飞桨paddlespeech语音唤醒推理C浮点实现

david_tym

已于 2024-04-23 21:42:54 修改

阅读量865

点赞数 1

分类专栏：智能语音文章标签：语音识别

于 2023-04-18 08:09:07 首次发布

本文链接：https://blog.csdn.net/david_tym/article/details/130206545

版权

智能语音专栏收录该内容

22 篇文章 15 订阅

订阅专栏

上篇（飞桨paddlespeech 语音唤醒初探）初探了paddlespeech下的语音唤醒方案，通过调试也搞清楚了里面的细节。因为是python 下的，不能直接部署，要想在嵌入式上部署需要有C下的推理实现，于是我就在C下把这个方案的部署实现了。需要说明的是目前完成的是浮点实现，真正部署时要用的是定点实现，后面要做的是从浮点到定点的转换。浮点实现也做了两个版本。一是跟python下的实现完全一致的版本，做这个版本的目的是方便与python版本的结果比较，确保每个模块的实现完全正确。二是将模型中的卷积层和对应的batchNormal（BN）层合并为一个卷积层的版本，将卷积层和对应的BN层合并为一个卷积层一是可以减少参数的个数，二是可以减少运算量（BN里有求方差等运算）。做定点化时也是要基于这个版本来做的。下面就讲讲我是怎么做C下的实现的。

语音唤醒的推理过程如下图所示：

从上图可以看出主要分两步，一是做特征提取，二是做模型推理。将提取出来的特征值作为模型的输入，推理后得到模型的输出，从而给出是否是关键词的结果。

1，特征提取

特征提取的步骤如下图所示：

做这一步时主要基于两份开源的代码: FFT 和 MFCC。Fbank是MFCC的一部分，因此需要对代码进行裁剪。做时从分帧开始到得到特征值，每一步处理都要跟python下的保持完全一致，如分帧时用的是什么窗，用的是能量谱还是对数谱等。调试时基于一个具体的WAV文件来调。每一步执行后python下有一个输出，在C下也有一个输出，要确保这两个输出在误差允许范围内保持一致，否则就是C的实现有问题。经过调试后特征提取部分就完成了，python下的结果和C下的结果保持小数点后面前四位相同，误差还是非常小的。

2，模型推理

模型推理可以分为如下几个步骤：在Python下获取模型参数并保存进文件给C实现用，跟python完全一致的浮点实现，将卷积层和对应的BN层合并为一个卷积层的浮点实现。

2.1 模型参数获取

在paddlespeech下先用API获取每层的参数，代码大致如下：

然后将每层的参数按事先规定的格式保存在一个文件里，供C实现去解析参数。我用的参数保存格式如下：

即参数一层一层的放。在每一层里，先是层名，然后是weight参数的个数和bias参数的个数，最后是weight和bias具体的参数值。在C中就根据这个规则去解析从而得到每一层的参数。

2.2 跟python推理完全一致的浮点实现

模型的框图如下：

主要有PreProcess/DTCNStack等模块。先实现模型用到的神经网络里的基本单元，有depthwise_conv1d/pointwise_conv1d/relu/batch_normal/sigmoid等。再将这些基本单元组成pre_process模块来调试。依旧是用调试特征提取时的方法来调，确保每一步的输出跟python下的在误差允许范围内保持一致。PreProcess模块调好后再来调DTCNStack等模块，最终形成一个完整的推理实现。下图给出了我调试时用的wav的最终每帧的在python下和C下的后验概率（有多个值，限于长度，这里只截取了部分），可以看出python下和C下的结果是保持一致的。