funasr1.0 modelscope

游雁

2024-01-09 d8b586e02cd14f7eed6b330bd4f110cb1e7f24ad

 funasr/bin/inference.py

@@ -4,11 +4,11 @@
import numpy as np
import hydra
import json
from omegaconf import DictConfig, OmegaConf
from omegaconf import DictConfig, OmegaConf, ListConfig
import logging
from funasr.download.download_from_hub import download_model
from funasr.train_utils.set_all_random_seed import set_all_random_seed
from funasr.datasets.audio_datasets.load_audio_extract_fbank import load_bytes
from funasr.utils.load_utils import load_bytes
from funasr.train_utils.device_funcs import to_device
from tqdm import tqdm
from funasr.train_utils.load_pretrained_model import load_pretrained_model
@@ -16,11 +16,13 @@
import random
import string
from funasr.register import tables
from funasr.datasets.audio_datasets.load_audio_extract_fbank import load_audio

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="sound"):
def prepare_data_iterator(data_in, input_len=None, data_type=None, key=None):
   """
   
   :param input:
@@ -34,7 +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()
@@ -57,20 +60,40 @@
         key = "rand_key_" + ''.join(random.choice(chars) for _ in range(13))
         data_list = [data_in]
         key_list = [key]
   elif isinstance(data_in, (list, tuple)): # [audio sample point, fbank]
      data_list = data_in
      key_list = ["rand_key_" + ''.join(random.choice(chars) for _ in range(13)) for _ in range(len(data_in))]
   elif isinstance(data_in, (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 = 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, 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
      if isinstance(data_in, bytes): # audio bytes
         data_in = load_bytes(data_in)
      key = "rand_key_" + ''.join(random.choice(chars) for _ in range(13))
      if key is None:
         key = "rand_key_" + ''.join(random.choice(chars) for _ in range(13))
      data_list = [data_in]
      key_list = [key]
   
   return key_list, data_list

@hydra.main(config_name=None, version_base=None)
def main_hydra(kwargs: DictConfig):
def main_hydra(cfg: DictConfig):
   def to_plain_list(cfg_item):
      if isinstance(cfg_item, ListConfig):
         return OmegaConf.to_container(cfg_item, resolve=True)
      elif isinstance(cfg_item, DictConfig):
         return {k: to_plain_list(v) for k, v in cfg_item.items()}
      else:
         return cfg_item
	
   kwargs = to_plain_list(cfg)
   log_level = getattr(logging, kwargs.get("log_level", "INFO").upper())

   logging.basicConfig(level=log_level)
@@ -121,10 +144,13 @@
      set_all_random_seed(kwargs.get("seed", 0))
      
      device = kwargs.get("device", "cuda")
      if not torch.cuda.is_available() or kwargs.get("ngpu", 1):
      if not torch.cuda.is_available() or kwargs.get("ngpu", 0):
         device = "cpu"
         kwargs["batch_size"] = 1
         # kwargs["batch_size"] = 1
      kwargs["device"] = device
		
      if kwargs.get("ncpu", None):
         torch.set_num_threads(kwargs.get("ncpu"))
      
      # build tokenizer
      tokenizer = kwargs.get("tokenizer", None)
@@ -169,17 +195,17 @@
      else:
         return self.generate_with_vad(input, input_len=input_len, **cfg)
      
   def generate(self, input, input_len=None, model=None, kwargs=None, **cfg):
   def generate(self, input, input_len=None, model=None, kwargs=None, key=None, **cfg):
      # import pdb; pdb.set_trace()
      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_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 = []
@@ -193,11 +219,12 @@
         key_batch = key_list[beg_idx:end_idx]
         batch = {"data_in": data_batch, "key": key_batch}
         if (end_idx - beg_idx) == 1 and isinstance(data_batch[0], torch.Tensor): # fbank
            batch["data_batch"] = data_batch[0]
            batch["data_in"] = data_batch[0]
            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)
@@ -242,8 +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

@@ -253,7 +280,7 @@
         key = res[i]["key"]
         vadsegments = res[i]["value"]
         input_i = data_list[i]
         speech = load_audio(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)]
@@ -339,7 +366,7 @@
         # sentences = time_stamp_sentence(model.punc_list, model.sentence_end_id, results_ret_list[i]["timestamp"], res[i]["text"])
         # results_ret_list[i]["time_stamp"] = res[0]["text_postprocessed_punc"]
         # results_ret_list[i]["sentences"] = sentences
         # results_ret_list[i]["text_with_punc"] = res[i]["text"]
         results_ret_list[i]["text_with_punc"] = res[i]["text"]
      
      pbar_total.update(1)
      end_total = time.time()
@@ -348,6 +375,74 @@
                           f"time_speech_total_all_samples: {time_speech_total_all_samples: 0.3f}, "
                           f"time_escape_total_all_samples: {time_escape_total_all_samples:0.3f}")
      return results_ret_list


class AutoFrontend:
   def __init__(self, **kwargs):
      assert "model" in kwargs
      if "model_conf" not in kwargs:
         logging.info("download models from model hub: {}".format(kwargs.get("model_hub", "ms")))
         kwargs = download_model(**kwargs)
		
      # build frontend
      frontend = kwargs.get("frontend", None)
      if frontend is not None:
         frontend_class = tables.frontend_classes.get(frontend.lower())
         frontend = frontend_class(**kwargs["frontend_conf"])

      self.frontend = frontend
      self.kwargs = kwargs
   
   def __call__(self, input, input_len=None, kwargs=None, **cfg):
		
      kwargs = self.kwargs if kwargs is None else kwargs
      kwargs.update(cfg)


      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":
         batch_size = 1
		
      meta_data = {}
		
      result_list = []
      num_samples = len(data_list)
      pbar = tqdm(colour="blue", total=num_samples + 1, dynamic_ncols=True)
		
      time0 = time.perf_counter()
      for beg_idx in range(0, num_samples, batch_size):
         end_idx = min(num_samples, beg_idx + batch_size)
         data_batch = data_list[beg_idx:end_idx]
         key_batch = key_list[beg_idx:end_idx]

         # extract fbank feats
         time1 = time.perf_counter()
         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"),
                                                frontend=self.frontend)
         time3 = time.perf_counter()
         meta_data["extract_feat"] = f"{time3 - time2:0.3f}"
         meta_data["batch_data_time"] = speech_lengths.sum().item() * self.frontend.frame_shift * self.frontend.lfr_n / 1000
			
         speech.to(device=device), speech_lengths.to(device=device)
         batch = {"input": speech, "input_len": speech_lengths, "key": key_batch}
         result_list.append(batch)
			
         pbar.update(1)
         description = (
            f"{meta_data}, "
         )
         pbar.set_description(description)
		
      time_end = time.perf_counter()
      pbar.set_description(f"time escaped total: {time_end - time0:0.3f}")
		
      return result_list


if __name__ == '__main__':
   main_hydra()