Qwen-Audio 是阿里云研发的大规模音频语言模型(Large Audio Language Model)。Qwen-Audio 可以以多种音频 (包括说话人语音、自然音、音乐、歌声)和文本作为输入,并以文本作为输出。
在autodl平台中租一个3090等24G显存的显卡机器,如下图所示镜像选择PyTorch-->2.0.0-->3.8(ubuntu20.04)-->11.8(11.3版本以上的都可以) 接下来打开刚刚租用服务器的JupyterLab图像, 并且打开其中的终端开始环境配置、模型下载和运行演示。 pip换源和安装依赖包
# 升级pip
python -m pip install --upgrade pip
# 更换 pypi 源加速库的安装
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip install modelscope==1.9.5
pip install accelerate
pip install tiktoken
pip install einops
pip install transformers_stream_generator==0.0.4
pip install scipy
pip install torchvision
pip install pillow
pip install tensorboard
pip install matplotlib
pip install transformers==4.32.0
pip install gradio==3.39.0
pip install nest_asyncio
使用 modelscope 中的snapshot_download函数下载模型,第一个参数为模型名称,参数cache_dir为模型的下载路径。
在 /root/autodl-tmp 路径下新建 download.py 文件并在其中输入以下内容,粘贴代码后记得保存文件,如下图所示。并运行 python /root/autodl-tmp/download.py 执行下载,模型大小为 20 GB,下载模型大概需要10~20分钟
import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
from modelscope import GenerationConfig
model_dir = snapshot_download('qwen/Qwen-Audio-Chat', cache_dir='/root/autodl-tmp', revision='master')
测试音频下载
wget -O /root/autodl-tmp/1272-128104-0000.flac https://github.com/QwenLM/Qwen-Audio/raw/main/assets/audio/1272-128104-0000.flac
在/root/autodl-tmp路径下新建api.py文件并在其中输入以下内容,粘贴代码后记得保存文件。下面的代码有很详细的注释,大家如有不理解的地方,欢迎提出issue。
from fastapi import FastAPI, Request, File, UploadFile, Query
from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig
import uvicorn
import json
import datetime
import torch
import os
import nest_asyncio
nest_asyncio.apply()
# 设置设备参数
DEVICE = "cuda" # 使用CUDA
DEVICE_ID = "0" # CUDA设备ID,如果未设置则为空
CUDA_DEVICE = f"{DEVICE}:{DEVICE_ID}" if DEVICE_ID else DEVICE # 组合CUDA设备信息
# 清理GPU内存函数
def torch_gc():
if torch.cuda.is_available(): # 检查是否可用CUDA
with torch.cuda.device(CUDA_DEVICE): # 指定CUDA设备
torch.cuda.empty_cache() # 清空CUDA缓存
torch.cuda.ipc_collect() # 收集CUDA内存碎片
# 创建FastAPI应用
app = FastAPI()
# 处理POST请求的端点
@app.post("/audio/")
async def create_audio_item(file: UploadFile = File(...)):
global model, tokenizer # 使用全局变量
# 保存音频文件到临时路径
temp_file_path = f"temp/{file.filename}"
with open(temp_file_path, 'wb') as f:
f.write(file.file.read())
file.file.close()
# 1st dialogue turn
query = tokenizer.from_list_format([
{'audio': temp_file_path}, # 使用保存的临时音频文件路径
{'text': 'what does the person say?'},
])
response, history = model.chat(tokenizer, query=query, history=None)
# 清理临时文件
os.remove(temp_file_path)
now = datetime.datetime.now() # 获取当前时间
time = now.strftime("%Y-%m-%d %H:%M:%S") # 格式化时间为字符串
# 构建响应JSON
answer = {
"response": response,
"status": 200,
"time": time
}
print(f"[{time}] Response: {response}") # 打印日志
torch_gc() # 执行GPU内存清理
return answer
@app.get("/test-audio/")
def test_audio(audio_file_path: str = Query('/root/autodl-tmp/1272-128104-0000.flac', alias='audio'),
text_query: str = Query('what does the person say?', alias='text')):
"""
测试音频接口,用户可以指定音频文件路径和文本查询
:param audio_file_path: 音频文件的路径
:param text_query: 文本查询内容
"""
# 使用model和tokenizer处理音频和文本
query = tokenizer.from_list_format([
{'audio': audio_file_path},
{'text': text_query},
])
response, history = model.chat(tokenizer, query=query, history=None)
return {"response": response}
# 主函数入口
if __name__ == '__main__':
mode_name_or_path = '/root/autodl-tmp/qwen/Qwen-Audio-Chat'
# 加载预训练的分词器和模型
tokenizer = AutoTokenizer.from_pretrained(mode_name_or_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(mode_name_or_path, trust_remote_code=True,torch_dtype=torch.bfloat16, device_map="auto")
model.generation_config = GenerationConfig.from_pretrained(mode_name_or_path)
model.generation_config.pad_token_id = model.generation_config.eos_token_id
model.eval() # 设置模型为评估模式
# 启动FastAPI应用
# 用6006端口可以将autodl的端口映射到本地,从而在本地使用api
uvicorn.run(app, host='0.0.0.0', port=6006, workers=1) # 在指定端口和主机上启动应用
在终端输入以下命令启动api服务
cd /root/autodl-tmp
python api.py
默认部署在 6006 端口,通过 POST 方法进行调用,可以使用curl调用,如下所示:
curl http://127.0.0.1:6006/test-audio/
也可以使用python中的requests库进行调用,如下所示:
import requests
def get_audio_response(audio_file_path, text_query):
# 设置API的URL
url = 'http://127.0.0.1:6006/test-audio/'
# 设置音频文件路径和文本查询的参数
params = {
'audio': audio_file_path, # 音频文件路径
'text': text_query # 文本查询
}
# 发送GET请求
response = requests.get(url, params=params)
# 提取所需信息
result = {
"response": response.json(),
"status_code": response.status_code,
"time": response.headers.get('Date') # 获取响应头中的时间信息
}
return result
if __name__ == '__main__':
# 测试请求
audio_file = '/root/autodl-tmp/1272-128104-0000.flac'
text_query = '这是男生还是女生说的?'
completion = get_audio_response(audio_file, text_query)
print(completion)
得到的返回值如下所示:
{
'response': {'response': '根据音色判断,这是男性说的。'},
'status_code': 200,
'time': 'Wed, 06 Dec 2023 09:20:51 GMT'
}