kongdeqiang
5 天以前 28ccfbfc51068a663a80764e14074df5edf2b5ba
funasr/bin/inference.py
@@ -1,451 +1,30 @@
import os.path
import torch
import numpy as np
import hydra
import json
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.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
import time
import random
import string
from funasr.register import tables
from omegaconf import DictConfig, OmegaConf, ListConfig
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
from funasr.auto.auto_model import AutoModel
def prepare_data_iterator(data_in, input_len=None, data_type=None, key=None):
   """
   :param input:
   :param input_len:
   :param data_type:
   :param frontend:
   :return:
   """
   data_list = []
   key_list = []
   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()
      if file_extension in filelist: #filelist: wav.scp, file.jsonl;text.txt;
         with open(data_in, encoding='utf-8') as fin:
            for line in fin:
               key = "rand_key_" + ''.join(random.choice(chars) for _ in range(13))
               if data_in.endswith(".jsonl"): #file.jsonl: json.dumps({"source": data})
                  lines = json.loads(line.strip())
                  data = lines["source"]
                  key = data["key"] if "key" in data else key
               else: # filelist, wav.scp, text.txt: id \t data or data
                  lines = line.strip().split(maxsplit=1)
                  data = lines[1] if len(lines)>1 else lines[0]
                  key = lines[0] if len(lines)>1 else key
               data_list.append(data)
               key_list.append(key)
      else:
         key = "rand_key_" + ''.join(random.choice(chars) for _ in range(13))
         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)): # 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)
      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(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())
    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
   logging.basicConfig(level=log_level)
    kwargs = to_plain_list(cfg)
   if kwargs.get("debug", False):
      import pdb; pdb.set_trace()
   model = AutoModel(**kwargs)
   res = model(input=kwargs["input"])
   print(res)
    if kwargs.get("debug", False):
        import pdb
class AutoModel:
   def __init__(self, **kwargs):
      tables.print()
      model, kwargs = self.build_model(**kwargs)
      # if vad_model is not None, build vad model else None
      vad_model = kwargs.get("vad_model", None)
      vad_kwargs = kwargs.get("vad_model_revision", None)
      if vad_model is not None:
         print("build vad model")
         vad_kwargs = {"model": vad_model, "model_revision": vad_kwargs}
         vad_model, vad_kwargs = self.build_model(**vad_kwargs)
      # if punc_model is not None, build punc model else None
      punc_model = kwargs.get("punc_model", None)
      punc_kwargs = kwargs.get("punc_model_revision", None)
      if punc_model is not None:
         punc_kwargs = {"model": punc_model, "model_revision": punc_kwargs}
         punc_model, punc_kwargs = self.build_model(**punc_kwargs)
      self.kwargs = kwargs
      self.model = model
      self.vad_model = vad_model
      self.vad_kwargs = vad_kwargs
      self.punc_model = punc_model
      self.punc_kwargs = punc_kwargs
   def build_model(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)
      set_all_random_seed(kwargs.get("seed", 0))
      device = kwargs.get("device", "cuda")
      if not torch.cuda.is_available() or kwargs.get("ngpu", 0):
         device = "cpu"
         # 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)
      if tokenizer is not None:
         tokenizer_class = tables.tokenizer_classes.get(tokenizer.lower())
         tokenizer = tokenizer_class(**kwargs["tokenizer_conf"])
         kwargs["tokenizer"] = tokenizer
         kwargs["token_list"] = tokenizer.token_list
      # 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"])
         kwargs["frontend"] = frontend
         kwargs["input_size"] = frontend.output_size()
      # build model
      model_class = tables.model_classes.get(kwargs["model"].lower())
      model = model_class(**kwargs, **kwargs["model_conf"],
                          vocab_size=len(tokenizer.token_list) if tokenizer is not None else -1)
      model.eval()
      model.to(device)
      # init_param
      init_param = kwargs.get("init_param", None)
      if init_param is not None:
         logging.info(f"Loading pretrained params from {init_param}")
         load_pretrained_model(
            model=model,
            init_param=init_param,
            ignore_init_mismatch=kwargs.get("ignore_init_mismatch", False),
            oss_bucket=kwargs.get("oss_bucket", None),
         )
      return model, kwargs
   def __call__(self, input, input_len=None, **cfg):
      if self.vad_model is None:
         return self.generate(input, input_len=input_len, **cfg)
      else:
         return self.generate_with_vad(input, input_len=input_len, **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
      batch_size = kwargs.get("batch_size", 1)
      # if kwargs.get("device", "cpu") == "cpu":
      #    batch_size = 1
      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 = []
      num_samples = len(data_list)
      pbar = tqdm(colour="blue", total=num_samples+1, dynamic_ncols=True)
      time_speech_total = 0.0
      time_escape_total = 0.0
      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]
         batch = {"data_in": data_batch, "key": key_batch}
         if (end_idx - beg_idx) == 1 and isinstance(data_batch[0], torch.Tensor): # fbank
            batch["data_in"] = data_batch[0]
            batch["data_lengths"] = input_len
         time1 = time.perf_counter()
         with torch.no_grad():
            results, meta_data = model.generate(**batch, **kwargs)
         time2 = time.perf_counter()
         asr_result_list.extend(results)
         pbar.update(1)
         # batch_data_time = time_per_frame_s * data_batch_i["speech_lengths"].sum().item()
         batch_data_time = meta_data.get("batch_data_time", -1)
         time_escape = time2 - time1
         speed_stats["load_data"] = meta_data.get("load_data", 0.0)
         speed_stats["extract_feat"] = meta_data.get("extract_feat", 0.0)
         speed_stats["forward"] = f"{time_escape:0.3f}"
         speed_stats["batch_size"] = f"{len(results)}"
         speed_stats["rtf"] = f"{(time_escape) / batch_data_time:0.3f}"
         description = (
            f"{speed_stats}, "
         )
         pbar.set_description(description)
         time_speech_total += batch_data_time
         time_escape_total += time_escape
      pbar.update(1)
      pbar.set_description(f"rtf_avg: {time_escape_total/time_speech_total:0.3f}")
      torch.cuda.empty_cache()
      return asr_result_list
   def generate_with_vad(self, input, input_len=None, **cfg):
      # step.1: compute the vad model
      model = self.vad_model
      kwargs = self.vad_kwargs
      kwargs.update(cfg)
      beg_vad = time.time()
      res = self.generate(input, input_len=input_len, model=model, kwargs=kwargs, **cfg)
      end_vad = time.time()
      print(f"time cost vad: {end_vad - beg_vad:0.3f}")
        pdb.set_trace()
    model = AutoModel(**kwargs)
    res = model.generate(input=kwargs["input"])
    print(res)
      # step.2 compute asr model
      model = self.model
      kwargs = self.kwargs
      kwargs.update(cfg)
      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
      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
      beg_total = time.time()
      pbar_total = tqdm(colour="red", total=len(res) + 1, dynamic_ncols=True)
      for i in range(len(res)):
         key = res[i]["key"]
         vadsegments = res[i]["value"]
         input_i = data_list[i]
         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)]
         sorted_data = sorted(data_with_index, key=lambda x: x[0][1] - x[0][0])
         results_sorted = []
         if not len(sorted_data):
            logging.info("decoding, utt: {}, empty speech".format(key))
            continue
         # if kwargs["device"] == "cpu":
         #    batch_size = 0
         if len(sorted_data) > 0 and len(sorted_data[0]) > 0:
            batch_size = max(batch_size, sorted_data[0][0][1] - sorted_data[0][0][0])
         batch_size_ms_cum = 0
         beg_idx = 0
         beg_asr_total = time.time()
         time_speech_total_per_sample = speech_lengths/16000
         time_speech_total_all_samples += time_speech_total_per_sample
         for j, _ in enumerate(range(0, n)):
            batch_size_ms_cum += (sorted_data[j][0][1] - sorted_data[j][0][0])
            if j < n - 1 and (
               batch_size_ms_cum + sorted_data[j + 1][0][1] - sorted_data[j + 1][0][0]) < batch_size and (
               sorted_data[j + 1][0][1] - sorted_data[j + 1][0][0]) < batch_size_threshold_ms:
               continue
            batch_size_ms_cum = 0
            end_idx = j + 1
            speech_j, speech_lengths_j = slice_padding_audio_samples(speech, speech_lengths, sorted_data[beg_idx:end_idx])
            beg_idx = end_idx
            results = self.generate(speech_j, input_len=None, model=model, kwargs=kwargs, **cfg)
            if len(results) < 1:
               continue
            results_sorted.extend(results)
         pbar_total.update(1)
         end_asr_total = time.time()
         time_escape_total_per_sample = end_asr_total - beg_asr_total
         pbar_total.set_description(f"rtf_avg_per_sample: {time_escape_total_per_sample / time_speech_total_per_sample:0.3f}, "
                              f"time_speech_total_per_sample: {time_speech_total_per_sample: 0.3f}, "
                              f"time_escape_total_per_sample: {time_escape_total_per_sample:0.3f}")
         restored_data = [0] * n
         for j in range(n):
            index = sorted_data[j][1]
            restored_data[index] = results_sorted[j]
         result = {}
         for j in range(n):
            for k, v in restored_data[j].items():
               if not k.startswith("timestamp"):
                  if k not in result:
                     result[k] = restored_data[j][k]
                  else:
                     result[k] += restored_data[j][k]
               else:
                  result[k] = []
                  for t in restored_data[j][k]:
                     t[0] += vadsegments[j][0]
                     t[1] += vadsegments[j][0]
                  result[k] += restored_data[j][k]
         result["key"] = key
         results_ret_list.append(result)
         pbar_total.update(1)
      # step.3 compute punc model
      model = self.punc_model
      kwargs = self.punc_kwargs
      kwargs.update(cfg)
      for i, result in enumerate(results_ret_list):
         beg_punc = time.time()
         res = self.generate(result["text"], model=model, kwargs=kwargs, **cfg)
         end_punc = time.time()
         print(f"time punc: {end_punc - beg_punc:0.3f}")
         # 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"]
      pbar_total.update(1)
      end_total = time.time()
      time_escape_total_all_samples = end_total - beg_total
      pbar_total.set_description(f"rtf_avg_all_samples: {time_escape_total_all_samples / time_speech_total_all_samples:0.3f}, "
                           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
      if "frontend" in kwargs:
         del kwargs["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, **kwargs)
         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()
if __name__ == "__main__":
    main_hydra()