mirror of
https://github.com/espressif/esp-sr.git
synced 2025-09-15 15:28:44 +08:00
227 lines
7.8 KiB
ReStructuredText
227 lines
7.8 KiB
ReStructuredText
命令词
|
||
======
|
||
|
||
:link_to_translation:`en:[English]`
|
||
|
||
MultiNet 命令词识别模型
|
||
----------------------------
|
||
|
||
MultiNet 是为了在 {IDF_TARGET_NAME} 系列上离线实现多命令词识别而设计的轻量化模型，目前支持 200 个以内的自定义命令词识别。
|
||
|
||
.. list::
|
||
|
||
:esp32s3: - 支持中文和英文命令词识别
|
||
:esp32: - 支持中文命令词识别
|
||
- 支持用户自定义命令词
|
||
- 支持运行过程中 增加/删除/修改 命令词语
|
||
- 最多支持 200 个命令词
|
||
- 支持单次识别和连续识别两种模式
|
||
- 轻量化，低资源消耗
|
||
- 低延时，延时 500 ms内
|
||
:esp32s3: - 支持在线中英文模型切换
|
||
- 模型单独分区，支持用户应用 OTA
|
||
|
||
MultiNet 输入为经过前端语音算法（AFE）处理过的音频（格式为 16 KHz，16 bit，单声道）。通过对音频进行识别，则可以对应到相应的汉字或单词。
|
||
|
||
请参考 :doc:`Models Benchmark <../benchmark/README>` 去查看当前不同芯片支持的模型。
|
||
|
||
用户选择不同的模型的方法请参考 :doc:`模型加载 <../flash_model/README>` 。
|
||
|
||
.. note::
|
||
其中以 ``Q8`` 结尾的模型代表模型的 8 bit 版本，表明该模型更加轻量化。
|
||
|
||
命令词识别原理
|
||
-----------------
|
||
|
||
命令词识别原理如下图所示：
|
||
|
||
.. figure:: ../../_static/multinet_workflow.png
|
||
:alt: speech_command-recognition-system
|
||
|
||
speech_command-recognition-system
|
||
|
||
.. _command-requirements:
|
||
|
||
命令词格式要求
|
||
----------------
|
||
|
||
不同版本的MultiNet命令词格式不同。命令词需要满足特定的格式，具体如下：
|
||
|
||
MultiNet5和MultiNet6使用汉语拼音作为基本识别单元，并且每个字的拼音拼写间隔一个空格。比如“打开空调”，应该写成 “da kai kong tiao”，请使用以下工具将汉字转为拼音： :project_file:`tool/multinet_pinyin.py` 。
|
||
|
||
自定义要求
|
||
~~~~~~~~~~~
|
||
|
||
在设计命令词时有如下要求和建议：
|
||
|
||
.. list::
|
||
|
||
- 中文推荐长度一般为 4-6 个汉字，过短导致误识别率高，过长不方便用户记忆
|
||
:esp32s3: - 英文推荐长度一般为 4-6 个单词
|
||
- 不支持中英文混合
|
||
- 不能含有阿拉伯数字和特殊字符
|
||
- 应避免使用常用语
|
||
- 命令词中每个汉字/单词的发音相差越大越好
|
||
|
||
自定义方法
|
||
~~~~~~~~~~~
|
||
|
||
MultiNet 支持多种且灵活的命令词设置方式，可通过在线或离线方法设置命令词，还允许随时动态增加/删除/修改命令词
|
||
|
||
.. only:: latex
|
||
|
||
.. figure:: ../../_static/QR_multinet_g2p.png
|
||
:alt: menuconfig_add_speech_commands
|
||
|
||
离线设置命令词
|
||
^^^^^^^^^^^^^^^
|
||
|
||
MultiNet6 离线设置命令词的方法：
|
||
|
||
- 中文通过修改 :project_file:`model/multinet_model/fst/commands_cn.txt`
|
||
|
||
格式如下，第一个数字代表command id, 后面为指令的中文拼音，两者由空格隔开，拼音间也由空格隔开
|
||
|
||
::
|
||
|
||
# command_id command_sentence
|
||
1 da kai kong tiao
|
||
2 guan bi kong tiao
|
||
|
||
MultiNet5 离线设置命令词的方法：
|
||
|
||
- 通过 ``menuconfig``
|
||
|
||
1. ``idf.py menuconfig`` > ``ESP Speech Recognition`` > ``Add Chinese speech commands/Add English speech commands``，添加命令词。具体也可参考 ESP-Skainet 中的 example。
|
||
|
||
.. figure:: ../../_static/menuconfig_add_speech_commands.png
|
||
:alt: menuconfig_add_speech_commands
|
||
|
||
menuconfig_add_speech_commands
|
||
|
||
注意，单个 Command ID 可以支持多个短语，比如“打开空调”和“开空调”表示的意义相同，则可以将其写在同一个 Command ID 对应的词条中，用英文字符“,”隔开相邻词条（“,”前后无需空格）。
|
||
|
||
2. 在代码里调用以下 API：
|
||
|
||
::
|
||
|
||
/**
|
||
* @brief Update the speech commands of MultiNet by menuconfig
|
||
*
|
||
* @param multinet The multinet handle
|
||
*
|
||
* @param model_data The model object to query
|
||
*
|
||
* @param langugae The language of MultiNet
|
||
*
|
||
* @return
|
||
* - ESP_OK Success
|
||
* - ESP_ERR_INVALID_STATE Fail
|
||
*/
|
||
esp_err_t esp_mn_commands_update_from_sdkconfig(esp_mn_iface_t *multinet, const model_iface_data_t *model_data);
|
||
|
||
- 通过修改代码
|
||
|
||
该方法中，用户直接在代码中编写命令词，并传给 MultiNet。在实际产品开发和使用中，用户可以通过网络/UART/SPI 等多种接口，传递所需的命令词并随时更换命令词。具体 API 说明请参考 :project_file:`src/esp_mn_speech_commands.c` 和 ESP-Skainet 中的 example。
|
||
|
||
MultiNet 的使用
|
||
----------------
|
||
|
||
MultiNet 命令词识别建议和 ESP-SR 中的 AFE 声学算法模块一起运行，具体请参考 :doc:`AFE 介绍及使用 <../audio_front_end/README>` ）。
|
||
|
||
当用户配置完成 AFE 后，请按照以下步骤配置和运行 MultiNet。
|
||
|
||
MultiNet 初始化
|
||
~~~~~~~~~~~~~~~
|
||
|
||
- 模型加载与初始化，请参考 :doc:`模型加载 <../flash_model/README>`
|
||
|
||
- 设置命令词，请参考 :ref:`command-requirements`
|
||
|
||
MultiNet 运行
|
||
~~~~~~~~~~~~~
|
||
|
||
当用户开启 AFE 且使能 WakeNet 后，则可以运行 MultiNet。但需要注意以下几点要求：
|
||
|
||
* 传入帧长和 AFE fetch 帧长长度相等
|
||
* 支持音频格式为 16 KHz，16 bit，单通道。AFE fetch 拿到的数据也为这个格式
|
||
|
||
- 确定需要传入 MultiNet 的帧长
|
||
|
||
::
|
||
|
||
int mu_chunksize = multinet->get_samp_chunksize(model_data);
|
||
|
||
``mu_chunksize`` 是需要传入 MultiNet 的每帧音频的 ``short`` 型点数，这个大小和 AFE 中 fetch 的每帧数据点数完全一致。
|
||
|
||
- MultiNet 识别
|
||
|
||
我们将 AFE 实时 ``fetch`` 到的数据送入以下 API：
|
||
|
||
::
|
||
|
||
esp_mn_state_t mn_state = multinet->detect(model_data, buff);
|
||
|
||
``buff`` 的长度为 ``mu_chunksize * sizeof(int16_t)``。
|
||
|
||
MultiNet 识别结果
|
||
~~~~~~~~~~~~~~~~~
|
||
|
||
命令词识别必须和唤醒搭配使用，当唤醒后可以运行命令词的检测。
|
||
|
||
命令词模型在运行时，会实时返回当前帧的识别状态 ``mn_state`` ，目前分为以下几种识别状态：
|
||
|
||
- ESP_MN_STATE_DETECTING
|
||
|
||
该状态表示目前正在识别中，还未识别到目标命令词。
|
||
|
||
- ESP_MN_STATE_DETECTED
|
||
|
||
该状态表示目前识别到了目标命令词，此时用户可以调用 ``get_results`` 接口获取识别结果。
|
||
|
||
::
|
||
|
||
esp_mn_results_t *mn_result = multinet->get_results(model_data);
|
||
|
||
识别结果的信息存储在 ``get_result`` API 的返回值中，返回值的数据类型如下：
|
||
|
||
::
|
||
|
||
typedef struct{
|
||
esp_mn_state_t state;
|
||
int num; // The number of phrase in list, num<=5. When num=0, no phrase is recognized.
|
||
int phrase_id[ESP_MN_RESULT_MAX_NUM]; // The list of phrase id.
|
||
float prob[ESP_MN_RESULT_MAX_NUM]; // The list of probability.
|
||
} esp_mn_results_t;
|
||
|
||
其中，
|
||
|
||
- ``state`` 为当前识别的状态
|
||
- ``num`` 表示识别到的词条数目， ``num`` <= 5，即最多返回 5 个候选结果
|
||
- ``phrase_id`` 表示识别到的词条对应的 Phrase ID
|
||
- ``prob`` 表示识别到的词条识别概率，从大到到小依次排列
|
||
|
||
用户可以使用 ``phrase_id[0]`` 和 ``prob[0]`` 拿到概率最高的识别结果。
|
||
|
||
- ESP_MN_STATE_TIMEOUT
|
||
|
||
该状态表示长时间未检测到命令词，自动退出。等待下次唤醒。
|
||
|
||
单次识别模式和连续识别模式：
|
||
当命令词识别返回状态为 ``ESP_MN_STATE_DETECTED`` 时退出命令词识别，则为单次识别模式；
|
||
当命令词识别返回状态为 ``ESP_MN_STATE_TIMEOUT`` 时退出命令词识别，则为连续识别模式；
|
||
|
||
|
||
资源消耗
|
||
--------
|
||
|
||
有关本模型的资源消耗情况，请见 :doc:`资源消耗 <../benchmark/README>`。
|
||
|
||
其他配置和使用
|
||
--------------
|
||
|
||
阈值设置
|
||
~~~~~~~~
|
||
|
||
该功能仍在开发中。
|