WeNet是一款开源端到端ASR工具包，它与ESPnet等开源语音项目相比，最大的优势在于提供了从锻炼到部署的一整套工具链，使ASR效劳的工业落地愈加简单。如图1所示，WeNet工具包完好依赖于PyTorch生态：运用TorchScript中止模型开发，运用Torchaudio中止动态特征提取，运用DistributedDataParallel中止分布式锻炼，运用torch JIT（Just In Time）中止模型导出，运用LibTorch作为消费环境运转时。本系列将对WeNet云端推理部署代码中止解析。
图1：WeNet系统设计[1]
1. 代码结构
WeNet云端推理和部署代码位于wenet/runtime/server/x86途径下，编程言语为C++，其结构如下所示：
其中：
语音文件读入与特征提取相关代码位于frontend文件夹下；端到端模型导入、端点检测与语音解码识别相关代码位于decoder文件夹下，WeNet支持CTC prefix beam search和融合了WFST的CTC beam search这两种解码算法，后者的完成大量自创了Kaldi，相关代码放在kaldi文件夹下；在效劳化方面，WeNet分别完成了基于WebSocket和基于gRPC的两套效劳端与客户端，基于WebSocket的完成位于websocket文件夹下，基于gRPC的完成位于grpc文件夹下，两种完成的入口main函数代码都位于bin文件夹下。日志、计时、字符串处置等辅助代码位于utils文件夹下。
WeNet提供了CMakeLists.txt和Dockerfile，使得用户能便当地中止项目编译和镜像构建。
2. 前端：frontend文件夹
1）语音文件读入
WeNet只支持44字节header的wav格式音频数据，wav header定义在WavHeader结构体中，包括音频格式、声道数、采样率等音频元信息。WavReader类用于语音文件读入，调用fopen翻开语音文件后，WavReader先读入WavHeader大小的数据（也就是44字节），再根据WavHeader中的元信息肯定待读入音频数据的大小，最后调用fread把音频数据读入buffer，并经过static_cast把数据转化为float类型。
struct WavHeader { char riff[4]; // "riff" unsigned int size; char wav[4]; // "WAVE" char fmt[4]; // "fmt " unsigned int fmt_size; uint16_t format; uint16_t channels; unsigned int sample_rate; unsigned int bytes_per_second; uint16_t block_size; uint16_t bit; char data[4]; // "data" unsigned int data_size;};
这里存在的一个风险是，假设WavHeader中存放的元信息有误，则会影响到语音数据的正确读入。
2）特征提取
WeNet运用的特征是fbank，经过FeaturePipelineConfig结构体中止特征设置。默许帧长为25ms，帧移为10ms，采样率和fbank维数则由用户输入。
用于特征提取的类是FeaturePipeline。为了同时支持流式与非流式语音识别，FeaturePipeline类中设置了input_finished_属性来标志输入能否终了，并经过set_input_finished()成员函数来对input_finished_属性中止操作。
提取出来的fbank特征放在feature_queue_中，feature_queue_的类型是BlockingQueue<std::vector>。BlockingQueue类是WeNet完成的一个阻塞队列，初始化的时分需求提供队列的容量(capacity)，经过Push()函数向队列中增加特征，经过Pop()函数从队列中读取特征：
当feature_queue_中的feature数量超越capacity，则Push线程被挂起，等候feature_queue_.Pop()释放出空间。当feature_queue_为空，则Pop线程被挂起，等候feature_queue_.Push()。线程的挂起和恢复是经过C++标准库中的线程同步原语std::mutex、std::condition_variable等完成。线程同步还用在AcceptWaveform和ReadOne两个成员函数中，AcceptWaveform把语音数据提取得到的fbank特征放到feature_queue_中，ReadOne成员函数则把特征从feature_queue_中读出，是经典的消费者消费者方式。
3. 解码器：decoder文件夹
1）TorchAsrModel
经过torch::jit::load对存在磁盘上的模型中止反序列化，得到一个ScriptModule对象。
torch::jit::script::Module model = torch::jit::load(model_path);
2）SearchInterface
WeNet推理支持的解码方式都继承自基类SearchInterface，假设要新增解码算法，则需继承SearchInterface类，并提供该类中一切纯虚函数的完成，包括：
// 解码算法的细致完成virtual void Search(const torch::Tensor& logp) = 0;// 重置解码过程virtual void Reset() = 0;// 终了解码过程virtual void FinalizeSearch() = 0;// 解码算法类型，返回一个枚举常量SearchTypevirtual SearchType Type() const = 0;// 返回解码输入virtual const std::vector<std::vector<int>>& Inputs() const = 0;// 返回解码输出virtual const std::vector<std::vector<int>>& Outputs() const = 0;// 返回解码输出对应的似然值virtual const std::vector<float>& Likelihood() const = 0;// 返回解码输出对应的次数virtual const std::vector<std::vector<int>>& Times() const = 0;
目前WeNet只提供了SearchInterface的两种子类完成，也即两种解码算法，分别定义在CtcPrefixBeamSearch和CtcWfstBeamSearch两个类中。
3）CtcEndpoint
WeNet支持语音端点检测，提供了一种基于规则的完成方式，用户可以经过CtcEndpointConfig结构体和CtcEndpointRule结构体中止规则配置。WeNet默许的规则有三条：
检测到了5s的静音，则以为检测到端点；解码出了恣意时长的语音后，检测到了1s的静音，则以为检测到端点；解码出了20s的语音，则以为检测到端点。一旦检测到端点，则终了解码。另外，WeNet把解码得到的空白符(blank)视作静音。
4）TorchAsrDecoder
WeNet提供的解码器定义在TorchAsrDecoder类中。如图3所示，WeNet支持双向解码，即叠加从左往右解码和从右往左解码的结果。在CTC beam search之后，用户还可以选择中止attention重打分。
图2：WeNet解码计算流程[2]
可以经过DecodeOptions结构体中止解码参数配置，包括如下参数：
struct DecodeOptions { int chunk_size = 16; int num_left_chunks = -1; float ctc_weight = 0.0; float rescoring_weight = 1.0; float reverse_weight = 0.0; CtcEndpointConfig ctc_endpoint_config; CtcPrefixBeamSearchOptions ctc_prefix_search_opts; CtcWfstBeamSearchOptions ctc_wfst_search_opts;};
其中，ctc_weight表示CTC解码权重，rescoring_weight表示重打分权重，reverse_weight表示从右往左解码权重。最终解码打分的计算方式为：
final_score = rescoring_weight * rescoring_score + ctc_weight * ctc_score;rescoring_score = left_to_right_score * (1 - reverse_weight) +right_to_left_score * reverse_weight
TorchAsrDecoder对外提供的解码接口是Decode()，重打分接口是Rescoring()。Decode()返回的是枚举类型DecodeState，包括三个枚举常量：kEndBatch，kEndpoint和kEndFeats，分别表示当前批数据解码终了、检测到端点、一切特征解码终了。
为了支持长语音识别，WeNet还提供了连续解码接口ResetContinuousDecoding()，它与解码注重置接口Reset()的区别在于：连续解码接口会记载全局曾经解码的语音帧数，并保管当前feature_pipeline_的状态。
由于流式ASR效劳需求在客户端和效劳端之间中止双向的流式数据传输，WeNet完成了两种支持双向流式通讯的效劳化接口，分别基于WebSocket和gRPC。
4. 基于WebSocket
1）WebSocket简介
WebSocket是基于TCP的一种新的网络协议，与HTTP协议不同，WebSocket允许效劳器主动发送信息给客户端。 在衔接树立后，客户端和效劳端可以连续互相发送数据，而无需在每次发送数据时重新发起衔接央求。因此大大减小了网络带宽的资源消耗 ，在性能上更有优势。
WebSocket支持文本和二进制两种格式的数据传输 。
2）WeNet的WebSocket接口
WeNet运用了boost库的WebSocket完成，定义了WebSocketClient（客户端）和WebSocketServer（效劳端）两个类。
在流式ASR过程中，WebSocketClient给WebSocketServer发送数据可以分为三个步骤：1）发送开端信号与解码配置；2）发送二进制语音数据：pcm字节流；3）发送中止信号。从WebSocketClient::SendStartSignal()和WebSocketClient::SendEndSignal()可以看到，开端信号、解码配置和中止信号都是包装在json字符串中，经过WebSocket文本格式传输。pcm字节流则经过WebSocket二进制格式中止传输。
void WebSocketClient::SendStartSignal() { // TODO(Binbin Zhang): Add sample rate and other setting surpport json::value start_tag = {{"signal", "start"}, {"nbest", nbest_}, {"continuous_decoding", continuous_decoding_}}; std::string start_message = json::serialize(start_tag); this->SendTextData(start_message);}void WebSocketClient::SendEndSignal() { json::value end_tag = {{"signal", "end"}}; std::string end_message = json::serialize(end_tag); this->SendTextData(end_message);}
WebSocketServer在收到数据后，需求先判别收到的数据是文本还是二进制格式：假设是文本数据，则中止json解析，并根据解析结果中止解码配置、启动或中止，处置逻辑定义在ConnectionHandler::OnText()函数中。假设是二进制数据，则中止语音识别，处置逻辑定义在ConnectionHandler::OnSpeechData()中。
3）缺陷
WebSocket需求开发者在WebSocketClient和WebSocketServer写好对应的消息构造和解析代码，容易出错。另外，从以上代码来看，效劳需求借助json格式来序列化和反序列化数据，效率没有protobuf格式高。
关于这些缺陷，gRPC框架提供了更好的处置方法。
5. 基于gRPC
1）gRPC简介
gRPC是谷歌推出的开源RPC框架，运用HTTP2作为网络传输协议，并运用protobuf作为数据交流格式，有更高的数据传输效率。在gRPC框架下，开发者只需经过一个.proto文件定义好RPC效劳（service）与消息（message），便可经过gRPC提供的代码生成工具（protoc compiler）自动生成消息构造和解析代码，使开发者能更好地聚焦于接口设计本身。
中止RPC调用时，gRPC Stub（客户端）向gRPC Server（效劳端）发送.proto文件中定义的Request消息，gRPC Server在处置完央求之后，经过.proto文件中定义的Response消息将结果返回给gRPC Stub。
gRPC具有跨言语特性，支持不同言语写的微效劳中止互动，比如压效劳端用C++完成，客户端用Ruby完成。protoc compiler支持12种言语的代码生成。
图1：gRPC Server和gRPC Stub交互[1]
2）WeNet的proto文件
WeNet定义的效劳为ASR，包含一个Recognize方法，该方法的输入（Request）、输出（Response）都是流式数据（stream）。在运用protoc compiler编译proto文件后，会得到4个文件：wenet.grpc.pb.h，http://wenet.grpc.pb.cc，wenet.pb.h，http://wenet.pb.cc。其中，wenet.pb.h/cc中存储了protobuf数据格式的定义，wenet.grpc.pb.h中存储了gRPC效劳端/客户端的定义。经过在代码中包括wenet.pb.h和wenet.grpc.pb.h两个头文件，开发者可以直接运用Request消息和Response消息类，访问其字段。
service ASR { rpc Recognize (stream Request) returns (stream Response) {}}message Request { message DecodeConfig { int32 nbest_config = 1; bool continuous_decoding_config = 2; } oneof RequestPayload { DecodeConfig decode_config = 1; bytes audio_data = 2; }}message Response { message OneBest { string sentence = 1; repeated OnePiece wordpieces = 2; } message OnePiece { string word = 1; int32 start = 2; int32 end = 3; } enum Status { ok = 0; failed = 1; } enum Type { server_ready = 0; partial_result = 1; final_result = 2; speech_end = 3; } Status status = 1; Type type = 2; repeated OneBest nbest = 3;}
3）WeNet的gRPC完成
WeNet gRPC效劳端定义了GrpcServer类，该类继承自wenet.grpc.pb.h中的纯虚基类ASR::Service。
语音识别的入口函数是GrpcServer::Recognize，该函数初始化一个GRPCConnectionHandler实例来中止语音识别，并经过ServerReaderWriter类的stream对象来传送输入输出。
Status GrpcServer::Recognize(ServerContext* context, ServerReaderWriter<Response, Request>* stream) { LOG(INFO) << "Get Recognize request" << std::endl; auto request = std::make_shared(); auto response = std::make_shared(); GrpcConnectionHandler handler(stream, request, response, feature_config_, decode_config_, symbol_table_, model_, fst_); std::thread t(std::move(handler)); t.join(); return Status::OK;}
WeNet gRPC客户端定义了GrpcClient类。客户端在树立与效劳端的衔接时需实例化ASR::Stub，并经过ClientReaderWriter类的stream对象，完成双向流式通讯。
void GrpcClient::Connect() { channel_ = grpc::CreateChannel(host_ + ":" + std::to_string(port_), grpc::InsecureChannelCredentials()); stub_ = ASR::NewStub(channel_); context_ = std::make_shared(); stream_ = stub_->Recognize(context_.get()); request_ = std::make_shared(); response_ = std::make_shared(); request_->mutable_decode_config()->set_nbest_config(nbest_); request_->mutable_decode_config()->set_continuous_decoding_config( continuous_decoding_); stream_->Write(*request_);}
http://grpc_client_main.cc中，客户端分段传输语音数据，每0.5s中止一次传输，即关于一个采样率为8k的语音文件来说，每次传4000帧数据。为了减小传输数据的大小，提升数据传输速度，先在客户端将float类型转为int16_t，效劳端在接受到数据后，再将int16_t转为float。c++中float为32位。
int main(int argc, char *argv[]) { ... // Send data every 0.5 second const float interval = 0.5; const int sample_interval = interval * sample_rate; for (int start = 0; start < num_sample; start += sample_interval) { if (client.done()) { break; } int end = std::min(start + sample_interval, num_sample); // Convert to short std::vector<int16_t> data; data.reserve(end - start); for (int j = start; j < end; j++) { data.push_back(static_cast<int16_t>(pcm_data[j])); } // Send PCM data client.SendBinaryData(data.data(), data.size() * sizeof(int16_t)); ...}
相关推荐
