最后一层隐藏状态，经过用于辅助预训练任务的层进一步处理后的结果。例如，对于 BERT 系列模型，这返回的是分类 token 经过线性层和 tanh 激活函数处理后的结果。线性层的权重是在预训练期间通过下一句预测（分类）目标训练得到的。
- **hidden_states** (`tuple(torch.Tensor)`，*可选*，在传入 `output_hidden_states=True` 或 `config.output_hidden_states=True` 时返回) -- 一个 `torch.Tensor` 元组（如果模型具有嵌入层，则包含嵌入层的输出，以及每一层的输出），形状为 `(batch_size, sequence_length, hidden_size)`。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
- **attentions** (`tuple(torch.Tensor)`，*可选*，当传入 `output_attentions=True` 或 `config.output_attentions=True` 时返回) -- 一个 `torch.Tensor` 元组（每层一个），形状为 `(batch_size, num_heads, sequence_length, sequence_length)`。

  经过注意力 softmax 后的注意力权重，用于在自注意力头中计算加权平均值。
- **audio_model_output**（`BaseModelOutputWithPooling`，*可选*）-- 音频编码器的输出，包含最后一个隐藏状态、池化输出以及可选的隐藏状态和注意力。有关详细信息，请参阅 [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling)。
- **video_model_output**（`BaseModelOutputWithPooling`，*可选*）-- 视频编码器的输出，包含最后一个隐藏状态、池化输出，以及可选的隐藏状态和注意力。有关详细信息，请参阅 [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling)。

## PeAudioVideoModel[[transformers.PeAudioVideoModel]]

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

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

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/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)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pe_audio_video/modeling_pe_audio_video.py#L879)

**参数：**

input_ids (`torch.Tensor`，形状为 `(batch_size, sequence_length)`，*可选*)：输入序列中各个 token 在词汇表中的索引。默认情况下，填充（padding）会被忽略。可以使用 [AutoTokenizer](/docs/transformers/v5.23.0/zh/model_doc/auto#transformers.AutoTokenizer) 获取这些索引。有关详细信息，请参阅 [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/zh/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 和 [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/zh/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)。[什么是输入 ID？](../glossary#input-ids)

pixel_values_videos (`torch.Tensor`，形状为 `(batch_size, num_frames, num_channels, frame_size, frame_size)`，*可选*)：与输入视频对应的张量。可以使用 [PeVideoVideoProcessor](/docs/transformers/v5.23.0/zh/model_doc/pe_video#transformers.PeVideoVideoProcessor) 获取视频的像素值。有关详细信息，请参阅 [PeVideoVideoProcessor.__call__()](/docs/transformers/v5.23.0/zh/model_doc/molmo2#transformers.Molmo2VideoProcessor.__call__)（[PeAudioVideoProcessor](/docs/transformers/v5.23.0/zh/model_doc/pe_audio_video#transformers.PeAudioVideoProcessor) 使用 [PeVideoVideoProcessor](/docs/transformers/v5.23.0/zh/model_doc/pe_video#transformers.PeVideoVideoProcessor) 来处理视频）。

input_values (`torch.Tensor`，形状为 `(batch_size, sequence_length)`，*可选*) : 输入原始语音波形的浮点值。可以通过将 `.flac` 或 `.wav` 音频文件加载为 `list[float]`、`numpy.ndarray` 或 `torch.Tensor` 类型的数组来获取这些值，*例如* 使用 torchcodec 库（`pip install torchcodec`）或 soundfile 库（`pip install soundfile`）。要将该数组准备为 `input_values`，应使用 [AutoProcessor](/docs/transformers/v5.23.0/zh/model_doc/auto#transformers.AutoProcessor) 进行填充并转换为 `torch.Tensor` 类型的张量。有关详细信息，请参阅 [PeAudioVideoProcessor.__call__()](/docs/transformers/v5.23.0/zh/main_classes/processors#transformers.ProcessorMixin.__call__)。

attention_mask (`torch.Tensor`，形状为 `(batch_size, sequence_length)`，*可选*)：用于避免对填充（padding）标记索引执行注意力机制的掩码。掩码值取自 `[0, 1]`： - 1 表示**未掩码**的标记， - 0 表示**已掩码**的标记。 [什么是注意力掩码？](../glossary#attention-mask)

padding_mask_videos (`torch.Tensor`，形状为 `(batch_size, num_frames)`，*可选*) : 用于避免对填充视频帧执行注意力机制的掩码。掩码值选自 `[0, 1]`： - 对于**未掩码**的帧，值为 1； - 对于**已掩码**的帧，值为 0。

padding_mask (`torch.Tensor`，形状为 `(batch_size, sequence_length)`，*可选*)：用于避免对 `input_values` 中的填充样本执行注意力机制的掩码。掩码值在 `[0, 1]` 中选取： - 1 表示**未掩码**的样本， - 0 表示**已掩码**的样本。

return_loss (`bool`, *可选*) : 是否返回损失。

**返回：** `PeAudioVideoOutput` 或 `tuple(torch.Tensor)`

`PeAudioVideoOutput` 或 `torch.Tensor` 元组（如果传入 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[PeAudioVideoConfig](/docs/transformers/v5.23.0/zh/model_doc/pe_audio_video#transformers.PeAudioVideoConfig)）和输入。

[PeAudioVideoModel](/docs/transformers/v5.23.0/zh/model_doc/pe_audio_video#transformers.PeAudioVideoModel) 的 forward 方法重写了 `__call__` 特殊方法。

尽管前向传播的实现需要在此函数中定义，但之后应调用 `Module` 实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者会静默地忽略这些步骤。

- **audio_embeds** (`torch.Tensor`，*可选*) -- 音频模态嵌入。形状为 `(batch_size, sequence_length, hidden_size)`。
- **video_embeds** (`torch.Tensor`, *可选*) -- 视频模态嵌入。形状为 `(batch_size, sequence_length, hidden_size)`。
- **audio_video_embeds** (`torch.Tensor`, *可选*) -- 由融合模块生成的联合音视频嵌入。形状为 `(batch_size, sequence_length, hidden_size)`。
- **text_audio_embeds** (`torch.Tensor`, *可选*) -- 联合文本-音频嵌入。形状为 `(batch_size, sequence_length, hidden_size)`。
- **text_video_embeds** (`torch.Tensor`, *可选*) -- 联合文本-视频嵌入。形状为 `(batch_size, sequence_length, hidden_size)`。
- **text_audio_video_embeds** (`torch.Tensor`, *可选*) -- 结合文本、音频和视频三种模态的联合嵌入。形状为 `(batch_size, sequence_length, hidden_size)`。
- **audio_plus_text_embeds** (`torch.Tensor`, *可选*) -- 音频和文本的组合嵌入（例如，拼接或加性融合）。形状为 `(batch_size, sequence_length, hidden_size)`。
- **video_plus_text_embeds** (`torch.Tensor`, *可选*) -- 视频和文本的组合嵌入。形状为 `(batch_size, sequence_length, hidden_size)`。
- **text_outputs**（`MaskedLMOutput`，*可选*）-- 文本编码器的模型输出。包括隐藏状态、注意力，以及可选的损失。
- **audio_outputs** (`BaseModelOutputWithPooling`，*可选*) -- 音频编码器的模型输出，包括最后一个隐藏状态和池化输出。
- **video_outputs**（`BaseModelOutputWithPooling`，*可选*）-- 视频编码器的模型输出，包括最后一个隐藏状态和池化输出。
- **audio_video_outputs**（`BaseModelOutputWithPooling`，*可选*）-- 联合音视频编码器的模型输出。
- **logits_audio_text** (`torch.Tensor`, *可选*) -- 音频嵌入与文本嵌入之间的相似度 logits。形状为 `(batch_size, batch_size)`。
- **logits_video_text** (`torch.Tensor`, *可选*) -- 视频嵌入与文本嵌入之间的相似度 logits。形状为 `(batch_size, batch_size)`。
- **logits_audio_video** (`torch.Tensor`, *可选*) -- 音频嵌入与视频嵌入之间的相似度 logits。形状为 `(batch_size, batch_size)`。
- **logits_audio_video_text** (`torch.Tensor`, *可选*) -- 音频、视频和文本模态之间的相似度 logits。
- **logits_audio_plus_text_video** (`torch.Tensor`, *可选*) -- 融合（音频 + 文本）嵌入与视频嵌入之间的相似度 logits。
- **logits_video_plus_text_audio** (`torch.Tensor`, *可选*) -- 融合（视频 + 文本）嵌入与音频嵌入之间的相似度 logits。
- **audio_text_loss** (`torch.Tensor`, *可选*) -- 在音频和文本表示之间计算的对比损失。
- **video_text_loss** (`torch.Tensor`, *可选*) -- 在视频和文本表示之间计算得到的对比损失。
- **audio_video_loss** (`torch.Tensor`, *可选*) -- 在音频和视频表示之间计算得到的对比损失。
- **audio_video_text_loss** (`torch.Tensor`, *可选*) -- 音频、视频和文本模态的联合损失。
- **audio_plus_text_video_loss** (`torch.Tensor`, *可选*) -- 融合（音频 + 文本）表示与视频之间的损失。
- **video_plus_text_audio_loss** (`torch.Tensor`, *可选*) -- 融合（视频 + 文本）表示与音频之间的损失。
- **loss** (`torch.Tensor`, *可选*) -- 所有模态损失的组合损失。

