SenseVoice项目ONNX模型导出与推理的技术解析

SenseVoice作为一款先进的语音处理框架，其ONNX模型导出功能对于生产环境部署至关重要。本文将深入分析该框架在模型导出过程中遇到的技术问题及其解决方案。

ONNX导出过程中的关键问题

在SenseVoice项目的模型导出环节，开发者遇到了两个典型的技术挑战：

1. 设备参数传递问题：在export_meta.py脚本中，原始代码尝试通过kwargs["device"]获取设备信息，但实际调用时并未正确传递该参数，导致导出失败。临时解决方案是注释掉相关设备转换代码行。

2. 张量维度不匹配：文本规范化查询(textnorm_query)和语言查询(language_query)需要额外处理才能与其他张量正确拼接。具体表现为：

   • 需要对textnorm_query进行unsqueeze操作以增加第二维度
   • language_query同样需要unsqueeze处理

技术解决方案详解

针对上述问题，我们推荐以下技术实现方案：

def export_forward(
    self,
    speech: torch.Tensor,
    speech_lengths: torch.Tensor,
    language: torch.Tensor,
    textnorm: torch.Tensor,
    **kwargs,
):
    # 移除设备转换代码，避免参数缺失错误
    language_query = self.embed(language).to(speech.device)
    
    # 维度调整确保张量可拼接
    textnorm_query = self.embed(textnorm).to(speech.device)
    textnorm_query = torch.unsqueeze(textnorm_query, dim=1)
    speech = torch.cat((textnorm_query, speech), dim=1)
    speech_lengths += 1
    
    # 事件情感查询处理
    event_emo_query = self.embed(torch.LongTensor([[1, 2]]).to(speech.device)).repeat(
        speech.size(0), 1, 1
    )
    language_query = torch.unsqueeze(language_query, dim=1)
    input_query = torch.cat((language_query, event_emo_query), dim=1)
    speech = torch.cat((input_query, speech), dim=1)
    speech_lengths += 3
    
    # 编码器处理
    encoder_out, encoder_out_lens = self.encoder(speech, speech_lengths)
    if isinstance(encoder_out, tuple):
        encoder_out = encoder_out[0]
    
    # CTC输出
    ctc_logits = self.ctc.log_softmax(encoder_out)
    
    return ctc_logits, encoder_out_lens

ONNX推理支持现状

SenseVoice项目目前已经完善了对ONNX和LibTorch格式的支持，开发者可以直接使用这些格式的模型进行推理部署。这种标准化格式的支持极大地方便了模型在不同平台和环境中的迁移使用。

最佳实践建议

1. 模型导出前：务必检查所有张量的维度是否匹配，特别是需要进行拼接操作的张量
2. 设备处理：避免在导出函数中硬编码设备转换，保持设备一致性
3. 版本兼容性：确保使用的funasr_onnx库版本与SenseVoice项目要求相匹配

通过理解这些技术细节，开发者可以更顺利地完成SenseVoice模型的导出和部署工作，充分发挥该框架在语音处理领域的强大能力。