Merge pull request #285 from alibaba-damo-academy/dev_gzf

zhifu gao

2023-03-23 ba4256ecabf8df17cb8d89f8803ea1cea9b7f349

Merge pull request #285 from alibaba-damo-academy/dev_gzf

Dev gzf

 funasr/bin/vad_inference_online.py

@@ -30,14 +30,7 @@
from funasr.models.frontend.wav_frontend import WavFrontend
from funasr.bin.vad_inference import Speech2VadSegment

header_colors = '\033[95m'
end_colors = '\033[0m'

global_asr_language: str = 'zh-cn'
global_sample_rate: Union[int, Dict[Any, int]] = {
    'audio_fs': 16000,
    'model_fs': 16000
}


class Speech2VadSegmentOnline(Speech2VadSegment):

 funasr/runtime/python/websocket/ASR_server.py

@@ -38,6 +38,10 @@
                    type=str,
                    default="",
                    help="model from modelscope")
parser.add_argument("--ngpu",
                    type=int,
                    default=1,
                    help="0 for cpu, 1 for gpu")

args = parser.parse_args()

@@ -52,7 +56,9 @@
    model_revision="v1.2.0",
    output_dir=None,
    batch_size=1,
    mode='online'
)
param_dict_vad = {'in_cache': dict(), "is_final": False}
  
# 创建一个ASR对象
param_dict = dict()
@@ -81,14 +87,22 @@


def vad(data):  # 推理
    global vad_pipline
    global vad_pipline, param_dict_vad
    #print(type(data))
    segments_result = vad_pipline(audio_in=data)
    #print(segments_result)
    if len(segments_result) == 0:
        return False
    else:
        return True
    # print(param_dict_vad)
    segments_result = vad_pipline(audio_in=data, param_dict=param_dict_vad)
    # print(segments_result)
    # print(param_dict_vad)
    speech_start = False
    speech_end = False
    
    if len(segments_result) == 0 or len(segments_result["text"]) > 1:
        return speech_start, speech_end
    if segments_result["text"][0][0] != -1:
        speech_start = True
    if segments_result["text"][0][1] != -1:
        speech_end = True
    return speech_start, speech_end

def asr():  # 推理
    global inference_pipeline2
@@ -106,11 +120,12 @@
def main():  # 推理
    frames = []  # 存储所有的帧数据
    buffer = []  # 存储缓存中的帧数据（最多两个片段）
    silence_count = 0  # 统计连续静音的次数
    speech_detected = False  # 标记是否检测到语音
    # silence_count = 0  # 统计连续静音的次数
    # speech_detected = False  # 标记是否检测到语音
    RECORD_NUM = 0
    global voices 
    global speek
    speech_start, speech_end = False, False
    while True:
        while not voices.empty():
            
@@ -121,32 +136,35 @@
            if len(buffer) > 2:
                buffer.pop(0)  # 如果缓存超过两个片段，则删除最早的一个
            
            if speech_detected:
            if speech_start:
                frames.append(data)
                RECORD_NUM += 1    
            
            if vad(data):
                if not speech_detected:
                    print("检测到人声...")
                    speech_detected = True  # 标记为检测到语音
                    frames = []
                    frames.extend(buffer)  # 把之前2个语音数据快加入
                silence_count = 0  # 重置静音次数
            else:
                silence_count += 1  # 增加静音次数

                if speech_detected and (silence_count > 4 or RECORD_NUM > 50): #这里 50 可根据需求改为合适的数据快数量
                    print("说话结束或者超过设置最长时间...")
                    audio_in = b"".join(frames)
                    #asrt = threading.Thread(target=asr,args=(audio_in,))
                    #asrt.start()
                    speek.put(audio_in)
                    #rec_result = inference_pipeline2(audio_in=audio_in)  # ASR 模型里跑一跑
                    frames = []  # 清空所有的帧数据
                    buffer = []  # 清空缓存中的帧数据（最多两个片段）
                    silence_count = 0  # 统计连续静音的次数清零
                    speech_detected = False  # 标记是否检测到语音
                    RECORD_NUM = 0
                RECORD_NUM += 1
            speech_start_i, speech_end_i = vad(data)
            # print(speech_start_i, speech_end_i)
            if speech_start_i:
                speech_start = speech_start_i
                # if not speech_detected:
                # print("检测到人声...")
                # speech_detected = True  # 标记为检测到语音
                frames = []
                frames.extend(buffer)  # 把之前2个语音数据快加入
                # silence_count = 0  # 重置静音次数
            if speech_end_i or RECORD_NUM > 300:
                # silence_count += 1  # 增加静音次数
                # speech_end = speech_end_i
                speech_start = False
                # if RECORD_NUM > 300: #这里 50 可根据需求改为合适的数据快数量
                # print("说话结束或者超过设置最长时间...")
                audio_in = b"".join(frames)
                #asrt = threading.Thread(target=asr,args=(audio_in,))
                #asrt.start()
                speek.put(audio_in)
                #rec_result = inference_pipeline2(audio_in=audio_in)  # ASR 模型里跑一跑
                frames = []  # 清空所有的帧数据
                buffer = []  # 清空缓存中的帧数据（最多两个片段）
                # silence_count = 0  # 统计连续静音的次数清零
                # speech_detected = False  # 标记是否检测到语音
                RECORD_NUM = 0
            time.sleep(0.01)
        time.sleep(0.01)
            
@@ -158,16 +176,4 @@
s.start()

asyncio.get_event_loop().run_until_complete(start_server)
asyncio.get_event_loop().run_forever()


 





 

        

asyncio.get_event_loop().run_forever()