Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
Noel 6f5c287e21 | 1 year ago | |
---|---|---|
.. | ||
README.md | 2 years ago | |
audio_to_wav.py | 1 year ago | |
finetune.py | 1 year ago | |
pipeline.py | 1 year ago | |
preprocess.py | 1 year ago | |
utils.py | 1 year ago |
智能语音指令解析集成了业界领先的语音识别(Automatic Speech Recognition, ASR)、信息抽取(Information Extraction, IE)等技术,打造智能一体化的语音指令系统,广泛应用于智能语音填单、智能语音交互、智能语音检索、手机APP语音唤醒等场景,提高人机交互效率。
其中,智能语音填单允许用户通过口述的方式记录信息,利用算法解析口述内容中的关键信息,完成自动信息录入。
针对以上场景,应用Baidu大脑AI开放平台短语音识别标准版和PaddleNLP的信息抽取技术,可以自动识别和抽取语音中的关键信息,帮助相关人员简化记录流程,提高工作效率和质量。
另外,通过构造小样本优化信息抽取模型,能够获得更加准确的场景定制化效果。
语音识别模型
Baidu大脑AI开放平台短语音识别标准版采用领先国际的流式端到端语音语言一体化建模方法,融合百度自然语言处理技术,近场中文普通话识别准确率达98%。根据语音内容理解可以将数字序列、小数、时间、分数、基础运算符正确转换为数字格式,使得识别的数字结果更符合使用习惯,直观自然。
信息抽取模型
Universal Information Extraction, UIE: Yaojie Lu等人在2022年提出了开放域信息抽取的统一框架,这一框架在实体抽取、关系抽取、事件抽取、情感分析等任务上都有着良好的泛化效果。本应用基于这篇工作的prompt设计思想,提供了以ERNIE为底座的阅读理解型信息抽取模型,用于关键信息抽取。同时,针对不同场景,支持通过构造小样本数据来优化模型效果,快速适配特定的关键信息配置。
安装相关问题可参考PaddlePaddle和PaddleNLP文档。
ffmpeg
和pydub
。git clone https://git.ffmpeg.org/ffmpeg.git ffmpeg
cd ffmpeg
./configure
make
make install
pip install pydub
本应用来自于语音报销工单信息录入场景,即员工向公司报销部门提出交通费报销的口头申请,在传统场景下,报销审核人员需要人工将语音转换为文字信息,并从中抽取记录报销需要的时间
、出发地
、目的地
和费用
字段,而在本应用可以端到端的完成这一工作。相应的数据集为语音报销工单数据,共50条标注数据,用于信息抽取模型在交通费报销场景下的优化,示例数据如下:
{"id": 39, "text": "10月16日高铁从杭州到上海南站车次d5414共48元", "relations": [], "entities": [{"id": 90, "start_offset": 0, "end_offset": 6, "label": "时间"}, {"id": 77, "start_offset": 9, "end_offset": 11, "label": "出发地"}, {"id": 91, "start_offset": 12, "end_offset": 16, "label": "目的地"}, {"id": 92, "start_offset": 24, "end_offset": 26, "label": "费用"}]}
其中抽取的目标(schema)表示为:
schema = ['出发地', '目的地', '费用', '时间']
标注数据保存在同一个文本文件中,每条样例占一行且存储为json
格式,其包含以下字段
id
: 样本在数据集中的唯一标识ID。text
: 语音报销工单的原始文本数据。entities
: 数据中包含的实体标签,每个实体标签包含四个字段:
id
: 实体在数据集中的唯一标识ID,不同样本中的相同实体对应同一个ID。start_offset
: 实体的起始token在文本中的下标。end_offset
: 实体的结束token在文本中下标的下一个位置。label
: 实体类型。relations
: 数据中包含的关系标签(在语音报销工单应用中无关系标签),每个关系标签包含四个字段:
id
: (关系主语,关系谓语,关系宾语)三元组在数据集中的唯一标识ID,不同样本中的相同三元组对应同一个ID。from_id
: 关系主语实体对应的标识ID。to_id
: 关系宾语实体对应的标识ID。type
: 关系类型。领取免费资源
,勾选短语音识别后点击下方0元领取
。立即创建
。在语音报销工单信息录入的场景下,模型的输入为报销工单相关的音频文件。可以根据设备类型,选取合适的录音软件来录制音频文件,保存格式应为.wav
数据格式。若音频文件格式不符,可以运行以下脚本进行转换:
python audio_to_wav.py --audio_file sample.m4a --audio_format m4a --save_dir ./audios_wav/
python audio_to_wav.py --audio_file ./audios_raw/ --save_dir ./audios_wav/
可配置参数包括
audio_file
: 原始音频文件或者所在目录。若设置为目录,则对该目录下所有音频文件进行格式转换。audio_format
: 原始音频文件格式(可选),支持mp3
, m4a
。若未设置,则根据文件扩展名对支持的两种音频文件进行格式转换。save_dir
: 转换后.wav
格式文件的存储目录,文件名称与原始音频保持一致。对于不同的应用场景,关键信息的配置多种多样,直接应用通用信息抽取模型的效果可能不够理想。这时可以标注少量场景相关的数据,利用few-shot learning技术来改进特定场景下的信息抽取效果。在本应用场景中,标注数据为语音报销工单数据。针对其他场景,可使用doccano平台标注并导出自定义数据。
针对特定场景下的关键信息配置,需要使用标注数据对通用信息抽取模型进行训练以优化抽取效果。
.
├── audio_to_wav.py # 音频文件格式转换脚本
├── pipeline.py # 语音指令解析脚本
├── preprocess.py # 数据预处理脚本
├── finetune.py # 信息抽取模型 fine-tune 脚本
├── model.py # 信息抽取模型(UIE)组网脚本
└── utils.py # 辅助函数
下载语音报销工单数据,存储在./data/
目录下。执行以下脚本,按设置的比例划分数据集,同时构造负样本用于提升模型的学习效果。
python preprocess.py \
--input_file ./data/audio-expense-account.jsonl \
--save_dir ./data/ \
--negative_ratio 5 \
--splits 0.2 0.8 0.0 \
--seed 1000
可配置参数包括
input_file
: 标注数据文件名。数据格式应与语音报销工单数据一致。save_dir
: 训练数据的保存目录,默认存储在data
目录下。若splits
为空,则数据存储在train.txt
文件,若splits
为长度为3的列表,则数据存储在目录下的train.txt
、dev.txt
、test.txt
文件。negative_ratio
: 负样本与正样本的比例。使用负样本策略可提升模型效果,负样本数量 = negative_ratio * 正样本数量。splits
: 划分数据集时训练集、验证集所占的比例。默认为[0.8, 0.1, 0.1]表示按照8:1:1
的比例将数据划分为训练集、验证集和测试集。is_shuffle
: 是否对数据集进行随机打散,默认为True。seed
: 随机种子,默认为1000.运行以下命令,使用单卡训练自定义的UIE模型。
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--train_path ./data/train.txt \
--dev_path ./data/dev.txt \
--save_dir ./checkpoint \
--model uie-base \
--learning_rate 1e-5 \
--batch_size 16 \
--max_seq_len 512 \
--num_epochs 50 \
--seed 1000 \
--logging_steps 10 \
--valid_steps 10 \
--device gpu
可配置参数包括
train_path
: 训练集文件路径。dev_path
: 验证集文件路径。save_dir
: 模型存储路径,默认为./checkpoint
。init_from_ckpt
: 可选,模型参数路径,热启动模型训练。默认为None。learning_rate
: 学习率,默认为1e-5。batch_size
: 批处理大小,请结合显存情况进行调整,若出现显存不足,请适当调低这一参数,默认为16。max_seq_len
: 文本最大切分长度,输入超过最大长度时会对输入文本进行自动切分,默认为512。num_epochs
: 训练轮数,默认为100。model
: 选择模型,程序会基于选择的模型进行模型微调,可选有uie-base
和uie-tiny
。seed
: 随机种子,默认为1000.logging_steps
: 日志打印的间隔steps数,默认为10。valid_steps
: evaluate的间隔steps数,默认为100。device
: 模型训练使用的设备,可选cpu或gpu。预测时使用的schema应与finetune阶段训练数据的schema保持一致以得到更好的效果。在语音报销工单信息录入场景下,
.wav
格式的音频文件,例如下载sample.wav放在./audios_wav/
目录下。时间
、出发地
、目的地
和费用
字段。具体命令如下python pipeline.py \
--api_key '4E1BG9lTnlSeIf1NQFlrxxxx' \
--secret_key '544ca4657ba8002e3dea3ac2f5fxxxxx' \
--audio_file ./audios_wav/sample.wav \
--uie_model ./checkpoint/model_best/ \
--schema '时间' '出发地' '目的地' '费用'
可配置参数包括
api_key
: BaiduAI开放平台上创建应用的API Key。secret_key
: BaiduAI开放平台上创建应用的Secret Key。audio_file
: .wav
格式音频文件路径。uie_model
: 预测使用的模型参数文件所在路径。默认为None,即使用通用的预训练UIE模型。schema
: 关键实体信息配置。默认为语音报销工单场景下的四个关键字段。在应用中提供了基于Web的部署Demo方案,支持用户在网页录入语音进行预测。用户可根据实际情况参考实现。
No Description
Python C++ Cuda Text Markdown other
Dear OpenI User
Thank you for your continuous support to the Openl Qizhi Community AI Collaboration Platform. In order to protect your usage rights and ensure network security, we updated the Openl Qizhi Community AI Collaboration Platform Usage Agreement in January 2024. The updated agreement specifies that users are prohibited from using intranet penetration tools. After you click "Agree and continue", you can continue to use our services. Thank you for your cooperation and understanding.
For more agreement content, please refer to the《Openl Qizhi Community AI Collaboration Platform Usage Agreement》