LCB-NET模型介绍
模型原理介绍
随着在线会议和课程越来越普遍，如何利用视频幻灯片中丰富的文本信息来改善语音识别（Automatic Speech Recognition， ASR）面临着新的挑战。视频中的幻灯片与语音实时同步，相比于统一的稀有词列表，能够提供更长的上下文相关信息。因此，我们提出了一种创新的长上下文偏置网络（LCB-net），用于音频-视觉语音识别（Audio-Visual Speech Recognition，AVSR），以更好地利用视频中的长时上下文信息。
具体来说，我们首先使用OCR技术来检测和识别幻灯片中的文本内容，其次我们采用关键词提取技术来获取文本内容中的关键词短语。最后，我们将关键词拼接成长上下文文本和音频同时输入到我们的LCB-net模型中进行识别。而LCB-net模型采用了双编码器结构，同时建模音频和长上下文文本信息。此外，我们还引入了一个显式的偏置词预测模块，通过使用二元交叉熵（BCE）损失函数显式预测长上下文文本中在音频中出现的关键偏置词。此外，为增强LCB-net的泛化能力和稳健性，我们还采用了动态的关键词模拟策略。实验证明，我们提出的LCB-net热词模型，不仅能够提升关键词的识别效果，同时也能够提升非关键词的识别效果。具体实验结果如下所示：
更详细的细节见：
基于ModelScope进行推理
- 推理支持音频格式如下：
- wav文件路径，例如：data/test/asr_example.wav
- pcm文件路径，例如：data/test/asr_example.pcm
- ark文件路径，例如：data/test/data.ark
- wav文件url，例如：https://www.modelscope.cn/api/v1/models/iic/LCB-NET/repo?Revision=master&FilePath=example/asr_example.wav
- wav二进制数据，格式bytes，例如：用户直接从文件里读出bytes数据或者是麦克风录出bytes数据。
- 已解析的audio音频，例如：audio, rate = soundfile.read("asrexamplezh.wav")，类型为numpy.ndarray或者torch.Tensor。
- wav.scp文件，需符合如下要求(以下分别为sound和kaldi_ark格式)：
cat wav.scp
asr_example1 data/test/asr_example1.wav
asr_example2 data/test/asr_example2.wav
cat wav.scp
asr_example1 data/test/data_wav.ark:22
asr_example2 data/test/data_wav.ark:90445
...
- 推理支持OCR预测文本格式如下：
- ocr.txt文件，需符合如下要求：
cat ocr.txt
asr_example1 ANIMAL <blank> RIGHTS <blank> MANAGER <blank> PLOEG
asr_example2 UNIVERSITY <blank> CAMPUS <blank> DEANO
...
- 若输入格式wav文件和ocr文件均为url，api调用方式可参考如下范例：
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
inference_pipeline = pipeline(
task=Tasks.auto_speech_recognition,
model="iic/LCB-NET",
model_revision="v1.0.0")
rec_result = inference_pipeline(input=("https://www.modelscope.cn/api/v1/models/iic/LCB-NET/repo?Revision=master&FilePath=example/asr_example.wav","https://www.modelscope.cn/api/v1/models/iic/LCB-NET/repo?Revision=master&FilePath=example/ocr.txt"),data_type=("sound", "text"))
print(rec_result)
from funasr import AutoModel
model = AutoModel(model="iic/LCB-NET",
model_revision="v1.0.0")
rec_result = inference_pipeline(input=("https://www.modelscope.cn/api/v1/models/iic/LCB-NET/repo?Revision=master&FilePath=example/asr_example.wav","https://www.modelscope.cn/api/v1/models/iic/LCB-NET/repo?Revision=master&FilePath=example/ocr.txt"),data_type=("sound", "text"))
复现论文中的结果
python -m funasr.bin.inference \
--config-path=${file_dir} \
--config-name="config.yaml" \
++init_param=${file_dir}/model.pt \
++tokenizer_conf.token_list=${file_dir}/tokens.txt \
++input=[${_logdir}/wav.scp,${_logdir}/ocr.txt] \
+data_type='["kaldi_ark", "text"]' \
++tokenizer_conf.bpemodel=${file_dir}/bpe.pt \
++output_dir="${inference_dir}/results" \
++device="${inference_device}" \
++ncpu=1 \
++disable_log=true
识别结果输出路径结构如下：
tree output_dir/
output_dir/
└── 1best_recog
├── text
└── token
token：语音识别结果文件
可以使用funasr里面提供的runbwerrecall.sh计算WER、BWER、UWER和Recall。
详细脚本可以参考funasr里面的demo.sh脚本，需要注意的是你需要修改一下iic/LCB-NET/dev/wav.scp里面ark的路径，修改为你自己本地的路径，然后跑解码。
相关论文以及引用信息
@inproceedings{yu2024lcbnet,
title={LCB-net: Long-Context Biasing for Audio-Visual Speech Recognition},
author={Fan Yu, Haoxu Wang, Xian Shi, Shiliang Zhang},
booktitle={ICASSP},
year={2024}
}
评论