注意

单击此处下载完整的示例代码

使用 Emformer RNN-T 的设备 ASR¶

作者：Moto Hira、Jeff Hwang。

本教程介绍如何使用 Emformer RNN-T 和流式处理 API 在流式处理设备 input（即 Microphone）上执行语音识别在笔记本电脑上。

注意

本教程需要 FFmpeg 库。请参考 FFmpeg 依赖细节。

注意

本教程已在装有 Windows 10 的 MacBook Pro 和 Dynabook 上进行了测试。

本教程在 Google Colab 上不起作用，因为运行本教程没有您可以与之交谈的麦克风。

1. 概述¶

我们使用流式处理 API 从音频设备（麦克风）获取音频逐个块，然后使用 Emformer RNN-T 运行推理。

对于流式处理 API 和 Emformer RNN-T 的基本用法请参考 StreamReader 基本使用和使用 Emformer RNN-T 的在线 ASR。

2. 检查支持的设备¶

首先，我们需要检查 Streaming API 可以访问的设备，并找出我们需要传递的参数（和）到类。srcformat

我们使用 command 来实现此目的。抽象掉底层硬件实现的差异，但预期的的值因操作系统而异，每个定义的不同语法。ffmpegffmpegformatformatsrc

支持的值和语法的详细信息可以在 https://ffmpeg.org/ffmpeg-devices.html 中找到。formatsrc

对于 macOS，以下命令将列出可用设备。

$ ffmpeg -f avfoundation -list_devices true -i dummy
...
[AVFoundation indev @ 0x126e049d0] AVFoundation video devices:
[AVFoundation indev @ 0x126e049d0] [0] FaceTime HD Camera
[AVFoundation indev @ 0x126e049d0] [1] Capture screen 0
[AVFoundation indev @ 0x126e049d0] AVFoundation audio devices:
[AVFoundation indev @ 0x126e049d0] [0] ZoomAudioDevice
[AVFoundation indev @ 0x126e049d0] [1] MacBook Pro Microphone

我们将对 Streaming API 使用以下值。

StreamReader(
    src = ":1",  # no video, audio from device 1, "MacBook Pro Microphone"
    format = "avfoundation",
)

对于 Windows，设备应该可以正常工作。dshow

> ffmpeg -f dshow -list_devices true -i dummy
...
[dshow @ 000001adcabb02c0] DirectShow video devices (some may be both video and audio devices)
[dshow @ 000001adcabb02c0]  "TOSHIBA Web Camera - FHD"
[dshow @ 000001adcabb02c0]     Alternative name "@device_pnp_\\?\usb#vid_10f1&pid_1a42&mi_00#7&27d916e6&0&0000#{65e8773d-8f56-11d0-a3b9-00a0c9223196}\global"
[dshow @ 000001adcabb02c0] DirectShow audio devices
[dshow @ 000001adcabb02c0]  "... (Realtek High Definition Audio)"
[dshow @ 000001adcabb02c0]     Alternative name "@device_cm_{33D9A762-90C8-11D0-BD43-00A0C911CE86}\wave_{BF2B8AE1-10B8-4CA4-A0DC-D02E18A56177}"

在上述情况下，以下值可用于从 microphone 流式传输。

StreamReader(
    src = "audio=@device_cm_{33D9A762-90C8-11D0-BD43-00A0C911CE86}\wave_{BF2B8AE1-10B8-4CA4-A0DC-D02E18A56177}",
    format = "dshow",
)

3. 数据采集¶

从麦克风输入流式传输音频需要正确计时数据收购。如果不这样做，可能会在数据流。

因此，我们将在子流程中运行数据采集。

首先，我们创建一个 helper 函数，它将整个进程。

此函数初始化流式处理 API，然后获取数据将其放入主进程正在监视的队列中。

import torch
import torchaudio


# The data acquisition process will stop after this number of steps.
# This eliminates the need of process synchronization and makes this
# tutorial simple.
NUM_ITER = 100


def stream(q, format, src, segment_length, sample_rate):
    from torchaudio.io import StreamReader

    print("Building StreamReader...")
    streamer = StreamReader(src, format=format)
    streamer.add_basic_audio_stream(frames_per_chunk=segment_length, sample_rate=sample_rate)

    print(streamer.get_src_stream_info(0))
    print(streamer.get_out_stream_info(0))

    print("Streaming...")
    print()
    stream_iterator = streamer.stream(timeout=-1, backoff=1.0)
    for _ in range(NUM_ITER):
        (chunk,) = next(stream_iterator)
        q.put(chunk)

与非设备流式处理的显著区别在于，我们提供和 parameters 给 method.timeoutbackoffstream

获取数据时，如果获取请求率较高比硬件可以准备数据的时间长，则底层实现会报告特殊的错误代码，并期望 client 代码重试。

精确的计时是平滑流式处理的关键。报告此错误从低级实现一直回到 Python 层， before retry 会增加不需要的开销。因此，重试行为在 C++ 层中实现，并且参数允许客户端代码控制行为。timeoutbackoff

详细参数请参考到 method 的文档。timeoutbackoff

注意

的正确值取决于系统配置。查看值是否合适的一种方法是将系列获取的 chunk 作为连续音频并收听它。如果 value 太大，则数据流是不连续的。由此产生的音频声音加快了。如果 value 太小或为零，则音频流正常。但是 Data Acquisition 过程进入 busy-waiting 状态，并且这会增加 CPU 消耗。backoffbackoffbackoffbackoff

4. 构建推理管道¶

下一步是创建推理所需的组件。

这与使用 Emformer RNN-T 的在线 ASR 的过程相同。

class Pipeline:
    """Build inference pipeline from RNNTBundle.

    Args:
        bundle (torchaudio.pipelines.RNNTBundle): Bundle object
        beam_width (int): Beam size of beam search decoder.
    """

    def __init__(self, bundle: torchaudio.pipelines.RNNTBundle, beam_width: int = 10):
        self.bundle = bundle
        self.feature_extractor = bundle.get_streaming_feature_extractor()
        self.decoder = bundle.get_decoder()
        self.token_processor = bundle.get_token_processor()

        self.beam_width = beam_width

        self.state = None
        self.hypothesis = None

    def infer(self, segment: torch.Tensor) -> str:
        """Perform streaming inference"""
        features, length = self.feature_extractor(segment)
        hypos, self.state = self.decoder.infer(
            features, length, self.beam_width, state=self.state, hypothesis=self.hypothesis
        )
        self.hypothesis = hypos[0]
        transcript = self.token_processor(self.hypothesis[0], lstrip=False)
        return transcript

class ContextCacher:
    """Cache the end of input data and prepend the next input data with it.

    Args:
        segment_length (int): The size of main segment.
            If the incoming segment is shorter, then the segment is padded.
        context_length (int): The size of the context, cached and appended.
    """

    def __init__(self, segment_length: int, context_length: int):
        self.segment_length = segment_length
        self.context_length = context_length
        self.context = torch.zeros([context_length])

    def __call__(self, chunk: torch.Tensor):
        if chunk.size(0) < self.segment_length:
            chunk = torch.nn.functional.pad(chunk, (0, self.segment_length - chunk.size(0)))
        chunk_with_context = torch.cat((self.context, chunk))
        self.context = chunk[-self.context_length :]
        return chunk_with_context

5. 主要过程¶

主进程的执行流程如下：

初始化推理管道。
启动 Data acquisition 子流程。
运行推理。
收拾

注意

由于数据采集子流程将使用 “spawn” 方法启动，因此全局范围内的所有代码都在子流程上执行也。

我们只想在主进程中实例化 pipeline，所以我们把它们放在一个函数中，并在 __name__ == “__main__” 守卫中调用它。

def main(device, src, bundle):
    print(torch.__version__)
    print(torchaudio.__version__)

    print("Building pipeline...")
    pipeline = Pipeline(bundle)

    sample_rate = bundle.sample_rate
    segment_length = bundle.segment_length * bundle.hop_length
    context_length = bundle.right_context_length * bundle.hop_length

    print(f"Sample rate: {sample_rate}")
    print(f"Main segment: {segment_length} frames ({segment_length / sample_rate} seconds)")
    print(f"Right context: {context_length} frames ({context_length / sample_rate} seconds)")

    cacher = ContextCacher(segment_length, context_length)

    @torch.inference_mode()
    def infer():
        for _ in range(NUM_ITER):
            chunk = q.get()
            segment = cacher(chunk[:, 0])
            transcript = pipeline.infer(segment)
            print(transcript, end="", flush=True)

    import torch.multiprocessing as mp

    ctx = mp.get_context("spawn")
    q = ctx.Queue()
    p = ctx.Process(target=stream, args=(q, device, src, segment_length, sample_rate))
    p.start()
    infer()
    p.join()


if __name__ == "__main__":
    main(
        device="avfoundation",
        src=":1",
        bundle=torchaudio.pipelines.EMFORMER_RNNT_BASE_LIBRISPEECH,
    )

Building pipeline...
Sample rate: 16000
Main segment: 2560 frames (0.16 seconds)
Right context: 640 frames (0.04 seconds)
Building StreamReader...
SourceAudioStream(media_type='audio', codec='pcm_f32le', codec_long_name='PCM 32-bit floating point little-endian', format='flt', bit_rate=1536000, sample_rate=48000.0, num_channels=1)
OutputStream(source_index=0, filter_description='aresample=16000,aformat=sample_fmts=fltp')
Streaming...

hello world

标记：

脚本总运行时间：（0 分 0.000 秒）

由 Sphinx-Gallery 生成的图库