使用限制

操作流程

步驟一：準備數據

本文使用一個簡單的示例數據集進行語音分類模型的訓練，建議您選用自己的數據進行模型訓練。

1. 進入DSW開發環境。

   1. 登錄PAI控制臺

   2. 在左側導航欄單擊工作空間列表，在工作空間列表頁面中單擊待操作的工作空間名稱，進入對應工作空間內。

   3. 在頁面左上方，選擇使用服務的地域。

   4. 在左側導航欄，選擇模型開發與訓練 > 交互式建模（DSW）。

   5. 可選：在交互式建模（DSW）頁面的搜索框，輸入實例名稱或關鍵字，搜索實例。

   6. 單擊需要打開的實例操作列下的打開。

2. 在DSW開發環境，單擊Other區域下的Terminal，即可打開Terminal。

3. 下載數據。

   1. 單擊左上方工具欄中的圖標，創建項目文件夾（例如asr_test）。

   2. 在Terminal中，使用cd命令進入已創建的文件夾，并通過wget命令下載語音分類的Demo數據集。

      cd asr_test
      wget https://pai-audio-open-modelzoo.oss-cn-zhangjiakou.aliyuncs.com/dsw_sample_data/demo_data.tar.gz
      wget https://pai-audio-open-modelzoo.oss-cn-zhangjiakou.aliyuncs.com/dsw_sample_data/sample_asr_cls_data.csv

   3. 新建子文件夾data，并將下載的Demo數據解壓到該文件夾中，即在Terminal中輸入如下命令。

      mkdir data
      tar xvzf demo_data.tar.gz -C data

   4. 下載配置文件。

      PAI提供了基于TDNN（Time-Delay Neural Network）的語音分類模型配置文件，供您使用。您需要在Terminal中輸入如下命令，下載配置文件。

      wget https://pai-audio-open-modelzoo.oss-cn-zhangjiakou.aliyuncs.com/public_model_zoo/audio_cls/w2lplus_cls.py

4. 查看項目文件夾（asr_test）內容。

   文件夾下包含以下文件：

   • data：存放了用于訓練的語音片段，通常在15s以內，為WAV格式，采樣率為16K，單通道。

   • sample_asr_cls_data.csv：存儲了所有WAV文件的路徑及對應的分類標簽。

   • w2lplus_cls.py：語音分類模型的配置文件。

   

步驟二：構建數據集與訓練模型

1. 在項目文件夾（asr_test）下，通過Terminal調用EasyASR的數據轉換功能，將準備的數據轉換為TFRecord。

   easyasr_create_dataset --input_path='sample_asr_cls_data.csv' --output_prefix='tfrecords/'

   命令中的參數含義如下：

   • input_path：訓練數據的文件名稱，為CSV文件。該文件中記錄了用于訓練的WAV文件路徑和人工標注的結果。

   • output_prefix：輸出TFRecord的路徑前綴。本文中的所有TFRecord都輸出至tfrecords文件夾，您可以根據實際情況修改。

     說明

     請勿省略文件夾路徑最后的正斜線（/）。

2. 在Terminal中輸入如下命令進行語音分類模型訓練。

   easyasr_train --config_file='w2lplus_cls.py' --log_dir='model_dir' --num_audio_features=80 --label_set='0,1' --train_data='tfrecords/train_*.tfrecord'

   命令中的參數含義如下：

   • config_file：訓練模型的配置文件。本文基于TDNN的語音分類模型配置文件w2plus_cls.py進行模型訓練，您可以根據實際情況修改該配置文件。

   • log_dir：模型Checkpoint的輸出路徑，您可以根據實際情況修改。

   • num_audio_features：語音特征的維度，您可以根據實際情況修改。

   • label_set：語音分類的標簽集合，使用半角逗號（,）分隔，您可以根據實際情況修改。

   • train_data：訓練ASR模型所用的TFRecord，使用正則表達式進行匹配，您可以根據實際情況修改。

步驟三：評估并導出模型

模型訓練完成后，需要對模型的精準度進行評測。您可以根據需求，將數據集劃分為訓練集和評測集，本文在此僅給出一個簡單的示例。

1. 在Terminal中輸入以下命令，以評估模型精準度。

   easyasr_eval --config_file='w2lplus_cls.py' --checkpoint='model_dir/model.ckpt-100' --num_audio_features=80 --label_set='0,1' --eval_data='tfrecords/train_*.tfrecord'

   命令中的參數含義如下：

   • config_file：訓練模型的配置文件。本文基于TDNN的語音分類模型配置文件w2plus_cls.py進行模型訓練，您可以根據實際情況修改該配置文件。

   • checkpoint：用于評估和導出的模型Checkpoint路徑。在模型訓練過程中，系統會保存多個Checkpoint，您可以根據實際情況修改該路徑。

   • num_audio_features：語音特征的維度，您可以根據實際情況修改該路徑。

   • label_set：語音分類的標簽集合，使用半角逗號（,）分隔，您可以根據實際情況修改。

   • eval_data：評測ASR模型所用的TFRecord，參數輸入格式與train_data相同。

2. 您可以將訓練好的模型導出為SavedModel，進行分布批量預測。在Terminal中輸入以下命令，將模型導出。

   easyasr_export --config_file='w2lplus_cls.py' --checkpoint='model_dir/model.ckpt-100' --num_audio_features=80 --label_set='0,1'  --cls  --mode='interactive_infer'

   命令中的參數含義如下：

   • config_file：訓練模型的配置文件。本文基于TDNN的語音分類模型配置文件w2plus_cls.py進行模型訓練，您可以根據實際情況修改該配置文件。

   • num_audio_features：語音特征的維度，您可以根據實際情況修改。

   • label_set：語音分類的標簽集合，使用半角逗號（,）分隔，您可以根據實際情況修改。

   • cls：當您訓練的模型為語音分類模型時，必須加入參數--cls。

   • mode：模型導出的格式。當前版本的EasyASR僅支持interactive_infer模式，您無需修改。

   模型導出完成后，您可以在當前文件夾（asr_test）下查看生成的模型。其中，SavedModel已經保存在export_dir中，如下圖所示。進入export_dir子文件夾，即可查看導出的模型，如下圖所示。

步驟四：模型預測

您可以使用導出的SavedModel模型進行預測。在DSW環境下，EasyASR采用CSV文件存儲輸入輸出內容。

1. 在Terminal中輸入如下命令，安裝音頻解碼工具FFmpeg。

   sudo apt update
   sudo apt install ffmpeg

   說明

   此處默認使用的ubuntu系統。如果您使用其他系統，則只需要系統安裝FFmpeg即可。如果您已經安裝，則可以跳過該步驟。

2. 在項目文件夾（asr_test）下，通過Terminal輸入如下命令，下載示例輸入文件。

   wget https://pai-audio-open-modelzoo.oss-cn-zhangjiakou.aliyuncs.com/dsw_sample_data/input_predict.csv

   該輸入文件中的每一行為一條音頻的URL路徑。

3. 在Terminal中輸入如下命令，使用訓練得到的ASR模型進行預測。

   easyasr_predict --input_csv='input_predict.csv' --output_csv='output_predict.csv' --num_features=80 --use_model='cls' --num_audio_features=80 --label_set='0,1' --seg_time_in_seconds=10 --export_dir='export_dir' --num_predict_process=3  --num_preproces=3

   命令中的參數含義如下：

   • input_csv：輸入含有音頻URL路徑的文件，您可以根據實際情況修改。

   • output_csv：輸出預測結果文件名。您可以根據實際情況修改，無需提前創建該輸出文件。

   • num_features：ASR模型的聲學特征維度，您可以根據實際情況選擇。

   • use_model：模型類別。當您使用的模型為語音分類模型時，指定為“cls”。

   • num_audio_features：語音特征的維度，您可以根據實際情況修改。

   • label_set：語音分類的標簽集合，使用半角逗號（,）分隔，您可以根據實際情況修改。

   • seg_time_in_seconds：指定模型對多少秒的音頻進行一次預測，您可以根據實際情況修改。如果該值設置為10，當前輸入音頻為15秒，則分別對0~10秒，10~15秒的音頻進行預測，并輸出結果。

   • export_dir：導出SavedModel的路徑，您可以根據實際情況修改。

   • num_predict_process：用于模型預測的線程數，您可以根據實際情況修改。

   • num_preproces：用于音頻下載和預處理的線程數，您可以根據實際情況修改。