funasr1.0 modelscope

游雁

2024-01-09 d8b586e02cd14f7eed6b330bd4f110cb1e7f24ad

 funasr/bin/inference.py

@@ -17,11 +17,12 @@
import string
from funasr.register import tables

from funasr.utils.load_utils import load_audio_and_text_image_video, extract_fbank
from funasr.utils.load_utils import load_audio_text_image_video, extract_fbank
from funasr.utils.vad_utils import slice_padding_audio_samples
from funasr.utils.timestamp_tools import time_stamp_sentence
from funasr.download.file import download_from_url

def build_iter_for_infer(data_in, input_len=None, data_type=None, key=None):
def prepare_data_iterator(data_in, input_len=None, data_type=None, key=None):
   """
   
   :param input:
@@ -35,7 +36,8 @@
   filelist = [".scp", ".txt", ".json", ".jsonl"]
   
   chars = string.ascii_letters + string.digits
	
   if isinstance(data_in, str) and data_in.startswith('http'): # url
      data_in = download_from_url(data_in)
   if isinstance(data_in, str) and os.path.exists(data_in): # wav_path; filelist: wav.scp, file.jsonl;text.txt;
      _, file_extension = os.path.splitext(data_in)
      file_extension = file_extension.lower()
@@ -59,16 +61,16 @@
         data_list = [data_in]
         key_list = [key]
   elif isinstance(data_in, (list, tuple)):
      if data_type is not None and isinstance(data_type, (list, tuple)):
      if data_type is not None and isinstance(data_type, (list, tuple)): # mutiple inputs
         data_list_tmp = []
         for data_in_i, data_type_i in zip(data_in, data_type):
            key_list, data_list_i = build_iter_for_infer(data_in=data_in_i, data_type=data_type_i)
            key_list, data_list_i = prepare_data_iterator(data_in=data_in_i, data_type=data_type_i)
            data_list_tmp.append(data_list_i)
         data_list = []
         for item in zip(*data_list_tmp):
            data_list.append(item)
      else:
         # [audio sample point, fbank]
         # [audio sample point, fbank, text]
         data_list = data_in
         key_list = ["rand_key_" + ''.join(random.choice(chars) for _ in range(13)) for _ in range(len(data_in))]
   else: # raw text; audio sample point, fbank; bytes
@@ -198,13 +200,12 @@
      kwargs = self.kwargs if kwargs is None else kwargs
      kwargs.update(cfg)
      model = self.model if model is None else model
		
      data_type = kwargs.get("data_type", "sound")

      batch_size = kwargs.get("batch_size", 1)
      # if kwargs.get("device", "cpu") == "cpu":
      #    batch_size = 1
      
      key_list, data_list = build_iter_for_infer(input, input_len=input_len, data_type=data_type, key=key)
      key_list, data_list = prepare_data_iterator(input, input_len=input_len, data_type=kwargs.get("data_type", None), key=key)
      
      speed_stats = {}
      asr_result_list = []
@@ -222,7 +223,8 @@
            batch["data_lengths"] = input_len
      
         time1 = time.perf_counter()
         results, meta_data = model.generate(**batch, **kwargs)
         with torch.no_grad():
            results, meta_data = model.generate(**batch, **kwargs)
         time2 = time.perf_counter()
         
         asr_result_list.extend(results)
@@ -267,8 +269,8 @@
      batch_size = int(kwargs.get("batch_size_s", 300))*1000
      batch_size_threshold_ms = int(kwargs.get("batch_size_threshold_s", 60))*1000
      kwargs["batch_size"] = batch_size
      data_type = kwargs.get("data_type", "sound")
      key_list, data_list = build_iter_for_infer(input, input_len=input_len, data_type=data_type)
		
      key_list, data_list = prepare_data_iterator(input, input_len=input_len, data_type=kwargs.get("data_type", None))
      results_ret_list = []
      time_speech_total_all_samples = 0.0

@@ -278,7 +280,7 @@
         key = res[i]["key"]
         vadsegments = res[i]["value"]
         input_i = data_list[i]
         speech = load_audio_and_text_image_video(input_i, fs=kwargs["frontend"].fs, audio_fs=kwargs.get("fs", 16000))
         speech = load_audio_text_image_video(input_i, fs=kwargs["frontend"].fs, audio_fs=kwargs.get("fs", 16000))
         speech_lengths = len(speech)
         n = len(vadsegments)
         data_with_index = [(vadsegments[i], i) for i in range(n)]
@@ -397,7 +399,7 @@
      kwargs.update(cfg)


      key_list, data_list = build_iter_for_infer(input, input_len=input_len)
      key_list, data_list = prepare_data_iterator(input, input_len=input_len)
      batch_size = kwargs.get("batch_size", 1)
      device = kwargs.get("device", "cpu")
      if device == "cpu":
@@ -417,7 +419,7 @@

         # extract fbank feats
         time1 = time.perf_counter()
         audio_sample_list = load_audio_and_text_image_video(data_batch, fs=self.frontend.fs, audio_fs=kwargs.get("fs", 16000))
         audio_sample_list = load_audio_text_image_video(data_batch, fs=self.frontend.fs, audio_fs=kwargs.get("fs", 16000))
         time2 = time.perf_counter()
         meta_data["load_data"] = f"{time2 - time1:0.3f}"
         speech, speech_lengths = extract_fbank(audio_sample_list, data_type=kwargs.get("data_type", "sound"),