load_audio_text_image_video

游雁

2024-01-05 e6a7bbe1ca6690faa23d29e22cb74a8d67c09ed3

 funasr/bin/inference.py

@@ -17,11 +17,11 @@
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

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:
@@ -62,7 +62,7 @@
      if data_type is not None and isinstance(data_type, (list, tuple)):
         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):
@@ -204,7 +204,7 @@
      # 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=data_type, key=key)
      
      speed_stats = {}
      asr_result_list = []
@@ -268,7 +268,7 @@
      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=data_type)
      results_ret_list = []
      time_speech_total_all_samples = 0.0

@@ -278,7 +278,7 @@
         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 +397,7 @@
      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 +417,7 @@

         # 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"),