FunASR/examples/industrial_data_pretraining/monotonic_aligner/README_zh.md

(简体中文|English)

语音识别

注意: pipeline 支持 modelscope模型仓库 中的所有模型进行推理和微调。这里我们以典型模型作为示例来演示使用方法。

推理

快速使用

Paraformer 模型

from funasr import AutoModel

model = AutoModel(model="/Users/zhifu/Downloads/modelscope_models/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch")

res = model(input="/Users/zhifu/Downloads/modelscope_models/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch/example/asr_example.wav")
print(res)

API接口说明

AutoModel 定义

• model: 模型仓库 中的模型名称，或本地磁盘中的模型路径
• device: cuda（默认），使用 GPU 进行推理。如果为cpu，则使用 CPU 进行推理
• ncpu: None （默认），设置用于 CPU 内部操作并行性的线程数
• output_dir: None （默认），如果设置，输出结果的输出路径
• batch_size: 1 （默认），解码时的批处理大小

AutoModel 推理

• input: 要解码的输入，可以是：
  • wav文件路径, 例如: asr_example.wav
  • pcm文件路径, 例如: asr_example.pcm，此时需要指定音频采样率fs（默认为16000）
  • 音频字节数流，例如：麦克风的字节数数据
  • wav.scp，kaldi 样式的 wav 列表 (wav_id \t wav_path), 例如:

  asr_example1  ./audios/asr_example1.wav
  asr_example2  ./audios/asr_example2.wav
  

  在这种输入 wav.scp 的情况下，必须设置 output_dir 以保存输出结果
  • 音频采样点，例如：audio, rate = soundfile.read("asr_example_zh.wav"), 数据类型为 numpy.ndarray。支持batch输入，类型为list： [audio_sample1, audio_sample2, ..., audio_sampleN]
  • fbank输入，支持组batch。shape为[batch, frames, dim]，类型为torch.Tensor，例如
• output_dir: None （默认），如果设置，输出结果的输出路径