網(wǎng)易互娛 AI Lab 的研發(fā)人員，基于 Wenet 語(yǔ)音識(shí)別工具進(jìn)行優(yōu)化和創(chuàng)新，利用 NVIDIA Triton 推理服務(wù)器的 GPU Batch Inference 機(jī)制加速了語(yǔ)音識(shí)別的速度，并且降低了成本。

2001 年正式成立的網(wǎng)易游戲·互動(dòng)娛樂(lè)事業(yè)群在經(jīng)歷了近 20 年的發(fā)展歷程后，以“創(chuàng)新無(wú)邊界，匠心造精品”為文化基石，創(chuàng)造了一系列大家耳熟能詳?shù)拇碜髌罚鐗?mèng)幻西游系列、大話西游系列、《陰陽(yáng)師》、《第五人格》、《荒野行動(dòng)》、《率土之濱》、《哈利波特：魔法覺(jué)醒》等。在 data.ai 公布的 2021 全球發(fā)行商 52 強(qiáng)榜單中，網(wǎng)易排名第二。

語(yǔ)音識(shí)別 AI 算法服務(wù)目前已經(jīng)成為各個(gè)領(lǐng)域不可或缺的基礎(chǔ)算法服務(wù)。網(wǎng)易互娛 AI Lab 為所有互娛游戲的玩家，CC 直播平臺(tái)用戶等提供完善的語(yǔ)音識(shí)別服務(wù)。語(yǔ)音識(shí)別服務(wù)每天都有大量的調(diào)用量，AI 推理的計(jì)算量繁重。

在網(wǎng)易游戲中，語(yǔ)音識(shí)別是一個(gè)調(diào)用量龐大的基礎(chǔ)算法服務(wù)，如果在語(yǔ)音識(shí)別算法服務(wù)這里出現(xiàn)時(shí)耗或吞吐瓶頸的話，會(huì)因?yàn)檎Z(yǔ)音內(nèi)容識(shí)別過(guò)慢，使得用戶使用體驗(yàn)大幅下降。

服務(wù)是基于開(kāi)源框架 Wenet 優(yōu)化開(kāi)發(fā)，但是 Wenet 框架中非流式部署方案是基于 libtorch 和 C++ 的，并且熱詞和語(yǔ)言模型部分均采用了 Openfst，速度較慢，也不太方便使用。經(jīng)過(guò)測(cè)試 CPU Float32 模式下解碼，onnxruntime 要比 libtorch 快了近 20%。在 GPU 部署時(shí)還需要有拼接 Batch 的機(jī)制，batch inference 雖然在使用 CPU 做推理時(shí)沒(méi)有太大的提升，但是能大大提升 GPU 的利用率。

基于以上的挑戰(zhàn)，網(wǎng)易互娛 AI Lab 選擇了采用 NVIDIA 在 Wenet 中開(kāi)源的 Triton 部署方案來(lái)改進(jìn)優(yōu)化后進(jìn)行 GPU 部署，使得語(yǔ)音識(shí)別速度提高，大幅降低時(shí)延和運(yùn)營(yíng)成本。

由于 Wenet 開(kāi)源框架下的 Triton 推理服務(wù)器并沒(méi)有考慮音頻解碼，顯存溢出等問(wèn)題，所以需要有個(gè)前端邏輯做音頻解碼處理和音頻分段處理。并且因?yàn)?Triton 推理服務(wù)器組 batch 的機(jī)制是相同音頻長(zhǎng)度才會(huì)自動(dòng)組成 batch 做推理，所以前端處理邏輯這塊還加上了按秒 padding 的操作。整體流程如圖所示。

其中前端處理流程如圖所示：

NVIDIA Triton 推理服務(wù)器處理流程：

(圖片來(lái)源于網(wǎng)易互娛授權(quán))

其中 Triton 推理服務(wù)器中解碼器部分是基于 Wenet 的熱詞方案而自研實(shí)現(xiàn)的熱詞解碼器方案。

QPS，RTF 在 5 秒音頻下，CPU 設(shè)備和 GPU 設(shè)備對(duì)比，CPU 為 36 核機(jī)器， GPU 為單卡 T4：

(圖片來(lái)源于網(wǎng)易互娛授權(quán))

由表格可知，對(duì)比 CPU-FP32 與 GPU-FP16，單卡 T4 的推理能力基本相當(dāng)于 36 核 CPU(Intel(R) Xeon(R) CPU E5-2630 v4 @ 2.20GHz)機(jī)器的 4 倍。并且實(shí)驗(yàn)測(cè)試可以得知 FP16 與 FP32 的 WER 基本無(wú)損。

自研熱詞解碼器的方法結(jié)果展示：

(圖片來(lái)源于網(wǎng)易互娛授權(quán))

這里 GPU 的效果采用自研的熱詞增強(qiáng)的方法，識(shí)別率在熱詞這塊能有絕對(duì) 0.8% 的性能提升，而 Wenet 開(kāi)源的方法大概是 0.5%。并且自研熱詞實(shí)例的構(gòu)建耗時(shí)基本可以忽略不計(jì)。

整體來(lái)看 GPU 的方案在識(shí)別率基本無(wú)損的情況下，單卡 T4 比 36 核 CPU 機(jī)器提高近 4 倍的 QPS，單個(gè)音頻 RTF 測(cè)試下，包含音頻解碼等損耗情況下也能提高近 3 倍，并且也能夠支持熱詞增強(qiáng)功能，讓機(jī)器成本和識(shí)別速度都得到了很好的優(yōu)化。

網(wǎng)易互娛廣州 AI Lab 資深 AI 算法工程師丁涵宇表示：“目前該方案已在網(wǎng)易互娛 AI Lab 語(yǔ)音識(shí)別服務(wù)落地，大大的降低了識(shí)別時(shí)延和機(jī)器成本。后續(xù)，我們還將與英偉達(dá)一起研究將熱詞增強(qiáng)的方法在 GPU 中實(shí)現(xiàn)，探索的極致的語(yǔ)音識(shí)別推理性能?！?/p>

原文標(biāo)題：NVIDIA Triton 助力網(wǎng)易互娛 AI Lab，改善語(yǔ)音識(shí)別效率及成本

文章出處：【微信公眾號(hào)：NVIDIA英偉達(dá)】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

審核編輯：湯梓紅