MaixCAM MaixPy 关键词识别

2024-10-08

更新历史

日期	版本	作者	更新内容
2024-10-08	1.0.0	916BGAI	初版文档

简介

MaixCAM 移植了 Maix-Speech 离线语音库，实现了连续中文数字识别、关键词识别以及大词汇量语音识别功能。支持 PCM 和 WAV 格式的音频识别，且可通过板载麦克风进行输入识别。

Maix-Speech

Maix-Speech 是一款专为嵌入式环境设计的离线语音识别库，针对语音识别算法进行了深度优化，显著降低内存占用，同时在识别准确率方面表现优异。详细说明请参考 Maix-Speech 使用文档。

关键词识别

from maix import app, nn

speech = nn.Speech("/root/models/am_3332_192_int8.mud")
speech.init(nn.SpeechDevice.DEVICE_MIC)

kw_tbl = ['xiao3 ai4 tong2 xue2',
          'ni3 hao3',
          'tian1 qi4 zen3 me yang4']
kw_gate = [0.1, 0.1, 0.1]

def callback(data:list[float], len: int):
    for i in range(len):
        print(f"\tkw{i}: {data[i]:.3f};", end=' ')
    print("\n")

speech.kws(kw_tbl, kw_gate, callback, True)

while not app.need_exit():
    frames = speech.run(1)
    if frames < 1:
        print("run out\n")
        break

使用方法

导入 app 和 nn 模块

from maix import app, nn

加载声学模型

speech = nn.Speech("/root/models/am_3332_192_int8.mud")

也可以加载 am_7332 声学模型，模型越大精度越高但是消耗的资源也越大

选择对应的音频设备

speech.init(nn.SpeechDevice.DEVICE_MIC)
speech.init(nn.SpeechDevice.DEVICE_MIC, "hw:0,0")   # 指定音频输入设备

这里使用的是板载的麦克风，也选择 WAV 和 PCM 音频作为输入

speech.init(nn.SpeechDevice.DEVICE_WAV, "path/audio.wav")   # 使用 WAV 音频输入

speech.init(nn.SpeechDevice.DEVICE_PCM, "path/audio.pcm")   # 使用 PCM 音频输入

注意 WAV 需要是 16KHz 采样，S16_LE 存储格式，可以使用 arecord 工具转换

arecord -d 5 -r 16000 -c 1 -f S16_LE audio.wav

在 PCM/WAV 识别时，如果想要重新设置数据源，例如进行下一个WAV文件的识别可以使用 speech.device 方法，内部会自动进行缓存清除操作：

speech.device(nn.SpeechDevice.DEVICE_WAV, "path/next.wav")

设置解码器

kw_tbl = ['xiao3 ai4 tong2 xue2',
          'ni3 hao3',
          'tian1 qi4 zen3 me yang4']
kw_gate = [0.1, 0.1, 0.1]

def callback(data:list[float], len: int):
    for i in range(len):
        print(f"\tkw{i}: {data[i]:.3f};", end=' ')
    print("\n")

speech.kws(kw_tbl, kw_gate, callback, True)

用户可以同时设置多个解码器，kws 解码器用于输出最近一帧所有注册的关键词的概率列表，用户可以观察概率值，自行设定阈值进行唤醒。
设置 kws 解码器时需要设置 关键词列表，以拼音间隔空格填写，关键词概率门限表，按顺序排列输入即可，是否进行 自动近音处理，设置为 True 则会自动将不同声调的拼音作为近音词来合计概率。最后还要设置一个回调函数用于处理解码出的数据。
用户还可以使用 speech.similar 方法手工注册近音词，每个拼音可以注册最多 10 个近音词。（注意，使用该接口注册近音词会覆盖使能 自动近音处理 里自动生成的近音表）

similar_char = ['zhen3', 'zheng3']
speech.similar('zen3', similar_char)

如果不再需要使用某个解码器，可以通过调用 speech.dec_deinit 方法进行解除初始化。

speech.dec_deinit(nn.SpeechDecoder.DECODER_KWS)

识别

while not app.need_exit():
    frames = speech.run(1)
    if frames < 1:
        print("run out\n")
        break

使用 speech.run 方法运行语音识别，传入的参数为每次运行的帧数，返回实际运行的帧数。用户可以选择每次运行1帧后进行其他处理，或在一个线程中持续运行，使用外部线程进行停止。
若需清除已识别结果的缓存，可以使用 speech.clear 方法。
在识别过程中切换解码器，切换后的第一帧可能会出现识别错误。可以使用 speech.skip_frames(1) 跳过第一帧，确保后续结果准确。

识别结果

如果上述程序运行正常，对板载麦克风说话，会得到关键词识别结果，如：

kws log 2.048s, len 24
decoder_kws_init get 3 kws
  00, xiao3 ai4 tong2 xue2
  01, ni3 hao3
  02, tian1 qi4 zen3 me yang4
find shared memory(491520),  saved:491520
    kw0: 0.959; 	kw1: 0.000; 	kw2: 0.000;     # 小爱同学
    kw0: 0.000; 	kw1: 0.930; 	kw2: 0.000;     # 你好
    kw0: 0.000; 	kw1: 0.000; 	kw2: 0.961;     # 天气怎么样

连续中文数字识别

语音合成