OSUM：告别ASR单一功能，西工大开源的语音大模型会「读心」！识别+情感分析+年龄预测等8大任务1个模型全搞定

2025-02-22 962

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： OSUM 是西北工业大学开发的开源语音理解模型，支持语音识别、情感分析、说话者性别分类等多种任务，基于 ASR+X 训练策略，具有高效和泛化能力强的特点。

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦

🎙️ “还在用Whisper单纯转文字？西工大开源模型让语音会「读心」：语音识别+情绪识别+说话人分析+年龄预测等8大任务自由切换！”

大家好，我是蚝油菜花。当你还在为这些场景头疼时——

👉 客服录音分析要跑3个模型：先转文字，再情感分析，最后统计性别比例
👉 医疗问诊录音转录后，还要手动标记咳嗽声和患者情绪波动
👉 语音助手指令识别准确，却听不懂用户语气中的紧急程度...

西北工业大学音频实验室刚刚开源的 OSUM模型，正在重新定义语音理解！这个基于Whisper+Qwen2的「多面手」，单次推理即可输出带情感标签、说话人属性的转录文本。开发者实测显示，在智能客服场景中处理效率提升400%，错误率降低62%——这可能是2025年最实用的语音处理基础设施。

🚀 快速阅读

OSUM 是一款结合 Whisper 编码器和 Qwen2 LLM 的开源语音理解模型。

核心功能：支持语音识别、情感分析、说话者性别分类等多任务处理。
技术原理：采用 ASR+X 多任务训练策略，通过模态对齐优化提升泛化能力。

OSUM 是什么

OSUM（Open Speech Understanding Model）是由西北工业大学计算机学院音频、语音与语言处理研究组开发的开源语音理解模型。它结合了 Whisper 编码器和 Qwen2 LLM，旨在探索学术资源有限条件下语音理解模型的潜力。

OSUM 基于“ASR+X”多任务训练策略，利用约 5 万小时的多样化语音数据进行训练，在中文语音识别和多任务泛化能力方面表现优异。该模型不仅支持多种语音任务，还强调透明性，提供了公开的数据准备和训练方法，为学术界提供了宝贵的参考。

OSUM 的主要功能

OSUM-radar

语音识别：将语音转换为文本，支持多种语言和方言。
带时间戳的语音识别：输出每个单词或短语的时间起止点。
语音事件检测：识别特定事件如笑声、咳嗽、背景噪音等。
语音情感识别：分析语音中的情感状态（如高兴、悲伤、愤怒等）。
说话风格识别：判断说话者的风格（如新闻播报、客服对话、日常口语等）。
说话者性别分类：预测说话者的性别（男性或女性）。
说话者年龄预测：估计说话者的年龄范围（如儿童、成年人、老年人）。
语音转文本聊天：将语音输入转化为自然语言回复，用于对话系统。

OSUM 的技术原理

OSUM

Speech Encoder：使用 Whisper-Medium 模型（769M 参数），负责将语音信号编码为特征向量。
Adaptor：包含 3 层卷积和 4 层 Transformer，适配语音特征与语言模型输入。
LLM（语言模型）：基于 Qwen2-7B-Instruct，使用 LoRA（Low-Rank Adaptation）微调以适应多任务需求。
多任务训练策略：采用 ASR+X 训练范式，同时优化语音识别任务和附加任务（如情感识别、性别分类等）。
自然语言 Prompt：通过不同的提示引导模型执行不同任务。

如何运行 OSUM

准备环境

在开始之前，请确保您的 Python 环境已经准备好。以下是推荐的操作流程。我们假设您已经在计算机上安装了 Conda 软件。如果没有，请参考：Linux 上 Miniconda 一键安装。我们强烈建议您在 Linux 系统的计算机上运行我们的代码。

Linux 上 Miniconda 一键安装：https://blog.csdn.net/qq_41636123/article/details/130266232

# 创建一个新的 Conda 环境
conda create -n OSUM python=3.10
# 激活新创建的环境
conda activate OSUM
# 下载我们的代码并安装所需的 Python 包
git clone https://github.com/ASLP-lab/OSUM.git
cd OSUM
# 如果您在 GPU 上进行训练，请首先删除 requirements.txt 中的 torch_npu 条目。如果您使用的是 NPU，则无需操作。
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

推理

首先，让我们看看如何执行推理。主要使用文件：OSUM/examples/osum/infer.sh

下载检查点

从我们的 Hugging Face 仓库下载模型检查点。您可以使用 Python 下载：

# 从 Hugging Face 下载 .pt 文件
from huggingface_hub import hf_hub_download
pt_file_path = hf_hub_download(repo_id="ASLP-lab/OSUM", filename="infer.pt")  # 此时，pt_file_path 是下载的检查点的具体路径。

或者从 Hugging Face 网站下载：https://huggingface.co/ASLP-lab/OSUM

然后在 infer.sh 中设置 ckpt 变量：

ckpt_path=***/infer.sh

准备数据

我们支持两种类型的数据进行推理（遵循wenet开源框架的规范）：

wenet：https://github.com/wenet-e2e/wenet

Raw 格式：您需要传入一个 JSONL 格式的文件，其中每一行是一个 JSON 字典格式。字典键值包括 "key"：音频的唯一标识符，"wav"：音频的具体路径（不限于 WAV 格式），以及 "txt"：与音频对应的文本。在实际推理场景中，它可以是任何值，但请尽量确保该键值的存在以避免可能的代码级别错误。

具体示例：

{
   "key": "BAC009S0764W0122", "wav": "***/wav/BAC009S0764W0122.wav", "txt": "一线城市和二线城市也在进行调整"}

Shard_full_data 格式：更常用于训练以加速机器读取文件的速度，也可以用于推理。它将多个音频文件（例如，1000 个文件）保存在一个 tar 包中，并且 "key" 的内容作为文件名。以上述音频条目为例，在其 tar 包中，应将其转换为以下两个文件：BAC009S0764W0122.txt 和 BAC009S0764W0122.wav。文件后缀是其对应的变量值，文件名是音频的唯一标识符。

当您准备好数据列表文件后，在 infer.sh 中设置数据文件变量：

data_path=***/data.jsonl

选择合适的任务

当前开源版本的 OSUM 支持多种任务。您可以根据 OSUM/examples/osum/conf/prompt_config.yaml 文件中的任务标签选择要推理的任务，并在 OSUM/examples/osum/infer.sh 中填写要推理的任务标签。同时，请注意 prompt_config.yaml 中的标签包含空格，infer.sh 中填写的标签需要手动删除空格（由于 shell 语法的限制）。

具体示例：

task="<TRANSCRIBE><GENDER>"  # 此标签用于 ASR + 性别任务

选择合适的 GPU/NPU

OSUM 模型是在华为 Ascend 910B 上训练的，但训练和推理代码同时支持 GPU 和 NPU。

该项目的推理大致需要 20G 的显存。如果您的机器上有这样的显卡，请设置要执行推理的显卡的序列号：

gpu_id=3

开始推理！

以下是 infer.sh 的完整示例：

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
lang=zh
prompt_file=conf/prompt_stage4.yaml
ckpt_path=./infer.sh
data_path=./data/aishell/data.list
data_type="raw"
gpu_id=3
output_dir=./output/aishell
task="<TRANSCRIBE><GENDER>"
bash decode/do_docode.sh --output_dir $output_dir --task $task --data_type $data_type --data_path $data_path --gpu_id $gpu_id --ckpt_path $ckpt_path --lang $lang --prompt_file $prompt_file

如何更直接地执行推理？

单个音频文件的推理

# 在此文件中设置 checkpoint_path 变量为本地下载的 ckpt，然后在主函数中设置相应的音频路径和提示
python OSUM/examples/osum/runtime/infer_runtime.py

部署并执行基于 Web 的推理

# 部署并启动服务，将在 localhost 127.0.0.1:7860 上部署一个测试网页。您还需要首先设置 checkpoint_path 变量。
python OSUM/examples/osum/runtime/web.py

训练

接下来，让我们看看如何进行训练。

主要涉及的文件有：OSUM/examples/osum/run_huawei_2p_master.sh、OSUM/examples/osum/run_huawei_2p_rank1.sh 和 OSUM/examples/osum/run_huawei_2p_rank2.sh

该项目默认支持多机训练。如果当前代码未修改，默认将执行 3 机 8 卡训练。

检查点下载

与推理部分的介绍相同。

数据准备

我们强烈建议使用 shard_full_data 格式以最大限度地减少加载数据所消耗的时间。单个 tar 文件中包含的音频文件数量建议为 1000。

数据准备完成后，您需要将数据列表写入 OSUM/examples/osum/conf/data_config_huawei.yaml 文件。data_config_huawei.yaml 的具体内容如下：

data_name1:
  path: "***/shards_list.txt"
  weight: 3  # 权重，此数据列表文件中的数据量将增加三倍
data_name2:
  path: "***/shards_list.txt"
  weight: 1

shards_list.txt 的具体示例：

***/***/0001.tar
***/***/0002.tar
***/***/0003.tar
***/***/0004.tar
......

多机多卡训练

多台机器需要多个启动文件，并且需要将一台机器设置为协调机。对于当前代码，我们在协调机上执行文件 OSUM/examples/osum/run_huawei_2p_master.sh，并在其他机器上分别执行 OSUM/examples/osum/run_huawei_2p_rank1.sh 和 OSUM/examples/osum/run_huawei_2p_rank2.sh。

我们应该确保这三个文件的内容几乎相同，除了这里的 node_rank：

torchrun --nnodes=$num_nodes --nproc_per_node=$num_gpus --node_rank=0 \
         --master_addr=$HOST_NODE_ADDR --master_port=$HOST_PORT \

在 run_huawei_2p_master.sh 中，您需要将 node_rank 设置为 0，而在其他机器上，它应依次为 1、2、3、4、...。

其他配置包括：

机器数量

num_nodes=3

协调机的 IP 地址

HOST_NODE_ADDR=192.168.0.15

其他变量

checkpoint=*** # 如果为空，则将随机初始化
data=***  # 数据存储的目录
dir=***   # 新检查点将存储的位置

单机训练

您只需将 OSUM/examples/osum/run_huawei_2p_master.sh 中的机器数量设置为 1，并将协调机 IP 设置为本地机器 IP。

在单机训练期间，如果您想修改训练机器的数量，只需灵活修改：

export CUDA_VISIBLE_DEVICES="0,1,2,3,4,5,6,7"

训练超参数

具体参数设置在以下文件中：https://github.com/ASLP-lab/OSUMOSUM/examples/osum/conf/config_llm_huawei_base-version.yaml

资源

GitHub 仓库：https://github.com/ASLP-lab/OSUM