115 lines
3.5 KiB
Markdown
115 lines
3.5 KiB
Markdown
# 微调
|
||
|
||
「简体中文」|「[English](finetune.md)」
|
||
|
||
## 安装训练环境
|
||
|
||
```
|
||
pip install funasr>=1.3.0
|
||
```
|
||
|
||
## 数据准备
|
||
|
||
数据格式需要包括如下几个字段：
|
||
|
||
```
|
||
head -n1 data/train_example.jsonl | jq
|
||
|
||
{
|
||
"messages": [
|
||
{
|
||
"role": "system",
|
||
"content": "You are a helpful assistant."
|
||
},
|
||
{
|
||
"role": "user",
|
||
"content": "语音转写：<|startofspeech|>!https://modelscope.cn/datasets/FunAudioLLM/funasr-demo/resolve/master/audios/IT0011W0002.wav<|endofspeech|>"
|
||
},
|
||
{
|
||
"role": "assistant",
|
||
"content": "几点了？"
|
||
}
|
||
],
|
||
"speech_length": 145,
|
||
"text_length": 3
|
||
}
|
||
```
|
||
|
||
详细可以参考：`data/train_example.jsonl`
|
||
|
||
数据准备细节介绍：
|
||
|
||
- system 的 content 固定为 `You are a helpful assistant.`
|
||
- user 的 content 包含了 prompt 和音频文件的路径（位于 `<|startofspeech|>!` 和 `<|endofspeech|>`之间）
|
||
- prompt 默认为`语音转写：`和`Speech transcription: `
|
||
- 可以结合对应的语种为`语音转写成英文：`和`Transcribe speech into Chinese: `
|
||
- 当音频文件对应的文本标注不含阿拉伯数字或者标点符号时，可以使用`语音转写，不进行文本规整：`和 `Speech transcription without text normalization: `
|
||
- assistant 的 content 对应音频文件对应的文本标注
|
||
- speech_length：音频文件的 fbank 帧数（一帧 10ms）
|
||
- text_length：音频文件标注文本的 token 数 (用 `Qwen/Qwen3-0.6B` 编码)
|
||
|
||
我们提供了数据格式转换工具 `scp2jsonl.py`，可以将常见的语音识别训练数据格式 wav scp 和 transcription 转成 ChatML 格式。
|
||
|
||
`train_wav.scp`
|
||
|
||
左边为数据唯一 ID，需与 `train_text.txt` 中的 ID 一一对应 右边为音频文件的路径，格式如下
|
||
|
||
```
|
||
BAC009S0764W0121 https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/BAC009S0764W0121.wav
|
||
BAC009S0916W0489 https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/BAC009S0916W0489.wav
|
||
```
|
||
|
||
`train_text.txt`
|
||
|
||
左边为数据唯一 ID，需与 `train_wav.scp` 中的 ID 一一对应 右边为音频文件标注文本，格式如下：
|
||
|
||
```
|
||
BAC009S0764W0121 甚至出现交易几乎停滞的情况
|
||
BAC009S0916W0489 湖北一公司以员工名义贷款数十员工负债千万
|
||
```
|
||
|
||
```
|
||
python tools/scp2jsonl.py \
|
||
++scp_file=data/train_wav.scp \
|
||
++transcript_file=data/train_text.txt \
|
||
++jsonl_file=data/train_example.jsonl
|
||
```
|
||
|
||
## 启动训练
|
||
|
||
修改 `finetune.sh` 中的 `audio_encoder_conf.freeze`, `audio_adaptor_conf.freeze` 和 `llm_conf.freeze`。
|
||
|
||
将需要微调的模块 `freeze` 设置成 `false`（默认只微调 llm）。
|
||
|
||
更多参数细节参考：[SenseVoice 模型训练与测试](https://github.com/modelscope/FunASR/blob/main/docs/tutorial/README_zh.md#%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83%E4%B8%8E%E6%B5%8B%E8%AF%95)
|
||
|
||
```
|
||
bash finetune.sh
|
||
```
|
||
|
||
### 推荐配置
|
||
|
||
- 训练数据少于 1000 小时，建议微调 audio_adaptor
|
||
- 训练数据少于 5000 小时，建议微调 audio_encoder 和 audio_adaptor
|
||
- 训练数据大于 10000 小时，建议全量参数微调
|
||
|
||
## 模型评测
|
||
|
||
当模型微调结束后，可以使用 decode.py 脚本对模型进行解码：
|
||
|
||
```
|
||
python decode.py \
|
||
++model_dir=/path/to/finetuned \
|
||
++scp_file=data/val_wav.scp \
|
||
++output_file=output.txt
|
||
```
|
||
|
||
解码结束后，需要对标注和识别结果做文本逆归一化，然后计算 WER：
|
||
|
||
```
|
||
python tools/whisper_mix_normalize.py data/val_text.txt data/val_norm.txt
|
||
python tools/whisper_mix_normalize.py output.txt output_norm.txt
|
||
compute-wer data/val_norm.txt output_norm.txt cer.txt
|
||
tail -n8 cer.txt
|
||
```
|