mirror of
https://github.com/FunAudioLLM/SenseVoice.git
synced 2025-09-15 15:08:35 +08:00
zhifu gao
GitHub
commit
01dffe6563
132
README_zh.md
132
README_zh.md
@ -2,23 +2,23 @@
|
||||
|
||||
「简体中文」|「[English](./README.md)」|「[日本語](./README_ja.md)」
|
||||
|
||||
SenseVoice是具有音频理解能力的音频基础模型，包括语音识别（ASR）、语种识别（LID）、语音情感识别（SER）和声学事件分类（AEC）或声学事件检测（AED）。本项目提供SenseVoice模型的介绍以及在多个任务测试集上的benchmark，以及体验模型所需的环境安装的与推理方式。
|
||||
SenseVoice 是具有音频理解能力的音频基础模型，包括语音识别（ASR）、语种识别（LID）、语音情感识别（SER）和声学事件分类（AEC）或声学事件检测（AED）。本项目提供 SenseVoice 模型的介绍以及在多个任务测试集上的 benchmark，以及体验模型所需的环境安装的与推理方式。
|
||||
|
||||
<div align="center">
|
||||
<img src="image/sensevoice2.png">
|
||||
|
||||
[//]: # (<div align="center"><img src="image/sensevoice2.png" width="700"/> </div>)
|
||||
|
||||
|
||||
<h4>
|
||||
<a href="#What's New"> 文档主页 </a>
|
||||
｜<a href="#核心功能"> 核心功能 </a>
|
||||
｜<a href="# 核心功能"> 核心功能 </a>
|
||||
</h4>
|
||||
<h4>
|
||||
<a href="#On Going"> 最新动态 </a>
|
||||
｜<a href="#Benchmark"> Benchmark </a>
|
||||
｜<a href="#环境安装"> 环境安装 </a>
|
||||
｜<a href="#用法教程"> 用法教程 </a>
|
||||
｜<a href="#联系我们"> 联系我们 </a>
|
||||
｜<a href="# 环境安装"> 环境安装 </a>
|
||||
｜<a href="# 用法教程"> 用法教程 </a>
|
||||
｜<a href="# 联系我们"> 联系我们 </a>
|
||||
</h4>
|
||||
|
||||
模型仓库：[modelscope](https://www.modelscope.cn/models/iic/SenseVoiceSmall)，[huggingface](https://huggingface.co/FunAudioLLM/SenseVoiceSmall)
|
||||
@ -29,29 +29,35 @@ SenseVoice是具有音频理解能力的音频基础模型，包括语音识别
|
||||
</div>
|
||||
|
||||
<a name="核心功能"></a>
|
||||
|
||||
# 核心功能 🎯
|
||||
**SenseVoice**专注于高精度多语言语音识别、情感辨识和音频事件检测
|
||||
- **多语言识别：** 采用超过40万小时数据训练，支持超过50种语言，识别效果上优于Whisper模型。
|
||||
- **富文本识别：**
|
||||
|
||||
**SenseVoice** 专注于高精度多语言语音识别、情感辨识和音频事件检测
|
||||
|
||||
- **多语言识别：** 采用超过 40 万小时数据训练，支持超过 50 种语言，识别效果上优于 Whisper 模型。
|
||||
- **富文本识别：**
|
||||
- 具备优秀的情感识别，能够在测试数据上达到和超过目前最佳情感识别模型的效果。
|
||||
- 支持声音事件检测能力，支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。
|
||||
- **高效推理：** SenseVoice-Small模型采用非自回归端到端框架，推理延迟极低，10s音频推理仅耗时70ms，15倍优于Whisper-Large。
|
||||
- **高效推理：** SenseVoice-Small 模型采用非自回归端到端框架，推理延迟极低，10s 音频推理仅耗时 70ms，15 倍优于 Whisper-Large。
|
||||
- **微调定制：** 具备便捷的微调脚本与策略，方便用户根据业务场景修复长尾样本问题。
|
||||
- **服务部署：** 具有完整的服务部署链路，支持多并发请求，支持客户端语言有，python、c++、html、java与c#等。
|
||||
- **服务部署：** 具有完整的服务部署链路，支持多并发请求，支持客户端语言有，python、c++、html、java 与 c# 等。
|
||||
|
||||
<a name="最新动态"></a>
|
||||
|
||||
# 最新动态 🔥
|
||||
|
||||
- 2024/7：新增加导出 [ONNX](./demo_onnx.py) 与 [libtorch](./demo_libtorch.py) 功能，以及 python 版本 runtime：[funasr-onnx-0.4.0](https://pypi.org/project/funasr-onnx/)，[funasr-torch-0.1.1](https://pypi.org/project/funasr-torch/)
|
||||
- 2024/7: [SenseVoice-Small](https://www.modelscope.cn/models/iic/SenseVoiceSmall) 多语言音频理解模型开源，支持中、粤、英、日、韩语的多语言语音识别，情感识别和事件检测能力，具有极低的推理延迟。。
|
||||
- 2024/7: CosyVoice致力于自然语音生成，支持多语言、音色和情感控制，擅长多语言语音生成、零样本语音生成、跨语言语音克隆以及遵循指令的能力。[CosyVoice repo](https://github.com/FunAudioLLM/CosyVoice) and [CosyVoice 在线体验](https://www.modelscope.cn/studios/iic/CosyVoice-300M).
|
||||
- 2024/7: CosyVoice 致力于自然语音生成，支持多语言、音色和情感控制，擅长多语言语音生成、零样本语音生成、跨语言语音克隆以及遵循指令的能力。[CosyVoice repo](https://github.com/FunAudioLLM/CosyVoice) and [CosyVoice 在线体验](https://www.modelscope.cn/studios/iic/CosyVoice-300M).
|
||||
- 2024/7: [FunASR](https://github.com/modelscope/FunASR) 是一个基础语音识别工具包，提供多种功能，包括语音识别（ASR）、语音端点检测（VAD）、标点恢复、语言模型、说话人验证、说话人分离和多人对话语音识别等。
|
||||
|
||||
<a name="Benchmarks"></a>
|
||||
|
||||
# Benchmarks 📝
|
||||
|
||||
## 多语言语音识别
|
||||
|
||||
我们在开源基准数据集（包括 AISHELL-1、AISHELL-2、Wenetspeech、Librispeech和Common Voice）上比较了SenseVoice与Whisper的多语言语音识别性能和推理效率。在中文和粤语识别效果上，SenseVoice-Small模型具有明显的效果优势。
|
||||
我们在开源基准数据集（包括 AISHELL-1、AISHELL-2、Wenetspeech、Librispeech 和 Common Voice）上比较了 SenseVoice 与 Whisper 的多语言语音识别性能和推理效率。在中文和粤语识别效果上，SenseVoice-Small 模型具有明显的效果优势。
|
||||
|
||||
<div align="center">
|
||||
<img src="image/asr_results1.png" width="400" /><img src="image/asr_results2.png" width="400" />
|
||||
@ -59,13 +65,13 @@ SenseVoice是具有音频理解能力的音频基础模型，包括语音识别
|
||||
|
||||
## 情感识别
|
||||
|
||||
由于目前缺乏被广泛使用的情感识别测试指标和方法，我们在多个测试集的多种指标进行测试，并与近年来Benchmark上的多个结果进行了全面的对比。所选取的测试集同时包含中文/英文两种语言以及表演、影视剧、自然对话等多种风格的数据，在不进行目标数据微调的前提下，SenseVoice能够在测试数据上达到和超过目前最佳情感识别模型的效果。
|
||||
由于目前缺乏被广泛使用的情感识别测试指标和方法，我们在多个测试集的多种指标进行测试，并与近年来 Benchmark 上的多个结果进行了全面的对比。所选取的测试集同时包含中文 / 英文两种语言以及表演、影视剧、自然对话等多种风格的数据，在不进行目标数据微调的前提下，SenseVoice 能够在测试数据上达到和超过目前最佳情感识别模型的效果。
|
||||
|
||||
<div align="center">
|
||||
<img src="image/ser_table.png" width="1000" />
|
||||
</div>
|
||||
|
||||
同时，我们还在测试集上对多个开源情感识别模型进行对比，结果表明，SenseVoice-Large模型可以在几乎所有数据上都达到了最佳效果，而SenseVoice-Small模型同样可以在多数数据集上取得超越其他开源模型的效果。
|
||||
同时，我们还在测试集上对多个开源情感识别模型进行对比，结果表明，SenseVoice-Large 模型可以在几乎所有数据上都达到了最佳效果，而 SenseVoice-Small 模型同样可以在多数数据集上取得超越其他开源模型的效果。
|
||||
|
||||
<div align="center">
|
||||
<img src="image/ser_figure.png" width="500" />
|
||||
@ -73,7 +79,7 @@ SenseVoice是具有音频理解能力的音频基础模型，包括语音识别
|
||||
|
||||
## 事件检测
|
||||
|
||||
尽管SenseVoice只在语音数据上进行训练，它仍然可以作为事件检测模型进行单独使用。我们在环境音分类ESC-50数据集上与目前业内广泛使用的BEATS与PANN模型的效果进行了对比。SenseVoice模型能够在这些任务上取得较好的效果，但受限于训练数据与训练方式，其事件分类效果专业的事件检测模型相比仍然有一定的差距。
|
||||
尽管 SenseVoice 只在语音数据上进行训练，它仍然可以作为事件检测模型进行单独使用。我们在环境音分类 ESC-50 数据集上与目前业内广泛使用的 BEATS 与 PANN 模型的效果进行了对比。SenseVoice 模型能够在这些任务上取得较好的效果，但受限于训练数据与训练方式，其事件分类效果专业的事件检测模型相比仍然有一定的差距。
|
||||
|
||||
<div align="center">
|
||||
<img src="image/aed_figure.png" width="500" />
|
||||
@ -81,13 +87,14 @@ SenseVoice是具有音频理解能力的音频基础模型，包括语音识别
|
||||
|
||||
## 推理效率
|
||||
|
||||
SenseVoice-small模型采用非自回归端到端架构，推理延迟极低。在参数量与Whisper-Small模型相当的情况下，比Whisper-Small模型推理速度快5倍，比Whisper-Large模型快15倍。同时SenseVoice-small模型在音频时长增加的情况下，推理耗时也无明显增加。
|
||||
SenseVoice-small 模型采用非自回归端到端架构，推理延迟极低。在参数量与 Whisper-Small 模型相当的情况下，比 Whisper-Small 模型推理速度快 5 倍，比 Whisper-Large 模型快 15 倍。同时 SenseVoice-small 模型在音频时长增加的情况下，推理耗时也无明显增加。
|
||||
|
||||
<div align="center">
|
||||
<img src="image/inference.png" width="1000" />
|
||||
</div>
|
||||
|
||||
<a name="环境安装"></a>
|
||||
|
||||
# 安装依赖环境 🐍
|
||||
|
||||
```shell
|
||||
@ -95,13 +102,12 @@ pip install -r requirements.txt
|
||||
```
|
||||
|
||||
<a name="用法教程"></a>
|
||||
|
||||
# 用法 🛠️
|
||||
|
||||
## 推理
|
||||
|
||||
|
||||
|
||||
### 使用funasr推理
|
||||
### 使用 funasr 推理
|
||||
|
||||
支持任意格式音频输入，支持任意时长输入
|
||||
|
||||
@ -128,27 +134,29 @@ res = model.generate(
|
||||
language="auto", # "zh", "en", "yue", "ja", "ko", "nospeech"
|
||||
use_itn=True,
|
||||
batch_size_s=60,
|
||||
merge_vad=True, #
|
||||
merge_vad=True,
|
||||
merge_length_s=15,
|
||||
)
|
||||
text = rich_transcription_postprocess(res[0]["text"])
|
||||
print(text)
|
||||
```
|
||||
<details><summary>参数说明（点击展开）</summary>
|
||||
|
||||
<details><summary> 参数说明（点击展开）</summary>
|
||||
|
||||
- `model_dir`：模型名称，或本地磁盘中的模型路径。
|
||||
- `trust_remote_code`：
|
||||
- `True`表示model代码实现从`remote_code`处加载，`remote_code`指定`model`具体代码的位置（例如，当前目录下的`model.py`），支持绝对路径与相对路径，以及网络url。
|
||||
- `False`表示，model代码实现为 [FunASR](https://github.com/modelscope/FunASR) 内部集成版本，此时修改当前目录下的`model.py`不会生效，因为加载的是funasr内部版本，模型代码[点击查看](https://github.com/modelscope/FunASR/tree/main/funasr/models/sense_voice)。
|
||||
- `vad_model`：表示开启VAD，VAD的作用是将长音频切割成短音频，此时推理耗时包括了VAD与SenseVoice总耗时，为链路耗时，如果需要单独测试SenseVoice模型耗时，可以关闭VAD模型。
|
||||
- `vad_kwargs`：表示VAD模型配置,`max_single_segment_time`: 表示`vad_model`最大切割音频时长, 单位是毫秒ms。
|
||||
- `True` 表示 model 代码实现从 `remote_code` 处加载，`remote_code` 指定 `model` 具体代码的位置（例如，当前目录下的 `model.py`），支持绝对路径与相对路径，以及网络 url。
|
||||
- `False` 表示，model 代码实现为 [FunASR](https://github.com/modelscope/FunASR) 内部集成版本，此时修改当前目录下的 `model.py` 不会生效，因为加载的是 funasr 内部版本，模型代码 [点击查看](https://github.com/modelscope/FunASR/tree/main/funasr/models/sense_voice)。
|
||||
- `vad_model`：表示开启 VAD，VAD 的作用是将长音频切割成短音频，此时推理耗时包括了 VAD 与 SenseVoice 总耗时，为链路耗时，如果需要单独测试 SenseVoice 模型耗时，可以关闭 VAD 模型。
|
||||
- `vad_kwargs`：表示 VAD 模型配置，`max_single_segment_time`: 表示 `vad_model` 最大切割音频时长，单位是毫秒 ms。
|
||||
- `use_itn`：输出结果中是否包含标点与逆文本正则化。
|
||||
- `batch_size_s` 表示采用动态batch，batch中总音频时长，单位为秒s。
|
||||
- `merge_vad`：是否将 vad 模型切割的短音频碎片合成，合并后长度为`merge_length_s`，单位为秒s。
|
||||
- `ban_emo_unk`：禁用emo_unk标签，禁用后所有的句子都会被赋与情感标签。默认`False`
|
||||
- `batch_size_s` 表示采用动态 batch，batch 中总音频时长，单位为秒 s。
|
||||
- `merge_vad`：是否将 vad 模型切割的短音频碎片合成，合并后长度为 `merge_length_s`，单位为秒 s。
|
||||
- `ban_emo_unk`：禁用 emo_unk 标签，禁用后所有的句子都会被赋与情感标签。默认 `False`
|
||||
|
||||
</details>
|
||||
|
||||
如果输入均为短音频（小于30s），并且需要批量化推理，为了加快推理效率，可以移除vad模型，并设置`batch_size`
|
||||
如果输入均为短音频（小于 30s），并且需要批量化推理，为了加快推理效率，可以移除 vad 模型，并设置 `batch_size`
|
||||
|
||||
```python
|
||||
model = AutoModel(model=model_dir, trust_remote_code=True, device="cuda:0")
|
||||
@ -166,7 +174,7 @@ res = model.generate(
|
||||
|
||||
### 直接推理
|
||||
|
||||
支持任意格式音频输入，输入音频时长限制在30s以下
|
||||
支持任意格式音频输入，输入音频时长限制在 30s 以下
|
||||
|
||||
```python
|
||||
from model import SenseVoiceSmall
|
||||
@ -177,14 +185,14 @@ m, kwargs = SenseVoiceSmall.from_pretrained(model=model_dir, device="cuda:0")
|
||||
m.eval()
|
||||
|
||||
res = m.inference(
|
||||
data_in=f"{kwargs['model_path']}/example/en.mp3",
|
||||
data_in=f"{kwargs ['model_path']}/example/en.mp3",
|
||||
language="auto", # "zh", "en", "yue", "ja", "ko", "nospeech"
|
||||
use_itn=False,
|
||||
ban_emo_unk=False,
|
||||
**kwargs,
|
||||
)
|
||||
|
||||
text = rich_transcription_postprocess(res[0][0]["text"])
|
||||
text = rich_transcription_postprocess(res [0][0]["text"])
|
||||
print(text)
|
||||
```
|
||||
|
||||
@ -193,9 +201,11 @@ print(text)
|
||||
Undo
|
||||
|
||||
### 导出与测试
|
||||
<details><summary>ONNX 与 Libtorch 导出</summary>
|
||||
|
||||
<details><summary>ONNX 与 Libtorch 导出 </summary>
|
||||
|
||||
#### ONNX
|
||||
|
||||
```python
|
||||
# pip3 install -U funasr funasr-onnx
|
||||
from pathlib import Path
|
||||
@ -213,9 +223,11 @@ wav_or_scp = ["{}/.cache/modelscope/hub/{}/example/en.mp3".format(Path.home(), m
|
||||
res = model(wav_or_scp, language="auto", use_itn=True)
|
||||
print([rich_transcription_postprocess(i) for i in res])
|
||||
```
|
||||
备注：ONNX模型导出到原模型目录中
|
||||
|
||||
备注：ONNX 模型导出到原模型目录中
|
||||
|
||||
#### Libtorch
|
||||
|
||||
```python
|
||||
from pathlib import Path
|
||||
from funasr_torch import SenseVoiceSmall
|
||||
@ -229,15 +241,17 @@ model = SenseVoiceSmall(model_dir, batch_size=10, device="cuda:0")
|
||||
wav_or_scp = ["{}/.cache/modelscope/hub/{}/example/en.mp3".format(Path.home(), model_dir)]
|
||||
|
||||
res = model(wav_or_scp, language="auto", use_itn=True)
|
||||
print([rich_transcription_postprocess(i) for i in res])
|
||||
print([rich_transcription_postprocess (i) for i in res])
|
||||
```
|
||||
备注：Libtorch模型导出到原模型目录中
|
||||
|
||||
备注：Libtorch 模型导出到原模型目录中
|
||||
|
||||
</details>
|
||||
|
||||
### 部署
|
||||
|
||||
### 使用 FastAPI 部署
|
||||
|
||||
```shell
|
||||
export SENSEVOICE_DEVICE=cuda:0
|
||||
fastapi run --port 50000
|
||||
@ -255,17 +269,19 @@ pip3 install -e ./
|
||||
### 数据准备
|
||||
|
||||
数据格式需要包括如下几个字段：
|
||||
|
||||
```text
|
||||
{"key": "YOU0000008470_S0000238_punc_itn", "text_language": "<|en|>", "emo_target": "<|NEUTRAL|>", "event_target": "<|Speech|>", "with_or_wo_itn": "<|withitn|>", "target": "Including legal due diligence, subscription agreement, negotiation.", "source": "/cpfs01/shared/Group-speech/beinian.lzr/data/industrial_data/english_all/audio/YOU0000008470_S0000238.wav", "target_len": 7, "source_len": 140}
|
||||
{"key": "AUD0000001556_S0007580", "text_language": "<|en|>", "emo_target": "<|NEUTRAL|>", "event_target": "<|Speech|>", "with_or_wo_itn": "<|woitn|>", "target": "there is a tendency to identify the self or take interest in what one has got used to", "source": "/cpfs01/shared/Group-speech/beinian.lzr/data/industrial_data/english_all/audio/AUD0000001556_S0007580.wav", "target_len": 18, "source_len": 360}
|
||||
```
|
||||
|
||||
详细可以参考：`data/train_example.jsonl`
|
||||
|
||||
<details><summary>数据准备细节介绍</summary>
|
||||
<details><summary > 数据准备细节介绍 </summary>
|
||||
|
||||
- `key`: 数据唯一ID
|
||||
- `key`: 数据唯一 ID
|
||||
- `source`：音频文件的路径
|
||||
- `source_len`：音频文件的fbank帧数
|
||||
- `source_len`：音频文件的 fbank 帧数
|
||||
- `target`：音频文件标注文本
|
||||
- `target_len`：音频文件标注文本长度
|
||||
- `text_language`：音频文件的语种标签
|
||||
@ -273,23 +289,23 @@ pip3 install -e ./
|
||||
- `event_target`：音频文件的事件标签
|
||||
- `with_or_wo_itn`：标注文本中是否包含标点与逆文本正则化
|
||||
|
||||
可以用指令 `sensevoice2jsonl` 从train_wav.scp、train_text.txt、train_text_language.txt、train_emo_target.txt和train_event_target.txt生成，准备过程如下：
|
||||
可以用指令 `sensevoice2jsonl` 从 train_wav.scp、train_text.txt、train_text_language.txt、train_emo_target.txt 和 train_event_target.txt 生成，准备过程如下：
|
||||
|
||||
`train_text.txt`
|
||||
|
||||
左边为数据唯一ID，需与`train_wav.scp`中的`ID`一一对应
|
||||
左边为数据唯一 ID，需与 `train_wav.scp` 中的 `ID` 一一对应
|
||||
右边为音频文件标注文本，格式如下：
|
||||
|
||||
```bash
|
||||
BAC009S0764W0121 甚至出现交易几乎停滞的情况
|
||||
BAC009S0916W0489 湖北一公司以员工名义贷款数十员工负债千万
|
||||
asr_example_cn_en 所有只要处理 data 不管你是做 machine learning 做 deep learning 做 data analytics 做 data science 也好 scientist 也好通通都要都做的基本功啊那 again 先先对有一些>也许对
|
||||
asr_example_cn_en 所有只要处理 data 不管你是做 machine learning 做 deep learning 做 data analytics 做 data science 也好 scientist 也好通通都要都做的基本功啊那 again 先先对有一些 > 也许对
|
||||
ID0012W0014 he tried to think how it could be
|
||||
```
|
||||
|
||||
`train_wav.scp`
|
||||
|
||||
左边为数据唯一ID，需与`train_text.txt`中的`ID`一一对应
|
||||
左边为数据唯一 ID，需与 `train_text.txt` 中的 `ID` 一一对应
|
||||
右边为音频文件的路径，格式如下
|
||||
|
||||
```bash
|
||||
@ -301,8 +317,8 @@ ID0012W0014 https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audi
|
||||
|
||||
`train_text_language.txt`
|
||||
|
||||
左边为数据唯一ID，需与`train_text_language.txt`中的`ID`一一对应
|
||||
右边为音频文件的语种标签，支持`<|zh|>`、`<|en|>`、`<|yue|>`、`<|ja|>`和`<|ko|>`，格式如下
|
||||
左边为数据唯一 ID，需与 `train_text_language.txt` 中的 `ID` 一一对应
|
||||
右边为音频文件的语种标签，支持 `<|zh|>`、`<|en|>`、`<|yue|>`、`<|ja|>` 和 `<|ko|>`，格式如下
|
||||
|
||||
```bash
|
||||
BAC009S0764W0121 <|zh|>
|
||||
@ -313,8 +329,8 @@ ID0012W0014 <|en|>
|
||||
|
||||
`train_emo.txt`
|
||||
|
||||
左边为数据唯一ID，需与`train_emo.txt`中的`ID`一一对应
|
||||
右边为音频文件的情感标签，支持`<|HAPPY|>`、`<|SAD|>`、`<|ANGRY|>`、`<|NEUTRAL|>`、`<|FEARFUL|>`、`<|DISGUSTED|>`和`<|SURPRISED|>`，格式如下
|
||||
左边为数据唯一 ID，需与 `train_emo.txt` 中的 `ID` 一一对应
|
||||
右边为音频文件的情感标签，支持 `<|HAPPY|>`、`<|SAD|>`、`<|ANGRY|>`、`<|NEUTRAL|>`、`<|FEARFUL|>`、`<|DISGUSTED|>` 和 `<|SURPRISED|>`，格式如下
|
||||
|
||||
```bash
|
||||
BAC009S0764W0121 <|NEUTRAL|>
|
||||
@ -325,8 +341,8 @@ ID0012W0014 <|NEUTRAL|>
|
||||
|
||||
`train_event.txt`
|
||||
|
||||
左边为数据唯一ID，需与`train_event.txt`中的`ID`一一对应
|
||||
右边为音频文件的事件标签，支持`<|BGM|>`、`<|Speech|>`、`<|Applause|>`、`<|Laughter|>`、`<|Cry|>`、`<|Sneeze|>`、`<|Breath|>`和`<|Cough|>`，格式如下
|
||||
左边为数据唯一 ID，需与 `train_event.txt` 中的 `ID` 一一对应
|
||||
右边为音频文件的事件标签，支持 `<|BGM|>`、`<|Speech|>`、`<|Applause|>`、`<|Laughter|>`、`<|Cry|>`、`<|Sneeze|>`、`<|Breath|>` 和 `<|Cough|>`，格式如下
|
||||
|
||||
```bash
|
||||
BAC009S0764W0121 <|Speech|>
|
||||
@ -336,6 +352,7 @@ ID0012W0014 <|Speech|>
|
||||
```
|
||||
|
||||
`生成指令`
|
||||
|
||||
```shell
|
||||
# generate train.jsonl and val.jsonl from wav.scp, text.txt, text_language.txt, emo_target.txt, event_target.txt
|
||||
sensevoice2jsonl \
|
||||
@ -344,7 +361,8 @@ sensevoice2jsonl \
|
||||
++jsonl_file_out="../../../data/list/train.jsonl"
|
||||
```
|
||||
|
||||
若无train_text_language.txt、train_emo_target.txt和train_event_target.txt，则自动通过使用`SenseVoice`模型对语种、情感和事件打标。
|
||||
若无 train_text_language.txt、train_emo_target.txt 和 train_event_target.txt，则自动通过使用 `SenseVoice` 模型对语种、情感和事件打标。
|
||||
|
||||
```shell
|
||||
# generate train.jsonl and val.jsonl from wav.scp and text.txt
|
||||
sensevoice2jsonl \
|
||||
@ -353,11 +371,12 @@ sensevoice2jsonl \
|
||||
++jsonl_file_out="../../../data/list/train.jsonl" \
|
||||
++model_dir='iic/SenseVoiceSmall'
|
||||
```
|
||||
|
||||
</details>
|
||||
|
||||
### 启动训练
|
||||
|
||||
注意修改 `finetune.sh` 中 `train_tool` 为你前面安装FunASR路径中`funasr/bin/train_ds.py`绝对路径
|
||||
注意修改 `finetune.sh` 中 `train_tool` 为你前面安装 FunASR 路径中 `funasr/bin/train_ds.py` 绝对路径
|
||||
|
||||
```shell
|
||||
bash finetune.sh
|
||||
@ -373,16 +392,13 @@ python webui.py
|
||||
|
||||
## 优秀三方工作
|
||||
|
||||
- Triton（GPU）部署最佳实践，triton + tensorrt，fp32测试，V100 GPU上加速比526，fp16支持中，[repo](https://github.com/modelscope/FunASR/blob/main/runtime/triton_gpu/README.md)
|
||||
- sherpa-onnx部署最佳实践，支持在10种编程语言里面使用 SenseVoice, 即 C++, C, Python, C#, Go, Swift, Kotlin, Java, JavaScript, Dart. 支持在 iOS, Android, Raspberry Pi 等平台使用SenseVoice，[repo](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html)
|
||||
- Triton（GPU）部署最佳实践，triton + tensorrt，fp32 测试，V100 GPU 上加速比 526，fp16 支持中，[repo](https://github.com/modelscope/FunASR/blob/main/runtime/triton_gpu/README.md)
|
||||
- sherpa-onnx 部署最佳实践，支持在 10 种编程语言里面使用 SenseVoice, 即 C++, C, Python, C#, Go, Swift, Kotlin, Java, JavaScript, Dart. 支持在 iOS, Android, Raspberry Pi 等平台使用 SenseVoice，[repo](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html)
|
||||
|
||||
# 联系我们
|
||||
|
||||
如果您在使用中遇到问题，可以直接在github页面提Issues。欢迎语音兴趣爱好者扫描以下的钉钉群二维码加入社区群，进行交流和讨论。
|
||||
如果您在使用中遇到问题，可以直接在 github 页面提 Issues。欢迎语音兴趣爱好者扫描以下的钉钉群二维码加入社区群，进行交流和讨论。
|
||||
|
||||
| FunAudioLLM | FunASR |
|
||||
|:----------------------------------------------------------------:|:--------------------------------------------------------:|
|
||||
| <div align="left"><img src="image/dingding_sv.png" width="250"/> | <img src="image/dingding_funasr.png" width="250"/></div> |
|
||||
|
||||
|
||||
|
||||
|
||||
Loading…
Reference in New Issue
Block a user