调用Wav2Vec2 PyTorch模型获取Emission时触发ValueError问题

执行以下代码获取Wav2Vec2模型的发射概率时：

model = torchaudio.pipelines.WAV2VEC2_ASR_BASE_960H.get_model()
emission = model(data)

出现维度不匹配的ValueError，报错核心是：

ValueError: Expected the input Tensor to be 2D (batch, time), but received {list(x.shape)}

问题原因 #

Wav2Vec2的ASR模型强制要求输入张量为2D结构（batch_size, 采样点长度），但你的data张量维度不符合这个要求（比如是1D单音频、或带通道的3D张量）。

解决步骤 #

1. 先检查当前输入维度
   执行print(data.shape)查看data的形状，常见错误维度包括：

   • 1D：(time,)（单条音频没有batch维度）
   • 3D：(batch, 1, time)（多了通道维度，比如 librosa 加载的音频带通道）

2. 根据维度情况调整

   • 如果是1D单音频：添加batch维度，用data = data.unsqueeze(0)，调整后形状为(1, time)
   • 如果是带通道的3D张量：移除通道维度，用data = data.squeeze(1)，调整后形状为(batch, time)

3. 修正后的完整代码示例

import torchaudio
import torch

# 加载预训练模型
model = torchaudio.pipelines.WAV2VEC2_ASR_BASE_960H.get_model()

# 示例：假设原data是1D单音频（1秒16kHz采样）
data = torch.randn(16000)
# 调整为模型要求的2D格式
data = data.unsqueeze(0)

# 成功获取发射概率
emission = model(data)

内容的提问来源于stack exchange，提问作者Victor Zheng