В своей работе я столкнулся с необходимостью проверить записи звонков на соблюдение сотрудниками скрипта разговора с клиентами. Обычно для этого выделяется сотрудник, который тратит большое количество времени на прослушивание записей разговоров. Мы поставили себе задачу уменьшить временные затраты на проверку с помощью инструментов автоматического распознавания речи (ASR). Один из таких инструментов мы рассмотрим подробнее.
Nvidia NeMo набор инструментов машинного обучения для создания и обучения моделей на базе графического процессора.
Модели в составе NeMo используют современный подход к распознаванию речи коннекционистская временная классификация (CTC).
До СТС использовался подход, при котором входной аудиофайл разбивался на отдельные речевые сегменты и по ним предсказывались токены. Далее токены объединялись, повторяющиеся сворачивались в один, и результат подавался на вывод модели.
При этом страдала точность распознавания, так как слово с повторяющимися буквами не считалось корректно распознанным на 100%. Например, кООперация приводилось к кОперация.
С CTC все еще предсказываю один токен на временной сегмент речи и дополнительно используем пустой токен, чтобы выяснить где свернуть повторяющиеся токены. Появление пустого токена помогает отделить повторяющиеся буквы, которые не должны быть свернуты.
Для своей задачи я взял одну из моделей (Jasper 105) и обучил ее с нуля. Для обучения был выбран публичный датасет телефонных разговоров, содержащий нарезанные аудиозаписи и их транскрибацию.
Чтобы обучить модель, необходимо подготовить файл-манифест, содержащий информацию об аудиофайле и транскрибацию этого файла. Файл манифест имеет свой формат:
{{"audio_filepath": "path/to/audio.wav", "duration": 3.45, "text": "sometext"}{"audio_filepath": "path/to/audio.wav", "duration": 3.45, "text": "sometext"}}
Модель принимает аудиофайлы только в формате *.wav. Необходимо пробежаться циклом по всему списку аудиофайлов и при помощи консольной утилиты перекодировать аудиофайлы с отличным от необходимого разрешением:
def convertToWav(self, ext): if not os.path.exists(self.datadir + '/dataset'): tar = tarfile.open(self.an4Path); tar.extractall(path=self.datadir); sphList = glob.glob(self.datadir + '/dataset/**/*' + ext, recursive=True); for sph in sphList: wav = sph[:-4] + '.wav'; cmd = ["sox", sph, wav]; subprocess.run(cmd); print('renamed ' + ext + ' to ' + wav);
Для построения тестового и тренировочного манифеста я использовал следующую функцию, в которой получили длительность аудиофайла с помощью функции getduration(filename=audiopath) библиотеки Librosa, путь к файлам транскрибации и аудиофайлам нам известен:
def buildManifest(self, transcript_path, manifest_path, wav_path): with open(transcript_paths, 'r') as fin: with open(manifest_path, 'w') as fout: for line in fin: transcript = line[: line.find('(')-1].lower(); transcript = transcript.replace('<s>', '').replace('</s>', ''); transcript = transcript.strip(); file_id = line[line.find('(')+1 : -2]; audio_path = os.path.join(self.datadir, wav_paths, file_id[file_id.find('-')+1 : file_id.rfind('-')], file_id +'.wav'); duration = librosa.core.get_duration(filename=audio_path); metadata = { "audio_filepath": audio_path, "duration": duration, "text": transcript } print(metadata); json.dump(metadata, fout); fout.write('\n');
Для инициализации модели я сформировал специальный файл конфигурации, в котором прописываются все параметры модели:
config.yaml:name: &name "Jasper10x5"model: sample_rate: &sample_rate 16000 labels: &labels [" ", "a", "б", "в", "г", "д", "е", "ё", "ж", "з", "и", "й", "к", "л", "м", "н", "о", "п", "р", "с", "т", "у", "ф", "х", "ц", "ч", "ш", "щ", "ъ", "ь", "э", "ю", "я", "'"] preprocessor: _target_: nemo.collections.asr.modules.AudioToMelSpectrogramPreprocessor normalize: "per_feature" sample_rate: *sample_rate features: &n_mels 64 n_fft: 512 frame_splicing: 1 dither: 0.00001 stft_conv: false
Достаточно загрузить этот файл в конструктор модели и приступать к ее обучению. Для этого необходимо добавить к параметрам модели пути к тестовому и проверочному манифесту и с помощью инструмента pytorch_lighting запустить процесс обучения:
import nemo;class NemoASR: def __init__(self, dataDir): self.datadir = dataDir; self.CONF_PATH = './config.yaml'; yaml = YAML(typ="safe"); with open(self.CONF_PATH) as f: self.CONFIG = yaml.load(f); def train(self, transcriptionPATH, manifestPATH, wavPATH, testTranscriptionPATH, testManifestPATH, testWavPATH): print("begin train"); train_transcripts = self.datadir + transcriptionPATH; train_manifest = self.datadir + manifestPATH; if not os.path.isfile(train_manifest): self.buildManifest(train_transcripts, train_manifest, wavPATH); test_transcripts = self.datadir + testTranscriptionPATH; test_manifest = self.datadir + testManifestPATH; if not os.path.isfile(test_manifest): self.buildManifest(test_transcripts, test_manifest, testWavPATH); # params from ./config.yaml self.CONFIG['model']['train_ds']['manifest_filepath'] = train_manifest; self.CONFIG['model']['validation_ds']['manifest_filepath'] = test_manifest; trainer = pl.Trainer(max_epochs=500, gpus=1); self.model = nemo_asr.models.EncDecCTCModel(cfg=DictConfig(self.CONFIG['model']), trainer=trainer); trainer.fit(self.model); print("end train");#-------------------------------------------------------------nemoASR = NemoASR('.');if (nemoASR.checkExistsDataSet()): print('dataset loaded'); nemoASR.train('./dataset/etc/train.transcription', './dataset/train_manifest.json','./dataset/wav/an4_clstk', './dataset/etc/test.transcription', './dataset/test_manifest.json', './dataset/wav/an4test_clstk'); nemoASR.model.save_to('./model.sbc');
После обучения готовую модель можно использовать для распознавания речи:
files = ['./an4/wav/an4_clstk/mgah/cen2-mgah-b.wav']; for fname, transcription in zip(files, nemoASR.model.transcribe(paths2audio_files=files)): print(f"Audio in {fname} was recognized as: {transcription}");
В результате мне удалось добиться достаточной точности, чтобы уверенно распознавать аудиофайлы.
При использовании инструмента NeMo я выделил для себяследующие достоинства:
-
быстрое обучение на GPU;
-
возможность менять настройки модели из одного места, не меняя код;
-
простота обучения.
Из недостатков можно отметитьнеобходимость включения большого количества тяжеловесных библиотек, а также то, что инструмент относительно свежий и некоторые функции модели находятся в бета-тесте.
При решении задачи по распознаванию речи я получил интересный опыт работы с ASR моделями. Смог обучить модель на случайном датасете и получили достаточную точность для уверенного распознавания телефонных разговоров.
Предлагаем использовать данный инструмент не только для распознавания речи, но и для генерации аудиофайлов на основе текста (TTS) и распознавания диктора (speaker recognition).