SenseVoice对富文本解码的参数 (#1608)

gaochangfeng

2024-04-11 fce4e1d1b48f23cd8332e60afce3df8d6209a6a7

 funasr/models/sense_voice/whisper_lib/decoding.py

@@ -10,6 +10,8 @@
from .audio import CHUNK_LENGTH
from .tokenizer import Tokenizer, get_tokenizer
from .utils import compression_ratio
from funasr.models.transformer.utils.nets_utils import to_device


if TYPE_CHECKING:
    from .model import Whisper
@@ -17,7 +19,7 @@

@torch.no_grad()
def detect_language(
    model: "Whisper", mel: Tensor, tokenizer: Tokenizer = None
    model: "Whisper", mel: Tensor, tokenizer: Tokenizer = None, initial_prompt = None, x = None,
) -> Tuple[Tensor, List[dict]]:
    """
    Detect the spoken language in the audio, and return them as list of strings, along with the ids
@@ -48,24 +50,34 @@
        mel = mel.unsqueeze(0)

    # skip encoder forward pass if already-encoded audio features were given
    if mel.shape[-2:] != (model.dims.n_audio_ctx, model.dims.n_audio_state):
    # FIX(funasr): sense vocie
    if mel.shape[-1] != model.dims.n_audio_state:
        mel = model.encoder(mel)

    # forward pass using a single token, startoftranscript
    n_audio = mel.shape[0]
    x = torch.tensor([[tokenizer.sot]] * n_audio).to(mel.device)  # [n_audio, 1]
    logits = model.logits(x, mel)[:, 0]
    # FIX(funasr): sense vocie
    # x = torch.tensor([[tokenizer.sot]] * n_audio).to(mel.device)  # [n_audio, 1]
    if x is None:
        x = torch.tensor([tokenizer.encode(initial_prompt, allowed_special="all")] * n_audio).to(mel.device)  # [n_audio, 1]

    else:
        x = x.to(mel.device)

    logits = model.logits(x[:,:-1], mel)[:, -1]
    # collect detected languages; suppress all non-language tokens
    mask = torch.ones(logits.shape[-1], dtype=torch.bool)
    mask[list(tokenizer.all_language_tokens)] = False
    mask[tokenizer.no_speech] = False
    
    logits[:, mask] = -np.inf
    language_tokens = logits.argmax(dim=-1)
    language_token_probs = logits.softmax(dim=-1).cpu()

    language_probs = [
        {
            c: language_token_probs[i, j].item()
            for j, c in zip(tokenizer.all_language_tokens, tokenizer.all_language_codes)
            for j, c in zip(list(tokenizer.all_language_tokens) + [tokenizer.no_speech], list(tokenizer.all_language_codes) + ["nospeech"])
        }
        for i in range(n_audio)
    ]
@@ -106,12 +118,26 @@
    suppress_tokens: Optional[Union[str, Iterable[int]]] = "-1"
    suppress_blank: bool = True  # this will suppress blank outputs

    gain_event: bool = False  # this will suppress blank outputs
    gain_tokens_bg: Optional[Union[str, List[int]]] = "<|Applause|><|Laughter|>"
    gain_tokens_ed: Optional[Union[str, List[int]]] = "<|/Applause|><|/Laughter|>"
    gain_tokens_score: List[float] = field(default_factory=lambda: [25.0, 5.0]) #[25, 5]

    use_emo_threshold: bool = False  # this will suppress blank outputs
    emo_unk_token: Optional[Union[str, List[int]]] = "<|SPECIAL_TOKEN_1|>"
    emo_target_tokens: Optional[Union[str, List[int]]] = "<|HAPPY|><|SAD|><|ANGRY|>"
    emo_target_threshold: List[float] = field(default_factory=lambda: [0.1, 0.1, 0.1]) #[25, 5]

    # timestamp sampling options
    without_timestamps: bool = False  # use <|notimestamps|> to sample text tokens only
    max_initial_timestamp: Optional[float] = 1.0

    # implementation details
    fp16: bool = True  # use fp16 for most of the calculation

    # FIX(funasr): sense vocie
    initial_prompt: str = None
    vocab_path: str = None


@dataclass(frozen=True)
@@ -437,6 +463,48 @@
    def apply(self, logits: Tensor, tokens: Tensor):
        logits[:, self.suppress_tokens] = -np.inf

class GainEventToken(LogitFilter):
    def __init__(self, bg_tokens: Sequence[int], ed_tokens:Sequence[int], gain_values: Sequence[float]):
        self.bg_tokens = list(bg_tokens)
        self.ed_tokens = list(ed_tokens)
        self.gain_value = [np.log(max(ga, 1e-9)) for ga in gain_values]
        assert len(self.ed_tokens) == len(self.gain_value)
        assert len(self.bg_tokens) == len(self.gain_value)

    def apply(self, logits: Tensor, tokens: Tensor):
        for i in range(len(tokens)):
            for bg, ed, ga in zip(self.bg_tokens, self.ed_tokens, self.gain_value):
                sum_bg = sum([1 if x == bg else 0 for x in tokens[i]])
                sum_ed = sum([1 if x == ed else 0 for x in tokens[i]])
                logits[i, bg] += ga
                if sum_bg > sum_ed or tokens[i,-1] in [bg, ed]:
                    logits[i, bg] = -np.inf
                if sum_bg <= sum_ed:
                    logits[i, ed] = -np.inf

class ThresholdEmoToken(LogitFilter):
    def __init__(self, unk_tokens: Sequence[int], emo_tokens:Sequence[int], th_values: Sequence[float]):
        self.unk_token = list(unk_tokens)[0]
        self.emo_tokens = list(emo_tokens)
        self.th_values = list(th_values)
        assert len(self.emo_tokens) == len(self.th_values)

    def apply(self, logits: Tensor, tokens: Tensor):
        for i in range(len(tokens)):
            for emo, th in zip(self.emo_tokens, self.th_values):
                if logits[i].argmax() == emo and logits[i].softmax(dim=-1)[emo] < th:
                    logits[i, self.unk_token] =  max(logits[i, emo], logits[i, self.unk_token])
                    logits[i, emo] = -np.inf

            # for bg, ed, ga in zip(self.bg_tokens, self.ed_tokens, self.gain_value):
            #     sum_bg = sum([1 if x == bg else 0 for x in tokens[i]])
            #     sum_ed = sum([1 if x == ed else 0 for x in tokens[i]])
            #     logits[i, bg] += ga
            #     if sum_bg > sum_ed or tokens[i,-1] in [bg, ed]:
            #         logits[i, bg] = -np.inf
            #     if sum_bg <= sum_ed:
            #         logits[i, ed] = -np.inf


class ApplyTimestampRules(LogitFilter):
    def __init__(
@@ -520,6 +588,7 @@
            num_languages=model.num_languages,
            language=language,
            task=options.task,
            vocab_path=options.vocab_path
        )
        self.tokenizer: Tokenizer = tokenizer
        self.options: DecodingOptions = self._verify_options(options)
@@ -556,6 +625,20 @@
            self.logit_filters.append(SuppressBlank(self.tokenizer, self.sample_begin))
        if self.options.suppress_tokens:
            self.logit_filters.append(SuppressTokens(self._get_suppress_tokens()))
        if self.options.gain_event:
            self.logit_filters.append(GainEventToken(
                self.tokenizer.encode(self.options.gain_tokens_bg, allowed_special="all"),
                self.tokenizer.encode(self.options.gain_tokens_ed, allowed_special="all"),
                self.options.gain_tokens_score
                )
            )
        if self.options.use_emo_threshold:
            self.logit_filters.append(ThresholdEmoToken(
                self.tokenizer.encode(self.options.emo_unk_token, allowed_special="all"),
                self.tokenizer.encode(self.options.emo_target_tokens, allowed_special="all"),
                self.options.emo_target_threshold
                )
            )
        if not options.without_timestamps:
            precision = CHUNK_LENGTH / model.dims.n_audio_ctx  # usually 0.02 seconds
            max_initial_timestamp_index = None
@@ -609,6 +692,15 @@
                + prompt_tokens[-(self.n_ctx // 2 - 1) :]
                + tokens
            )
        #FIX(funasr): sense vocie
        if initial_prompt := self.options.initial_prompt:
            if self.options.language is not None:
                initial_prompt = f"{initial_prompt}<|{self.options.language}|>"
                tokens = self.tokenizer.encode(initial_prompt, allowed_special="all")
            else:
                tokens = self.tokenizer.encode(initial_prompt, allowed_special="all")
                tokens += [0]


        return tuple(tokens)

@@ -669,11 +761,22 @@

        if self.options.language is None or self.options.task == "lang_id":
            lang_tokens, lang_probs = self.model.detect_language(
                audio_features, self.tokenizer
                audio_features, self.tokenizer, x=tokens
            )
            languages = [max(probs, key=probs.get) for probs in lang_probs]
            # FIX(funasr): sense vocie
            # if self.options.language is None:
                # tokens[:, self.sot_index + 1] = lang_tokens  # write language tokens
            if self.options.language is None:
                tokens[:, self.sot_index + 1] = lang_tokens  # write language tokens
                # tokens[:, self.sot_index + 1] = lang_tokens  # write language tokens
                languages = "".join([f"<|{language}|>" for language in languages])

                n_audio = audio_features.shape[0]
                lang_tokens = torch.tensor([self.tokenizer.encode(languages, allowed_special="all")] * n_audio).to(
                    audio_features.device)  # [n_audio, 1]
                
                tokens[:, -1:] = lang_tokens[:, :]
                languages = [languages]

        return languages, lang_probs