PaddleSpeech：基于流式语音合成的电表点读系统
使用onnx模型推理流式合成与端到端合成，实现电表读数和编号实时点读系统
·
0 背景介绍
流式语音合成模型是指可以在合成音频流的过程中，支持实时返回识别结果的一类TTS模型。与之相对的是非流式模型，它必须在处理完整句音频后才能返回结果。
显而易见，对于点读场景，使用流式语音合成可以大幅提升用户体验。
在之前的电表系列和点读系列项目中，我们使用的一直是非流式模型，这距离模型真实落地，显然还有不小差距。
这么做的原因是因为之前流式语音功能一直没能实现。现在，利用PaddleSpeech项目中，提供的强大的流式语音合成能力，通过ONNXRuntime，实现了流式语音模型的部署落地。
具体操作可以参考百度技术团队大佬的示例项目：
【PaddleSpeech】语音合成-onnx模型使用
在本文中，主要对上面的示例项目进行说明，并介绍改造、简化OpenVINO官方的PaddleOCR部署示例代码的方法，最终，结合之前打造的点读机API，完成一个完成的电表视频流读数和编号识别系统。
废话不多说，先上效果图和演示视频。
from IPython.display import Video
Video('2022-07-12 14-17-19.mkv')
video element.
0.1 参考资料
电表全系列
（主线篇）
- PPOCR：多类别电表读数识别
- PPOCR：使用TextRender进行电表编号识别的finetune
- 电表读数识别：数据集补充解决方案对比（TextRender和StyleText）
- 数据标注懒人包：PPOCRLabel极速增强版——以电表识别为例（二）
- 【PaddlePaddle+OpenVINO】电表检测识别模型的部署
- 【PaddlePaddle+OpenVINO】打造一个会发声的电表检测识别器
- 基于PP-OCRv3的电表检测识别
（众人拾柴——应用篇）
（番外篇）
点读全系列
ONNX部署
1 环境准备
参考下面在AI Studio上的操作，在本地安装PaddleSpeech环境，并准备好onnx部署模型。
# 安装PaddleSpeech
!git clone https://gitee.com/paddlepaddle/PaddleSpeech.git
# 进入PaddleSpeech目录
%cd PaddleSpeech
# 安装依赖环境
!pip install pytest-runner
# 需要本地安装
# !pip install openvino==2022.1.0
!pip install .
# 下载模型并解压缩
%cd /home/aistudio/work
!wget https://paddlespeech.bj.bcebos.com/Parakeet/released_models/fastspeech2/fastspeech2_cnndecoder_csmsc_streaming_onnx_1.0.0.zip
!wget https://paddlespeech.bj.bcebos.com/Parakeet/released_models/mb_melgan/mb_melgan_csmsc_onnx_0.2.0.zip
!unzip fastspeech2_cnndecoder_csmsc_streaming_onnx_1.0.0.zip
!unzip mb_melgan_csmsc_onnx_0.2.0.zip
# 下载nltk数据包，如果项目中有就不用下载了
%cd /home/aistudio
!wget -P data https://paddlespeech.bj.bcebos.com/Parakeet/tools/nltk_data.tar.gz
!tar zxvf data/nltk_data.tar.gz
2 模型介绍
2.1 语音合成基本知识
语音合成流水线包含 文本前端（Text Frontend） 、声学模型（Acoustic Model） 和 声码器（Vocoder） 三个主要模块:
- 通过文本前端模块将原始文本转换为字符/音素。
- 通过声学模型将字符/音素转换为声学特征，如线性频谱图、mel 频谱图、LPC 特征等。
- 通过声码器将声学特征转换为波形。
语音合成基本流程如下图所示：
本文使用的是基于 FastSpeech2 声学模型和 MelGAN 声码器的中文流式语音合成系统：
- 文本前端：采用基于规则的中文文本前端系统，对文本正则、多音字、变调等中文文本场景进行了优化。
- 声学模型：对 FastSpeech2 模型的 Decoder 进行改进，使其可以流式合成
- 声码器：支持对 GAN Vocoder 的流式合成
- 推理引擎：使用 ONNXRuntime 推理引擎优化模型推理性能，使得语音合成系统在低压 CPU 上也能达到 RTF<1，满足流式合成的要求。
具体的模型运行过程可以参考项目【PaddleSpeech】语音合成-onnx模型使用，这里不再重复介绍。
2.2 文本前端（Text Frontend）
一个文本前端模块主要包含:
- 分段（Text Segmentation）
- 文本正则化（Text Normalization, TN）
- 分词（Word Segmentation, 主要是在中文中）
- 词性标注（Part-of-Speech, PoS）
- 韵律预测（Prosody）
- 字音转换（Grapheme-to-Phoneme，G2P） （Grapheme: 语言书写系统的最小有意义单位; Phoneme: 区分单词的最小语音单位）
- 多音字（Polyphone）
- 变调（Tone Sandhi）
- “一”、“不”变
- 三声变调
- 轻声变调
- 儿化音
- 方言
- …
（输入给声学模型之前，还需要把音素序列转换为 id）
其中最重要的模块是 文本正则化 模块和 字音转换（TTS 中更常用 G2P 代指） 模块。
PaddleSpeech Text-to-Speech的文本前端解决方案:
2.3 声学模型（Acoustic Model）
声学模型将字符/音素转换为声学特征，如线性频谱图、mel 频谱图、LPC 特征等，声学特征以 “帧” 为单位，一般一帧是 10ms 左右，一个音素一般对应 5~20 帧左右, 声学模型需要解决的是 “不等长序列间的映射问题”，“不等长”是指，同一个人发不同音素的持续时间不同，同一个人在不同时刻说同一句话的语速可能不同，对应各个音素的持续时间不同，不同人说话的特色不同，对应各个音素的持续时间不同。这是一个困难的“一对多”问题。
声学模型主要分为自回归模型和非自回归模型，其中自回归模型在 t 时刻的预测需要依赖 t-1 时刻的输出作为输入，预测时间长，但是音质相对较好，非自回归模型不存在预测上的依赖关系，预测时间快，音质相对较差。
主流声学模型发展的脉络:
- 自回归模型:
- Tacotron
- Tacotron2
- Transformer TTS
- 非自回归模型:
- FastSpeech
- SpeedySpeech
- FastPitch
- FastSpeech2
- …
在本文中，我们使用 FastSpeech2 作为声学模型。
PaddleSpeech TTS 实现的 FastSpeech2 与论文不同的地方在于，使用的是 phone 级别的 pitch 和 energy(与 FastPitch 类似)，这样的合成结果可以更加稳定。
2.4 声码器（Vocoder）
声码器将声学特征转换为波形。声码器需要解决的是 “信息缺失的补全问题”。信息缺失是指，在音频波形转换为频谱图的时候，存在相位信息的缺失，在频谱图转换为 mel 频谱图的时候，存在频域压缩导致的信息缺失；假设音频的采样率是16kHZ, 一帧的音频有 10ms，也就是说，1s 的音频有 16000 个采样点，而 1s 中包含 100 帧，每一帧有 160 个采样点，声码器的作用就是将一个频谱帧变成音频波形的 160 个采样点，所以声码器中一般会包含上采样模块。
与声学模型类似，声码器也分为自回归模型和非自回归模型, 更细致的分类如下:
- Autoregression
- WaveNet
- WaveRNN
- LPCNet
- Flow
- WaveFlow
- WaveGlow
- FloWaveNet
- Parallel WaveNet
- GAN
- WaveGAN
- Parallel WaveGAN
- MelGAN
- Style MelGAN
- Multi Band MelGAN
- HiFi GAN
- VAE
- Wave-VAE
- Diffusion
- WaveGrad
- DiffWave
2.5 PaddleSpeech模型列表
选择PaddleSpeech提供的语音合成模型时，要注意对应的训练集。比如在CSMCS数据集上训练的，就是中文语音合成模型，在ljspeech数据集上训练的，则是英文语音合成模型。
2.5.1 声学模型 Acoustic Models
2.5.2 声码器 Vocoders
组织好预训练模型的情况下，在本地运行项目提供的流式语音合成脚本streaming_tts.py，如果本地的声卡环境支持，就能听到PaddleSpeech合成的语音了。
# 运行代码需要本地环境
import onnxruntime as ort
import math
import time
import numpy as np
import pyaudio
import soundfile as sf
from paddlespeech.server.utils.util import denorm, get_chunks
from paddlespeech.server.utils.audio_process import float2pcm
from paddlespeech.t2s.frontend.zh_frontend import Frontend
voc_block = 36
voc_pad = 14
am_block = 72
am_pad = 12
voc_upsample = 300
# 配置文本前端
phones_dict = "fastspeech2_cnndecoder_csmsc_streaming_onnx_1.0.0/phone_id_map.txt"
frontend = Frontend(
phone_vocab_path=phones_dict,
tone_vocab_path=None)
am_stat_path = r"fastspeech2_cnndecoder_csmsc_streaming_onnx_1.0.0/speech_stats.npy"
am_mu, am_std = np.load(am_stat_path)
# 模型路径
onnx_am_encoder = "fastspeech2_cnndecoder_csmsc_streaming_onnx_1.0.0/fastspeech2_csmsc_am_encoder_infer.onnx"
onnx_am_decoder = "fastspeech2_cnndecoder_csmsc_streaming_onnx_1.0.0/fastspeech2_csmsc_am_decoder.onnx"
onnx_am_postnet = "fastspeech2_cnndecoder_csmsc_streaming_onnx_1.0.0/fastspeech2_csmsc_am_postnet.onnx"
onnx_voc_melgan = "mb_melgan_csmsc_onnx_0.2.0/mb_melgan_csmsc.onnx"
# 用CPU推理
providers = ['CPUExecutionProvider']
# 配置ort session
sess_options = ort.SessionOptions()
# 加载模型，创建Onnxruntime Session
am_encoder_infer_sess = ort.InferenceSession(onnx_am_encoder, providers=providers, sess_options=sess_options)
am_decoder_sess = ort.InferenceSession(onnx_am_decoder, providers=providers, sess_options=sess_options)
am_postnet_sess = ort.InferenceSession(onnx_am_postnet, providers=providers, sess_options=sess_options)
voc_melgan_sess = ort.InferenceSession(onnx_voc_melgan, providers=providers, sess_options=sess_options)
def depadding(data, chunk_num, chunk_id, block, pad, upsample):
"""
Streaming inference removes the result of pad inference
"""
front_pad = min(chunk_id * block, pad)
# first chunk
if chunk_id == 0:
data = data[:block * upsample]
# last chunk
elif chunk_id == chunk_num - 1:
data = data[front_pad * upsample:]
# middle chunk
else:
data = data[front_pad * upsample:(front_pad + block) * upsample]
return data
def inference_stream(text):
input_ids = frontend.get_input_ids(
text,
merge_sentences=False,
get_tone_ids=False)
phone_ids = input_ids["phone_ids"]
for i in range(len(phone_ids)):
part_phone_ids = phone_ids[i].numpy()
voc_chunk_id = 0
orig_hs = am_encoder_infer_sess.run(
None, input_feed={'text': part_phone_ids})
orig_hs = orig_hs[0]
# streaming voc chunk info
mel_len = orig_hs.shape[1]
voc_chunk_num = math.ceil(mel_len / voc_block)
start = 0
end = min(voc_block + voc_pad, mel_len)
# streaming am
hss = get_chunks(orig_hs, am_block, am_pad, "am")
am_chunk_num = len(hss)
for i, hs in enumerate(hss):
am_decoder_output = am_decoder_sess.run(
None, input_feed={'xs': hs})
am_postnet_output = am_postnet_sess.run(
None,
input_feed={
'xs': np.transpose(am_decoder_output[0], (0, 2, 1))
})
am_output_data = am_decoder_output + np.transpose(
am_postnet_output[0], (0, 2, 1))
normalized_mel = am_output_data[0][0]
sub_mel = denorm(normalized_mel, am_mu,
am_std)
sub_mel = depadding(sub_mel, am_chunk_num, i,
am_block, am_pad, 1)
if i == 0:
mel_streaming = sub_mel
else:
mel_streaming = np.concatenate(
(mel_streaming, sub_mel), axis=0)
# streaming voc
# 当流式AM推理的mel帧数大于流式voc推理的chunk size，开始进行流式voc 推理
while (mel_streaming.shape[0] >= end and
voc_chunk_id < voc_chunk_num):
voc_chunk = mel_streaming[start:end, :]
sub_wav = voc_melgan_sess.run(
output_names=None, input_feed={'logmel': voc_chunk})
sub_wav = depadding(
sub_wav[0], voc_chunk_num, voc_chunk_id,
voc_block, voc_pad, voc_upsample)
yield sub_wav
voc_chunk_id += 1
start = max(
0, voc_chunk_id * voc_block - voc_pad)
end = min(
(voc_chunk_id + 1) * voc_block + voc_pad,
mel_len)
if __name__ == '__main__':
text = "欢迎使用飞桨语音合成系统，测试一下合成效果。"
# warm up
# onnxruntime 第一次时间会长一些，建议先warmup一下
for sub_wav in inference_stream(text="哈哈哈哈"):
continue
# pyaudio 播放
p = pyaudio.PyAudio()
stream = p.open(format = p.get_format_from_width(2), # int16
channels = 1,
rate = 24000,
output = True)
# 计时
wavs = []
t1 = time.time()
for sub_wav in inference_stream(text):
print("响应时间：", time.time() - t1)
t1 = time.time()
wavs.append(sub_wav.flatten())
wav = float2pcm(sub_wav) # float32 to int16
wav_bytes = wav.tobytes() # to bytes
stream.write(wav_bytes)
# 关闭 pyaudio播放器
stream.stop_stream()
stream.close()
p.terminate()
# 流式合成的结果导出
wav = np.concatenate(wavs)
print(wav.shape)
sf.write("demo_stream.wav",data=wav, samplerate=24000)
3 电表读数检测识别流式点读系统
该系统高度依赖于前置项目，比如电表检测识别模型（PPOCR-v2版）来自于【PaddlePaddle+OpenVINO】电表检测识别模型的部署项目，并对该项目的OCR识别过程进行了大幅简化；前端GUI设计来自于手把手教你快速打造一个AI识物点读机项目，直接继承了该项目调用摄像头、加载视频的功能，并将该项目的非流式语音合成系统替换为流式语音。
下面介绍下几处核心代码。
3.1 PaddleOCR+OpenVINO的单图识别
在OpenVINO的官方示例教程中，PaddleOCR with OpenVINO的notebook是405-paddle-ocr-webcam，这是一个输入视频流的项目，但是高度耦合在原项目中。我们需要自己设计GUI前端，比较好的办法就是先把代码拆掉，只留下单图的OCR识别能力就行。
具体做法就是把不必要的层级，如try:……全删掉，并且将传入的视频帧frame替换成单张图片。核心代码实现如下：
def run_paddle_ocr(img_path):
text_list = ['测试效果']
processing_times = collections.deque()
det_request = det_compiled_model.create_infer_request()
test_pic = cv2.imread(img_path)
test_image = image_preprocess(test_pic, 1600)
# measure processing time for text detection
start_time = time.time()
# perform the inference step
det_request.infer(inputs={det_input_layer.any_name: test_image})
det_results = det_request.get_tensor(det_output_layer).data
stop_time = time.time()
# Postprocessing for Paddle Detection
ori_im = test_pic.copy()
data = {'image': test_pic}
data_resize = processing.DetResizeForTest(data)
data_list = []
keep_keys = ['image', 'shape']
for key in keep_keys:
data_list.append(data_resize[key])
img, shape_list = data_list
shape_list = np.expand_dims(shape_list, axis=0)
pred = det_results[0]
if isinstance(pred, paddle.Tensor):
pred = pred.numpy()
segmentation = pred > 0.3
boxes_batch = []
for batch_index in range(pred.shape[0]):
src_h, src_w, ratio_h, ratio_w = shape_list[batch_index]
mask = segmentation[batch_index]
boxes, scores = processing.boxes_from_bitmap(pred[batch_index], mask,src_w, src_h)
boxes_batch.append({'points': boxes})
post_result = boxes_batch
dt_boxes = post_result[0]['points']
dt_boxes = processing.filter_tag_det_res(dt_boxes, ori_im.shape)
processing_times.append(stop_time - start_time)
# use processing times from last 200 frames
if len(processing_times) > 400:
processing_times.popleft()
processing_time_det = np.mean(processing_times) * 1000
# Preprocess detection results for recognition
dt_boxes = processing.sorted_boxes(dt_boxes)
img_crop_list = []
if dt_boxes != []:
for bno in range(len(dt_boxes)):
tmp_box = copy.deepcopy(dt_boxes[bno])
img_crop = processing.get_rotate_crop_image(ori_im, tmp_box)
img_crop_list.append(img_crop)
# Recognition starts from here
img_num = len(img_crop_list)
# Calculate the aspect ratio of all text bars
width_list = []
for img in img_crop_list:
width_list.append(img.shape[1] / float(img.shape[0]))
# Sorting can speed up the recognition process
indices = np.argsort(np.array(width_list))
rec_res = [['', 0.0]] * img_num
batch_num = 4
# For each detected text box, run inference for text recognition
for beg_img_no in range(0, img_num, batch_num):
end_img_no = min(img_num, beg_img_no + batch_num)
norm_img_batch = []
max_wh_ratio = 0
for ino in range(beg_img_no, end_img_no):
h, w = img_crop_list[indices[ino]].shape[0:2]
wh_ratio = w * 1.0 / h
max_wh_ratio = max(max_wh_ratio, wh_ratio)
for ino in range(beg_img_no, end_img_no):
norm_img = resize_norm_img(img_crop_list[indices[ino]],max_wh_ratio)
norm_img = norm_img[np.newaxis, :]
norm_img_batch.append(norm_img)
norm_img_batch = np.concatenate(norm_img_batch)
norm_img_batch = norm_img_batch.copy()
# Run inference for text recognition
rec_request = rec_compiled_model.create_infer_request()
rec_request.infer(inputs={rec_input_layer.any_name: norm_img_batch})
rec_results = rec_request.get_tensor(rec_output_layer).data
# Postprocessing recognition results
postprocess_op = processing.build_post_process(processing.postprocess_params)
rec_result = postprocess_op(rec_results)
for rno in range(len(rec_result)):
rec_res[indices[beg_img_no + rno]] = rec_result[rno]
# Text recognition results, rec_res, include two parts:
# txts are the recognized text results, scores are the recognition confidence level
if rec_res != []:
image = Image.fromarray(cv2.cvtColor(test_pic, cv2.COLOR_BGR2RGB))
boxes = dt_boxes
txts = [rec_res[i][0] for i in range(len(rec_res)) if rec_res[i][1]>0.3]
scores = [rec_res[i][1] for i in range(len(rec_res))]
# draw text recognition results beside the image
draw_img = processing.draw_ocr_box_txt(
image,
boxes,
txts,
scores,
drop_score=0.3)
# Visualize PPOCR results
_, f_width = draw_img.shape[:2]
fps = 1000 / processing_time_det
cv2.putText(img=draw_img, text=f"OpenVINO Inference time: {processing_time_det:.1f}ms ({fps:.1f} FPS)",
org=(20, 40),fontFace=cv2.FONT_HERSHEY_COMPLEX, fontScale=f_width / 1000,
color=(0, 0, 255), thickness=1, lineType=cv2.LINE_AA)
draw_img = cv2.cvtColor(draw_img, cv2.COLOR_RGB2BGR)
cv2.imwrite('test.jpg', draw_img)
for i in range(len(txts)):
if len(txts[i])>8:
txts[i] = '电表编号是' + str(txts[i])
else:
txts[i] = '电表读数是' + str(txts[i])
print(txts)
if len(txts) > 0:
text_list = txts
return text_list
在点读系统中，上面这段核心代码还需继续改造，不仅要输出识别结果，还要将合成的图片一并返回：
def run_paddle_ocr(frame):
text_list = ['测试效果']
processing_times = collections.deque()
det_request = det_compiled_model.create_infer_request()
test_image = image_preprocess(frame, 1600)
# measure processing time for text detection
start_time = time.time()
# perform the inference step
det_request.infer(inputs={det_input_layer.any_name: test_image})
det_results = det_request.get_tensor(det_output_layer).data
stop_time = time.time()
# Postprocessing for Paddle Detection
ori_im = frame.copy()
data = {'image': frame}
data_resize = processing.DetResizeForTest(data)
data_list = []
keep_keys = ['image', 'shape']
for key in keep_keys:
data_list.append(data_resize[key])
img, shape_list = data_list
shape_list = np.expand_dims(shape_list, axis=0)
pred = det_results[0]
if isinstance(pred, paddle.Tensor):
pred = pred.numpy()
segmentation = pred > 0.3
boxes_batch = []
for batch_index in range(pred.shape[0]):
src_h, src_w, ratio_h, ratio_w = shape_list[batch_index]
mask = segmentation[batch_index]
boxes, scores = processing.boxes_from_bitmap(pred[batch_index], mask,src_w, src_h)
boxes_batch.append({'points': boxes})
post_result = boxes_batch
dt_boxes = post_result[0]['points']
dt_boxes = processing.filter_tag_det_res(dt_boxes, ori_im.shape)
processing_times.append(stop_time - start_time)
# use processing times from last 200 frames
if len(processing_times) > 400:
processing_times.popleft()
processing_time_det = np.mean(processing_times) * 1000
# Preprocess detection results for recognition
dt_boxes = processing.sorted_boxes(dt_boxes)
img_crop_list = []
if dt_boxes != []:
for bno in range(len(dt_boxes)):
tmp_box = copy.deepcopy(dt_boxes[bno])
img_crop = processing.get_rotate_crop_image(ori_im, tmp_box)
img_crop_list.append(img_crop)
# Recognition starts from here
img_num = len(img_crop_list)
# Calculate the aspect ratio of all text bars
width_list = []
for img in img_crop_list:
width_list.append(img.shape[1] / float(img.shape[0]))
# Sorting can speed up the recognition process
indices = np.argsort(np.array(width_list))
rec_res = [['', 0.0]] * img_num
batch_num = 4
# For each detected text box, run inference for text recognition
for beg_img_no in range(0, img_num, batch_num):
end_img_no = min(img_num, beg_img_no + batch_num)
norm_img_batch = []
max_wh_ratio = 0
for ino in range(beg_img_no, end_img_no):
h, w = img_crop_list[indices[ino]].shape[0:2]
wh_ratio = w * 1.0 / h
max_wh_ratio = max(max_wh_ratio, wh_ratio)
for ino in range(beg_img_no, end_img_no):
norm_img = resize_norm_img(img_crop_list[indices[ino]],max_wh_ratio)
norm_img = norm_img[np.newaxis, :]
norm_img_batch.append(norm_img)
norm_img_batch = np.concatenate(norm_img_batch)
norm_img_batch = norm_img_batch.copy()
# Run inference for text recognition
rec_request = rec_compiled_model.create_infer_request()
rec_request.infer(inputs={rec_input_layer.any_name: norm_img_batch})
rec_results = rec_request.get_tensor(rec_output_layer).data
# Postprocessing recognition results
postprocess_op = processing.build_post_process(processing.postprocess_params)
rec_result = postprocess_op(rec_results)
for rno in range(len(rec_result)):
rec_res[indices[beg_img_no + rno]] = rec_result[rno]
# Text recognition results, rec_res, include two parts:
# txts are the recognized text results, scores are the recognition confidence level
if rec_res != []:
image = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
boxes = dt_boxes
txts = [rec_res[i][0] for i in range(len(rec_res)) if rec_res[i][1]>0.3]
scores = [rec_res[i][1] for i in range(len(rec_res))]
# draw text recognition results beside the image
draw_img = processing.draw_ocr_box_txt(
image,
boxes,
txts,
scores,
drop_score=0.3)
# Visualize PPOCR results
_, f_width = draw_img.shape[:2]
fps = 1000 / processing_time_det
draw_img = cv2.cvtColor(draw_img, cv2.COLOR_RGB2BGR)
draw_img = cv2.resize(draw_img, (800, 600))
draw_img = cv2.putText(img=draw_img, text=f"OpenVINO Infer time: {processing_time_det:.1f}ms ({fps:.1f} FPS)",
org=(10, 100),fontFace=cv2.FONT_HERSHEY_COMPLEX, fontScale=1.0,
color=(0, 0, 255), thickness=1, lineType=cv2.LINE_AA)
cv2.imwrite('test.jpg', draw_img)
for i in range(len(txts)):
if len(txts[i])>8:
txts[i] = '电表编号是' + str(txts[i])
else:
txts[i] = '电表读数是' + str(txts[i])
print(txts)
if len(txts) > 0:
text_list = txts
return text_list, draw_img
3.2 流式语音合成与PaddleOCR识别结果的串联
对于流式语音合成任务，输入的是一串文字，但我们需要注意的是，PaddleOCR识别输出的结果是list。这里面有个简单的处理，就是去遍历这个list，然后用标点分割，把它们串成一串文字。
text_list = run_paddle_ocr('data/IMG_20210727_091835.jpg')
a = ','
text = a.join(text_list)
3.3 流式语音合成串入点读机
关键代码如下：
# 判断点读事件是否已触发
if True == self.readEvent.is_set():
save_time = str(int(time.time()))
frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
cv2.imwrite('output_%s.jpg' % save_time, frame)
# text_list = run_paddle_ocr('data/IMG_20210727_091835.jpg')
a = ','
text = a.join(text_list)
for sub_wav in inference_stream(text="哈哈哈哈"):
continue
# pyaudio 播放
p = pyaudio.PyAudio()
stream = p.open(format = p.get_format_from_width(2), # int16
channels = 1,
rate = 24000,
output = True)
# 计时
wavs = []
t1 = time.time()
for sub_wav in inference_stream(text):
print("响应时间：", time.time() - t1)
t1 = time.time()
wavs.append(sub_wav.flatten())
wav = float2pcm(sub_wav) # float32 to int16
wav_bytes = wav.tobytes() # to bytes
stream.write(wav_bytes)
# 关闭 pyaudio播放器
stream.stop_stream()
stream.close()
p.terminate()
# 流式合成的结果导出
wav = np.concatenate(wavs)
print(wav.shape)
sf.write("output_%s.wav" % save_time,data=wav, samplerate=24000)
4 小结
本项目介绍了基于PaddleSpeech流式语音合成模型ONNX部署实现的电表检测识别点读系统，读者可在本地Windows环境自行使用，代码请查看项目的SpotReads-OCR.zip文件。
设想我们把系统在Intel AIBOX上运行，如果有一台巡检机器人，用户就可以通过后台只会，等到摄像头定位准确的时候，点读（或保存）电表读数和编号识别结果，记录下目标电表的信息，然后让机器人“赶赴”下一台电表，进而实现“无人现场”的抄表场景——吹吹空调就能完成任务，不错吧~
至此，电表系列项目的核心优化点又回到了模型效果上，是时候标一波数据了~
配合PaddleOCR-v3，读者可以期待点读系统的下一次升级~
此处仅为搬运，原作链接：https://aistudio.baidu.com/aistudio/projectdetail/4324411
学大模型，用大模型上飞桨星河社区！每天8点V100G算力免费领！免费领取ERNIE 4.0 100w Token >>>
更多推荐
0
0- 0
已为社区贡献1438条内容
所有评论(0)