注意

单击此处下载完整的示例代码

使用 Emformer RNN-T 进行设备 ASR¶

作者: Moto Hira, Jeff Hwang.

本教程演示了如何使用 Emformer RNN-T 和流式 API 在流式设备输入（即笔记本电脑上的麦克风）上执行语音识别。

注意

本教程需要 FFmpeg 库。有关详细信息，请参阅 FFmpeg 依赖项。

注意

本教程已在 MacBook Pro 和搭载 Windows 10 的 Dynabook 上测试。

本教程**不适用于** Google Colab，因为运行本教程的服务器没有您可以说话的麦克风。

1. 概述¶

我们使用流式 API 从音频设备（麦克风）逐块获取音频，然后使用 Emformer RNN-T 运行推理。

有关流式 API 和 Emformer RNN-T 的基本用法，请参阅 StreamReader 基本用法和使用 Emformer RNN-T 进行在线 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给 StreamReader() 类（src 和 format）的参数。

我们使用 ffmpeg 命令来实现这一点。 ffmpeg 隐藏了底层硬件实现的差异，但 format 的预期值在不同的操作系统之间有所不同，并且每个 format 都会为 src 定义不同的语法。

有关支持的 format 值和 src 语法的详细信息，请访问 https://ffmpeg.org/ffmpeg-devices.html。

对于 macOS，以下命令将列出可用的设备。

$ 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

我们将使用以下值用于 Streaming API。

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

对于 Windows，dshow 设备应该可以工作。

> 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，可以使用以下值从麦克风进行流式传输。

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

3. 数据采集¶

从麦克风输入进行流式传输音频需要正确地计时数据采集。如果操作不当，可能会在数据流中引入不连续性。

为此，我们将在子进程中运行数据采集。

首先，我们创建一个辅助函数，它封装了在子进程中执行的整个过程。

此函数初始化流式 API，采集数据，然后将其放入队列中，主进程正在监视该队列。

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)

与非设备流式传输的显著区别在于，我们向 stream 方法提供了 timeout 和 backoff 参数。

在采集数据时，如果采集请求的速率高于硬件可以准备数据的速率，则底层实现将报告特殊的错误代码，并希望客户端代码重试。

精确计时是平滑流式传输的关键。在重试之前，将此错误从低级实现报告回 Python 层会增加不必要的开销。为此，重试行为在 C++ 层实现，timeout 和 backoff 参数允许客户端代码控制行为。

有关 timeout 和 backoff 参数的详细信息，请参阅 stream() 方法的文档。

注意

backoff 的正确值取决于系统配置。查看 backoff 值是否合适的一种方法是将一系列采集的块保存为连续的音频并进行收听。如果 backoff 值过大，则数据流不连续。生成的音频听起来会加速。如果 backoff 值过小或为零，则音频流正常，但数据采集过程会进入繁忙等待状态，这会增加 CPU 占用率。

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 进行在线 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.hypotheses = None

    def infer(self, segment: torch.Tensor) -> str:
        """Perform streaming inference"""
        features, length = self.feature_extractor(segment)
        self.hypotheses, self.state = self.decoder.infer(
            features, length, self.beam_width, state=self.state, hypothesis=self.hypotheses
        )
        transcript = self.token_processor(self.hypotheses[0][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. 主进程¶

主进程的执行流程如下

初始化推理管道。
启动数据采集子进程。
运行推理。
清理

注意

由于数据采集子进程将使用 “spawn” 方法启动，因此全局范围内的所有代码也会在子进程中执行。

我们希望仅在主进程中实例化管道，因此我们将它们放在一个函数中，并在 __name__ == “__main__” 保护中调用它。

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="\r", 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

标签：torchaudio.io

脚本的总运行时间：（0 分钟 0.000 秒）

Sphinx-Gallery 生成的画廊