git.sesse.net Git - ffmpeg/blob - libavfilter/af_asr.c

   1 /*
   2  * Copyright (c) 2019 Paul B Mahol
   3  *
   4  * This file is part of FFmpeg.
   5  *
   6  * FFmpeg is free software; you can redistribute it and/or
   7  * modify it under the terms of the GNU Lesser General Public
   8  * License as published by the Free Software Foundation; either
   9  * version 2.1 of the License, or (at your option) any later version.
  10  *
  11  * FFmpeg is distributed in the hope that it will be useful,
  12  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  13  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  14  * Lesser General Public License for more details.
  15  *
  16  * You should have received a copy of the GNU Lesser General Public
  17  * License along with FFmpeg; if not, write to the Free Software
  18  * Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA 02110-1301 USA
  19  */
  20
  21 #include <pocketsphinx/pocketsphinx.h>
  22
  23 #include "libavutil/avassert.h"
  24 #include "libavutil/avstring.h"
  25 #include "libavutil/channel_layout.h"
  26 #include "libavutil/opt.h"
  27 #include "audio.h"
  28 #include "avfilter.h"
  29 #include "internal.h"
  30
  31 typedef struct ASRContext {
  32     const AVClass *class;
  33
  34     int   rate;
  35     char *hmm;
  36     char *dict;
  37     char *lm;
  38     char *lmctl;
  39     char *lmname;
  40     char *logfn;
  41
  42     ps_decoder_t *ps;
  43     cmd_ln_t *config;
  44
  45     int utt_started;
  46 } ASRContext;
  47
  48 #define OFFSET(x) offsetof(ASRContext, x)
  49 #define FLAGS AV_OPT_FLAG_AUDIO_PARAM | AV_OPT_FLAG_FILTERING_PARAM
  50 static const AVOption asr_options[] = {
  51     { "rate",  "set sampling rate",                             OFFSET(rate),   AV_OPT_TYPE_INT,    {.i64=16000}, 0, INT_MAX, .flags = FLAGS },
  52     { "hmm",   "set directory containing acoustic model files", OFFSET(hmm),    AV_OPT_TYPE_STRING, {.str=NULL},              .flags = FLAGS },
  53     { "dict",  "set pronunciation dictionary",                  OFFSET(dict),   AV_OPT_TYPE_STRING, {.str=NULL},              .flags = FLAGS },
  54     { "lm",    "set language model file",                       OFFSET(lm),     AV_OPT_TYPE_STRING, {.str=NULL},              .flags = FLAGS },
  55     { "lmctl", "set language model set",                        OFFSET(lmctl),  AV_OPT_TYPE_STRING, {.str=NULL},              .flags = FLAGS },
  56     { "lmname","set which language model to use",               OFFSET(lmname), AV_OPT_TYPE_STRING, {.str=NULL},              .flags = FLAGS },
  57     { "logfn", "set output for log messages",                   OFFSET(logfn),  AV_OPT_TYPE_STRING, {.str="/dev/null"},       .flags = FLAGS },
  58     { NULL }
  59 };
  60
  61 AVFILTER_DEFINE_CLASS(asr);
  62
  63 static int filter_frame(AVFilterLink *inlink, AVFrame *in)
  64 {
  65     AVFilterContext *ctx = inlink->dst;
  66     AVDictionary **metadata = &in->metadata;
  67     ASRContext *s = ctx->priv;
  68     int have_speech;
  69     const char *speech;
  70
  71     ps_process_raw(s->ps, (const int16_t *)in->data[0], in->nb_samples, 0, 0);
  72     have_speech = ps_get_in_speech(s->ps);
  73     if (have_speech && !s->utt_started)
  74         s->utt_started = 1;
  75     if (!have_speech && s->utt_started) {
  76         ps_end_utt(s->ps);
  77         speech = ps_get_hyp(s->ps, NULL);
  78         if (speech != NULL)
  79             av_dict_set(metadata, "lavfi.asr.text", speech, 0);
  80         ps_start_utt(s->ps);
  81         s->utt_started = 0;
  82     }
  83
  84     return ff_filter_frame(ctx->outputs[0], in);
  85 }
  86
  87 static int config_input(AVFilterLink *inlink)
  88 {
  89     AVFilterContext *ctx = inlink->dst;
  90     ASRContext *s = ctx->priv;
  91
  92     ps_start_utt(s->ps);
  93
  94     return 0;
  95 }
  96
  97 static av_cold int asr_init(AVFilterContext *ctx)
  98 {
  99     ASRContext *s = ctx->priv;
 100     const float frate = s->rate;
 101     char *rate = av_asprintf("%f", frate);
 102     const char *argv[] = { "-logfn",    s->logfn,
 103                            "-hmm",      s->hmm,
 104                            "-lm",       s->lm,
 105                            "-lmctl",    s->lmctl,
 106                            "-lmname",   s->lmname,
 107                            "-dict",     s->dict,
 108                            "-samprate", rate,
 109                            NULL };
 110
 111     s->config = cmd_ln_parse_r(NULL, ps_args(), 14, (char **)argv, 0);
 112     av_free(rate);
 113     if (!s->config)
 114         return AVERROR(ENOMEM);
 115
 116     ps_default_search_args(s->config);
 117     s->ps = ps_init(s->config);
 118     if (!s->ps)
 119         return AVERROR(ENOMEM);
 120
 121     return 0;
 122 }
 123
 124 static int query_formats(AVFilterContext *ctx)
 125 {
 126     ASRContext *s = ctx->priv;
 127     int sample_rates[] = { s->rate, -1 };
 128     int ret;
 129
 130     AVFilterFormats *formats = NULL;
 131     AVFilterChannelLayouts *layout = NULL;
 132
 133     if ((ret = ff_add_format                 (&formats, AV_SAMPLE_FMT_S16                 )) < 0 ||
 134         (ret = ff_set_common_formats         (ctx     , formats                           )) < 0 ||
 135         (ret = ff_add_channel_layout         (&layout , AV_CH_LAYOUT_MONO                 )) < 0 ||
 136         (ret = ff_set_common_channel_layouts (ctx     , layout                            )) < 0 ||
 137         (ret = ff_set_common_samplerates     (ctx     , ff_make_format_list(sample_rates) )) < 0)
 138         return ret;
 139
 140     return 0;
 141 }
 142
 143 static av_cold void asr_uninit(AVFilterContext *ctx)
 144 {
 145     ASRContext *s = ctx->priv;
 146
 147     ps_free(s->ps);
 148     s->ps = NULL;
 149     cmd_ln_free_r(s->config);
 150     s->config = NULL;
 151 }
 152
 153 static const AVFilterPad asr_inputs[] = {
 154     {
 155         .name         = "default",
 156         .type         = AVMEDIA_TYPE_AUDIO,
 157         .filter_frame = filter_frame,
 158         .config_props = config_input,
 159     },
 160     { NULL }
 161 };
 162
 163 static const AVFilterPad asr_outputs[] = {
 164     {
 165         .name = "default",
 166         .type = AVMEDIA_TYPE_AUDIO,
 167     },
 168     { NULL }
 169 };
 170
 171 const AVFilter ff_af_asr = {
 172     .name          = "asr",
 173     .description   = NULL_IF_CONFIG_SMALL("Automatic Speech Recognition."),
 174     .priv_size     = sizeof(ASRContext),
 175     .priv_class    = &asr_class,
 176     .init          = asr_init,
 177     .uninit        = asr_uninit,
 178     .query_formats = query_formats,
 179     .inputs        = asr_inputs,
 180     .outputs       = asr_outputs,
 181 };