funasr1.0 emotion2vec

游雁

2024-01-08 fb176404cfeb40c053f4f42d01eb45c185d21ce2

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

from funasr.datasets.audio_datasets.load_audio_extract_fbank import load_audio, 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="sound", key=None):
def prepare_data_iterator(data_in, input_len=None, data_type=None, key=None):
   """
   
   :param input:
@@ -58,9 +58,19 @@
         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)):
         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]
         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)
@@ -72,7 +82,16 @@
   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)
@@ -125,7 +144,7 @@
      device = kwargs.get("device", "cuda")
      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):
@@ -182,10 +201,10 @@
      
      data_type = kwargs.get("data_type", "sound")
      batch_size = kwargs.get("batch_size", 1)
      if kwargs.get("device", "cpu") == "cpu":
         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=data_type, key=key)
      
      speed_stats = {}
      asr_result_list = []
@@ -203,7 +222,8 @@
            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)
@@ -249,7 +269,7 @@
      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

@@ -259,7 +279,7 @@
         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)]
@@ -378,7 +398,7 @@
      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":
@@ -398,7 +418,7 @@

         # extract fbank feats
         time1 = time.perf_counter()
         audio_sample_list = load_audio(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"),