Merge branch 'dev_knf' of https://github.com/alibaba-damo-academy/FunASR in...

lyblsgo

2023-04-22 0bb5d87d1ee98289bbe241e1f2caf1ab8e64c69c

Merge branch 'dev_knf' of https://github.com/alibaba-damo-academy/FunASR into dev_knf

 funasr/runtime/onnxruntime/src/FsmnVad.cc

@@ -18,6 +18,7 @@

    read_model(vad_model);
    load_cmvn(vad_cmvn.c_str());
    init_cache();

    fbank_opts.frame_opts.dither = 0;
    fbank_opts.mel_opts.num_bins = 80;
@@ -105,20 +106,18 @@
    }
    Ort::Value vad_feats_ort = Ort::Value::CreateTensor<float>(
            memory_info, vad_feats.data(), vad_feats.size(), vad_feats_shape, 3);
    // cache node {batch,128,19,1}
    const int64_t cache_feats_shape[4] = {1, 128, 19, 1};
    std::vector<float> cache_feats(128 * 19 * 1, 0);
    Ort::Value cache_feats_ort = Ort::Value::CreateTensor<float>(
            memory_info, cache_feats.data(), cache_feats.size(), cache_feats_shape, 4);

    
    // 3. Put nodes into onnx input vector
    std::vector<Ort::Value> vad_inputs;
    vad_inputs.emplace_back(std::move(vad_feats_ort));
    // 4 caches
    for (int i = 0; i < 4; i++) {
        vad_inputs.emplace_back(std::move(Ort::Value::CreateTensor<float>(
                memory_info, cache_feats.data(), cache_feats.size(), cache_feats_shape, 4)));
    // cache node {batch,128,19,1}
    const int64_t cache_feats_shape[4] = {1, 128, 19, 1};
    for (int i = 0; i < in_cache_.size(); i++) {
      vad_inputs.emplace_back(std::move(Ort::Value::CreateTensor<float>(
              memory_info, in_cache_[i].data(), in_cache_[i].size(), cache_feats_shape, 4)));
    }
  
    // 4. Onnx infer
    std::vector<Ort::Value> vad_ort_outputs;
    try {
@@ -142,6 +141,12 @@
        (*out_prob)[i].resize(output_dim);
        memcpy((*out_prob)[i].data(), logp_data + i * output_dim,
               sizeof(float) * output_dim);
    }
  
    // get 4 caches outputs,each size is 128*19
    for (int i = 1; i < 5; i++) {
      float* data = vad_ort_outputs[i].GetTensorMutableData<float>();
      memcpy(in_cache_[i-1].data(), data, sizeof(float) * 128*19);
    }
}

@@ -252,6 +257,17 @@

}

void FsmnVad::init_cache(){
  std::vector<float> cache_feats(128 * 19 * 1, 0);
  for (int i=0;i<4;i++){
    in_cache_.emplace_back(cache_feats);
  }
};

void FsmnVad::Reset(){
  in_cache_.clear();
  init_cache();
};

void FsmnVad::test() {


 funasr/runtime/onnxruntime/src/FsmnVad.h

@@ -16,6 +16,7 @@
                  float vad_speech_noise_thres);

    std::vector<std::vector<int>> infer(const std::vector<float> &waves);
    void Reset();

private:

@@ -35,12 +36,15 @@
            std::vector<std::vector<float>> *out_prob);

    void load_cmvn(const char *filename);
    void init_cache();

    std::shared_ptr<Ort::Session> vad_session_ = nullptr;
    Ort::Env env_;
    Ort::SessionOptions session_options_;
    std::vector<const char *> vad_in_names_;
    std::vector<const char *> vad_out_names_;
    std::vector<std::vector<float>> in_cache_;
    
    knf::FbankOptions fbank_opts;
    std::vector<float> means_list;
    std::vector<float> vars_list;

 funasr/runtime/onnxruntime/src/OnlineFeature.cc

New file
@@ -0,0 +1,133 @@
//
// Created by zhuzizyf(China Telecom Shanghai) on 4/22/23.
//

#include "OnlineFeature.h"

#include <utility>

OnlineFeature::OnlineFeature(int sample_rate, knf::FbankOptions fbank_opts, int lfr_m, int lfr_n,
                             std::vector<std::vector<float>> cmvns)
  : sample_rate_(sample_rate),
    fbank_opts_(std::move(fbank_opts)),
    lfr_m_(lfr_m),
    lfr_n_(lfr_n),
    cmvns_(std::move(cmvns)) {
  frame_sample_length_ = sample_rate_ / 1000 * 25;;
  frame_shift_sample_length_ = sample_rate_ / 1000 * 10;
}

void OnlineFeature::extractFeats(vector<std::vector<float>> &vad_feats,
                                 vector<float> waves, bool input_finished) {
  input_finished_ = input_finished;
  onlineFbank(vad_feats, waves);
  // cache deal & online lfr,cmvn
  if (vad_feats.size() > 0) {
    if (!reserve_waveforms_.empty()) {
      waves.insert(waves.begin(), reserve_waveforms_.begin(), reserve_waveforms_.end());
    }
    if (lfr_splice_cache_.empty()) {
      for (int i = 0; i < (lfr_m_ - 1) / 2; i++) {
        lfr_splice_cache_.emplace_back(vad_feats[0]);
      }
    }
    if (vad_feats.size() + lfr_splice_cache_.size() >= lfr_m_) {
      vad_feats.insert(vad_feats.begin(), lfr_splice_cache_.begin(), lfr_splice_cache_.end());
      int frame_from_waves = (waves.size() - frame_sample_length_) / frame_shift_sample_length_ + 1;
      int minus_frame = reserve_waveforms_.empty() ? (lfr_m_ - 1) / 2 : 0;
      int lfr_splice_frame_idxs = OnlineLfrCmvn(vad_feats);
      int reserve_frame_idx = lfr_splice_frame_idxs - minus_frame;
      reserve_waveforms_.clear();
      reserve_waveforms_.insert(reserve_waveforms_.begin(),
                                waves.begin() + reserve_frame_idx * frame_shift_sample_length_,
                                waves.begin() + frame_from_waves * frame_shift_sample_length_);
      int sample_length = (frame_from_waves - 1) * frame_shift_sample_length_ + frame_sample_length_;
      waves.erase(waves.begin() + sample_length, waves.end());
    } else {
      reserve_waveforms_.clear();
      reserve_waveforms_.insert(reserve_waveforms_.begin(),
                                waves.begin() + frame_sample_length_ - frame_shift_sample_length_, waves.end());
      lfr_splice_cache_.insert(lfr_splice_cache_.end(), vad_feats.begin(), vad_feats.end());
    }

  } else {
    if (input_finished_) {
      if (!reserve_waveforms_.empty()) {
        waves = reserve_waveforms_;
      }
      vad_feats = lfr_splice_cache_;
      OnlineLfrCmvn(vad_feats);
      reset_cache();
    }
  }

}

int OnlineFeature::OnlineLfrCmvn(vector<vector<float>> &vad_feats) {
  vector<vector<float>> out_feats;
  int T = vad_feats.size();
  int T_lrf = ceil((T - (lfr_m_ - 1) / 2) / lfr_n_);
  int lfr_splice_frame_idxs = T_lrf;
  vector<float> p;
  for (int i = 0; i < T_lrf; i++) {
    if (lfr_m_ <= T - i * lfr_n_) {
      for (int j = 0; j < lfr_m_; j++) {
        p.insert(p.end(), vad_feats[i * lfr_n_ + j].begin(), vad_feats[i * lfr_n_ + j].end());
      }
      out_feats.emplace_back(p);
      p.clear();
    } else {
      if (input_finished_) {
        int num_padding = lfr_m_ - (T - i * lfr_n_);
        for (int j = 0; j < (vad_feats.size() - i * lfr_n_); j++) {
          p.insert(p.end(), vad_feats[i * lfr_n_ + j].begin(), vad_feats[i * lfr_n_ + j].end());
        }
        for (int j = 0; j < num_padding; j++) {
          p.insert(p.end(), vad_feats[vad_feats.size() - 1].begin(), vad_feats[vad_feats.size() - 1].end());
        }
        out_feats.emplace_back(p);
      } else {
        lfr_splice_frame_idxs = i;
        break;
      }
    }
  }
  lfr_splice_frame_idxs = std::min(T - 1, lfr_splice_frame_idxs * lfr_n_);
  lfr_splice_cache_.clear();
  lfr_splice_cache_.insert(lfr_splice_cache_.begin(), vad_feats.begin() + lfr_splice_frame_idxs, vad_feats.end());

  // Apply cmvn
  for (auto &out_feat: out_feats) {
    for (int j = 0; j < cmvns_[0].size(); j++) {
      out_feat[j] = (out_feat[j] + cmvns_[0][j]) * cmvns_[1][j];
    }
  }
  vad_feats = out_feats;
  return lfr_splice_frame_idxs;
}

void OnlineFeature::onlineFbank(vector<std::vector<float>> &vad_feats,
                                vector<float> &waves) {

  knf::OnlineFbank fbank(fbank_opts_);
  // cache merge
  waves.insert(waves.begin(), input_cache_.begin(), input_cache_.end());
  int frame_number = compute_frame_num(waves.size(), frame_sample_length_, frame_shift_sample_length_);
  // Send the audio after the last frame shift position to the cache
  input_cache_.clear();
  input_cache_.insert(input_cache_.begin(), waves.begin() + frame_number * frame_shift_sample_length_, waves.end());
  if (frame_number == 0) {
    return;
  }
  // Delete audio that haven't undergone fbank processing
  waves.erase(waves.begin() + (frame_number - 1) * frame_shift_sample_length_ + frame_sample_length_, waves.end());

  fbank.AcceptWaveform(sample_rate_, &waves[0], waves.size());
  int32_t frames = fbank.NumFramesReady();
  for (int32_t i = 0; i != frames; ++i) {
    const float *frame = fbank.GetFrame(i);
    vector<float> frame_vector(frame, frame + fbank_opts_.mel_opts.num_bins);
    vad_feats.emplace_back(frame_vector);
  }

}

 funasr/runtime/onnxruntime/src/OnlineFeature.h

New file
@@ -0,0 +1,59 @@
//
// Created by zhuzizyf(China Telecom Shanghai) on 4/22/23.
//


#include "kaldi-native-fbank/csrc/feature-fbank.h"
#include "kaldi-native-fbank/csrc/online-feature.h"
#include <vector>

using namespace std;

class OnlineFeature {

public:
  OnlineFeature(int sample_rate, knf::FbankOptions fbank_opts, int lfr_m_, int lfr_n_,
                std::vector<std::vector<float>> cmvns_);

  void extractFeats(vector<vector<float>> &vad_feats, vector<float> waves, bool input_finished);


private:
  void onlineFbank(vector<vector<float>> &vad_feats, vector<float> &waves);

  int OnlineLfrCmvn(vector<vector<float>> &vad_feats);

  static int compute_frame_num(int sample_length, int frame_sample_length, int frame_shift_sample_length) {
    int frame_num = static_cast<int>((sample_length - frame_sample_length) / frame_shift_sample_length + 1);

    if (frame_num >= 1 && sample_length >= frame_sample_length)
      return frame_num;
    else
      return 0;
  }

  void reset_cache() {
    reserve_waveforms_.clear();
    input_cache_.clear();
    lfr_splice_cache_.clear();
    input_finished_ = false;

  }

  knf::FbankOptions fbank_opts_;
  // The reserved waveforms by fbank
  std::vector<float> reserve_waveforms_;
  // waveforms reserved after last shift position
  std::vector<float> input_cache_;
  // lfr reserved cache
  std::vector<std::vector<float>> lfr_splice_cache_;
  std::vector<std::vector<float>> cmvns_;

  int sample_rate_ = 16000;
  int frame_sample_length_ = sample_rate_ / 1000 * 25;;
  int frame_shift_sample_length_ = sample_rate_ / 1000 * 10;
  int lfr_m_;
  int lfr_n_;
  bool input_finished_ = false;

};