游雁
2023-05-24 f89111a45b73bc9eae6f161e0a5b8ee0464d58c3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
/**
 * Copyright FunASR (https://github.com/alibaba-damo-academy/FunASR). All Rights Reserved.
 * MIT License  (https://opensource.org/licenses/MIT)
 * Contributed by zhuzizyf(China Telecom).
*/
 
#include "online-feature.h"
#include <utility>
 
namespace funasr {
OnlineFeature::OnlineFeature(int sample_rate, knf::FbankOptions fbank_opts, int lfr_m, int lfr_n,
                             std::vector<std::vector<float>> cmvns)
  : sample_rate_(sample_rate),
    fbank_opts_(std::move(fbank_opts)),
    lfr_m_(lfr_m),
    lfr_n_(lfr_n),
    cmvns_(std::move(cmvns)) {
  frame_sample_length_ = sample_rate_ / 1000 * 25;;
  frame_shift_sample_length_ = sample_rate_ / 1000 * 10;
}
 
void OnlineFeature::ExtractFeats(vector<std::vector<float>> &vad_feats,
                                 vector<float> waves, bool input_finished) {
  input_finished_ = input_finished;
  OnlineFbank(vad_feats, waves);
  // cache deal & online lfr,cmvn
  if (vad_feats.size() > 0) {
    if (!reserve_waveforms_.empty()) {
      waves.insert(waves.begin(), reserve_waveforms_.begin(), reserve_waveforms_.end());
    }
    if (lfr_splice_cache_.empty()) {
      for (int i = 0; i < (lfr_m_ - 1) / 2; i++) {
        lfr_splice_cache_.emplace_back(vad_feats[0]);
      }
    }
    if (vad_feats.size() + lfr_splice_cache_.size() >= lfr_m_) {
      vad_feats.insert(vad_feats.begin(), lfr_splice_cache_.begin(), lfr_splice_cache_.end());
      int frame_from_waves = (waves.size() - frame_sample_length_) / frame_shift_sample_length_ + 1;
      int minus_frame = reserve_waveforms_.empty() ? (lfr_m_ - 1) / 2 : 0;
      int lfr_splice_frame_idxs = OnlineLfrCmvn(vad_feats);
      int reserve_frame_idx = lfr_splice_frame_idxs - minus_frame;
      reserve_waveforms_.clear();
      reserve_waveforms_.insert(reserve_waveforms_.begin(),
                                waves.begin() + reserve_frame_idx * frame_shift_sample_length_,
                                waves.begin() + frame_from_waves * frame_shift_sample_length_);
      int sample_length = (frame_from_waves - 1) * frame_shift_sample_length_ + frame_sample_length_;
      waves.erase(waves.begin() + sample_length, waves.end());
    } else {
      reserve_waveforms_.clear();
      reserve_waveforms_.insert(reserve_waveforms_.begin(),
                                waves.begin() + frame_sample_length_ - frame_shift_sample_length_, waves.end());
      lfr_splice_cache_.insert(lfr_splice_cache_.end(), vad_feats.begin(), vad_feats.end());
    }
 
  } else {
    if (input_finished_) {
      if (!reserve_waveforms_.empty()) {
        waves = reserve_waveforms_;
      }
      vad_feats = lfr_splice_cache_;
      OnlineLfrCmvn(vad_feats);
      ResetCache();
    }
  }
 
}
 
int OnlineFeature::OnlineLfrCmvn(vector<vector<float>> &vad_feats) {
  vector<vector<float>> out_feats;
  int T = vad_feats.size();
  int T_lrf = ceil((T - (lfr_m_ - 1) / 2) / lfr_n_);
  int lfr_splice_frame_idxs = T_lrf;
  vector<float> p;
  for (int i = 0; i < T_lrf; i++) {
    if (lfr_m_ <= T - i * lfr_n_) {
      for (int j = 0; j < lfr_m_; j++) {
        p.insert(p.end(), vad_feats[i * lfr_n_ + j].begin(), vad_feats[i * lfr_n_ + j].end());
      }
      out_feats.emplace_back(p);
      p.clear();
    } else {
      if (input_finished_) {
        int num_padding = lfr_m_ - (T - i * lfr_n_);
        for (int j = 0; j < (vad_feats.size() - i * lfr_n_); j++) {
          p.insert(p.end(), vad_feats[i * lfr_n_ + j].begin(), vad_feats[i * lfr_n_ + j].end());
        }
        for (int j = 0; j < num_padding; j++) {
          p.insert(p.end(), vad_feats[vad_feats.size() - 1].begin(), vad_feats[vad_feats.size() - 1].end());
        }
        out_feats.emplace_back(p);
      } else {
        lfr_splice_frame_idxs = i;
        break;
      }
    }
  }
  lfr_splice_frame_idxs = std::min(T - 1, lfr_splice_frame_idxs * lfr_n_);
  lfr_splice_cache_.clear();
  lfr_splice_cache_.insert(lfr_splice_cache_.begin(), vad_feats.begin() + lfr_splice_frame_idxs, vad_feats.end());
 
  // Apply cmvn
  for (auto &out_feat: out_feats) {
    for (int j = 0; j < cmvns_[0].size(); j++) {
      out_feat[j] = (out_feat[j] + cmvns_[0][j]) * cmvns_[1][j];
    }
  }
  vad_feats = out_feats;
  return lfr_splice_frame_idxs;
}
 
void OnlineFeature::OnlineFbank(vector<std::vector<float>> &vad_feats,
                                vector<float> &waves) {
 
  knf::OnlineFbank fbank(fbank_opts_);
  // cache merge
  waves.insert(waves.begin(), input_cache_.begin(), input_cache_.end());
  int frame_number = ComputeFrameNum(waves.size(), frame_sample_length_, frame_shift_sample_length_);
  // Send the audio after the last frame shift position to the cache
  input_cache_.clear();
  input_cache_.insert(input_cache_.begin(), waves.begin() + frame_number * frame_shift_sample_length_, waves.end());
  if (frame_number == 0) {
    return;
  }
  // Delete audio that haven't undergone fbank processing
  waves.erase(waves.begin() + (frame_number - 1) * frame_shift_sample_length_ + frame_sample_length_, waves.end());
 
  fbank.AcceptWaveform(sample_rate_, &waves[0], waves.size());
  int32_t frames = fbank.NumFramesReady();
  for (int32_t i = 0; i != frames; ++i) {
    const float *frame = fbank.GetFrame(i);
    vector<float> frame_vector(frame, frame + fbank_opts_.mel_opts.num_bins);
    vad_feats.emplace_back(frame_vector);
  }
 
}
 
} // namespace funasr