对话式 AI 应用的降本增效实践

​导读：本文将分享在 GPU 上进行语音 AI 部署的最佳实践，介绍如何利用 Triton 和 TensorRT 为语音应用降本增效。

主要内容包括以下三部分：

1. Conversational AI（对话式 AI）场景总览

2. ASR（语音识别）GPU 部署最佳实践

3. TTS（语音合成）GPU 部署最佳实践

---

分享嘉宾｜刘川 NVIDIA 资深解决方案架构师

编辑整理｜李瑜亮

出品社区｜DataFun

---

01/Conversational AI 场景总览

1. 工作流

在对话式 AI 工作流中，主要有三个算法相关模块。ASR 将用户的语音转换成文字，NLU（自然语言理解）会针对识别的内容给出文本回复，TTS 会将回复内容转换为音频，作为整个链路的返回。NVIDIA 在这三个领域都有丰富的算法与加速技术，本文重点放在 ASR 和 TTS。

2. 痛点与挑战

语音 AI 工作流的部署面临着诸多挑战，主要包括：

① 语音识别准确率难以提升，语音合成音质不佳；

② 涉及到多个模型及前后端，工作管线复杂，对于流式任务调度管理更加复杂，开发难度大，调度不够高效；

③ 因为没有高效利用 GPU 资源，导致服务延时高，并发路数低，部署成本居高不下。

我们主要利用 Triton Inference Server 和 TensorRT 解决以上问题。

02/ASR GPU 部署最佳实践

1. Triton Inference Server 介绍

Triton 是一个开源的推理服务的部署框架，可以将训练好的模型部署成一个微服务。该框架会调度请求，管理模型，推理请求并返回结果。这个框架支持 GPU 与 CPU 推理，兼容 Pytorch，Tensorflow 等多种深度学习框架。

2. ASR 工作流一览

NVIDIA 提供了一种基于 Triton Inference Server 部署在云端 GPU 上的 ASR 云服务的工作流，整个流程分为三部分：

① 使用 Kaldifeat 的 Fbank 特征提取器，在 GPU 上高效提取多个音频的特征；

② Conformer Encoder，根据音频特征推理解码需要的输入；

③ CTC Prefix Beam Search 的解码，我们引入 N-Gram 语言模型，并使用 Conformer Decoder 结合 Encoder 的输出对 N-Best 重新打分。

之所以利用 Triton Inference Server 来部署 WeNet ASR 工作流，让这三个模块能够有序地组合在一起，使数据流能够有条不紊地在三个模块上流动。

3. 使用 Triton 调度模型与请求

Triton 提供的 Ensemble Model 功能允许我们配置各模块之间的依赖关系，上述三个模型就能够部署成为一个工作流。并且三个模型都是独立部署的，能够并行运行，当后置模型在处理上一个请求时，前置模型可以同时推理下一个请求。所以，一方面做到了三个模型的组合，同时也做到了 pipeline 流水线并行和模型推理的解耦。

此外，在上述第三个模块中，涉及到 CTC 和 Decoder Rescoring 的配合，这就存在一个逻辑操作，如果推理到最后一个 chunk 则需要重打分。Triton 的 Business Logic Scripting 功能可以解决这个问题，这是一个简单的 Python 脚本，可以通过简单的代码调用其它模型，可以便捷地实现各种逻辑操作，控制模型间的数据流。

此外，在请求侧的调度上，Triton 提供的 Dynamic Batching Scheduler 通过将多个客户端同时发送来的请求合并为一个大的 batch，充分利用了硬件资源，实现了高并发高吞吐。

4. Triton 的流式推理机制

前面我们讨论了非流式计算的优化。在实际场景中 ASR 服务需要同时处理多个语音数据流，如同个用户会发送多段语音。Triton 提供了 Streaming API 针对有前后依赖的流式计算进行优化，主要包括以下功能：

① 对每一个 chunk 加上四个标签：Start - 是否是流的起始 chunk，Ready - 是否有数据需要进行推理，End - 是否是流的结束 chunk，Corrid - 该 chunk 属于哪个流。

② 合并多个流上的 chunk 进行推理。Triton 上以模型实例的方式做推理，在一个 GPU 上可以启动多个实例，每个实例又分为 N 个 Slot，意味该实例同时可进行 N 个数据流的推理。数据流首先会在 Sequence Batcher 的 Candidates 队列中等待处理，当有空闲 Slot 时即可开始处理。为了维护数据流的状态，一个数据流的所有 chunk 只会在同一个实例上推理以维持每个流的状态。同时因为依赖关系，同一个时间步的所有 Slot 中的 chunk 只允许来自不同的流。

③ Triton 提供了 Implicit State Management，通过在配置文件中定义模型的状态输入与状态输出即可对进行状态 Tensor 进行管理、更新。此外当数据流进行切换时，也可切换到对应数据流的状态。极大的简化了流式计算中状态管理的工作。

5. 性能提升

我们在 A10 GPU 上测试了 WeNet 模型流式 ASR 的性能，在有 attention rescoring 的情况下，往前看 5 个 chunk，每个 chunk 长度为 640ms，能够在 400-500 并发路数下实时推理（注：此处测试并未模拟用户真实流式地说话，而是将每个流的所有 chunk 不停顿地异步发送给服务端）。

非流式场景下，我们测试了 ONNX 与 TensorRT 两种后端。ONNX 能每秒吞吐 180 个 8 秒音频的请求。另外，我们还提供了 TensorRT 加速方案，针对使用原生 TensorRT 存在的如某些层数据溢出、某些 OP 不支持以及精度和速度下降等问题进行了解决。TensorRT 每秒吞吐能达到 280，进一步高于 ONNX。

6. 进一步的扩展

我们的最佳实践可以进一步进行扩展。比如在 ASR 基础上，加入了 VAD 模块，以及音频切割模块。这样整个 pipeline 包括：音频特征提取，VAD 的端点检测，音频切割，之后是 ASR 推理，这些模块通过前面提到的 Business Logic Scripting 进行串联。还可以根据需要加入说话人识别、情感分析、标点预测等更多模块。

另外，Triton 还解决了一个问题，一个音频切成多段后，可以独立推理，推理完后可以再拼回去，不同客户端不同请求切完后的所有音频小段可以打成一个 batch 一齐推理，最后也可以认出每个音频小段是属于哪个音频请求的。

整个 Triton Inference Server 可以作为一个 Docker 容器，可以部署在 K8S 集群中作为一个 pod，在不同节点上可以部署多个 Triton pod，更可以通过 Triton 提供的 Metrics 来进行弹性扩缩容，形成分布式部署，线性提升吞吐量，从而适应更大流量的业务场景。

03/TTS GPU 部署最佳实践

1. 流式 TTS 的部署实践

相对于 ASR，TTS 缺乏较好的开源社区，这也是 TTS 的挑战之一。我们实现了一个Triton C++ Custom Backend 用于管理和调度客户端送来的文本请求，并进行 Padding， Batching 等预处理。然后这个 Backend 会调用两个使用 Triton Ensemble 集成的模块：

① Frontend-Encoder 模块包括两个组件，文本预处理前端（我们使用 Python Backend）和声学模型 Encoder（我们用的是 FastPitch 及 TensorRT Backend）。一段文本只经过这两个组件一次，所以将他们集成在一起。

② Decoder-Vocoder 模块包含了Decoder（我们使用 FastPitch 及 TensorRT Backend）和 Vocoder（我们使用 HiFi-GAN 及 TensorRT Backend），因为这两个组件在流式计算中都需要多次调用，所以将它们组合在一个 Ensemble 内。

在这个过程中，Triton Custom Backend 功能允许我们用 C++ 或 Python 开发逻辑模块，这些自定义模块也可以当作模型进行部署。对于声学模型我们使用 Triton 自带的 TensorRT 作为 backend 进行部署，对模型推理速度有较好提升。

TTS 的输入有时为大段文字，为了降低首包延时，我们的实践采用 Triton 给出流式的，由多个 chunk 组成的输出。Triton 提供的 Decoupled Response 可以将模型的多个输出与原始输入的 request 绑定，帮助我们对每一个 chunk 定位其对应的文本和用户。

2. 推理性能

我们在 A10 上测试了这套部署方案对不同长度文本（Short 为 15 个字，Middle 为 20 个字，Long 为 30 个字）的推理性能。在 QPS（每秒请求数）为 200 的情况下，这套部署方案的首包延时可以控制在 100ms 以下。

04/结语

Nvidia 在语音领域主要产出了以下有帮助的最佳实践。

ASR 领域中：

① 我们有基于 Triton 部署流式和非流式 WeNet 的实践，并且我们对非流式的 WeNet 使用 TensorRT 进行加速；

② 这套方案支持在 K8S 集群上进行多机多卡的分布式部署；

③ 我们在这套实践的基础上给出了集成 VAD 的参考方案；

④ 对 WeNet 的 WeSpeaker 说话人识别功能的支持。

TTS 方面：

① 流式双语基于 FastPitch+HiFiGAN 部署最佳实践；

② 我们正在研究多说话人 TTS。

NLU 方面我们还做了 INT8 量化的优化，这方面没有介绍，大家可以参考我们的半开源 Github 项目 CISI (http://github.com/nvidia-china-sae/CISI) ， 可以发邮件获取权限，欢迎大家关注。

05/问答环节

Q1：模型和模型间是否用队列进行衔接？是否会导致高延迟？

A1：Triton 对于模型的连接非常高效。若多个模块都在 GPU 上，Triton 会避免 GPU 和Memory 之间的拷贝。Ensemble 方式下，工作流中的多个模型可以并行。基于这些特性，Triton 能减少不必要的 overhead，提高效率。

Q2：流式推理中，如果实例中起了两个 Slots，但只有一个数据流，效率会低吗？

A2：会的。这种情况下说明 GPU 性能超过需求，建议做 GPU 的切分（MIG）。或者在同个 GPU 上部署另外多个模型，充分利用资源。

Q3：等待请求打 batch 过程中会有延时吗？

A3：可以配置等待时间，如果时间设置的很短，只会将同时收到的请求打 batch。

Q4：千分之几的实时率很快了，如果算上 WST 会不会成为瓶颈？

A4：WST 最大的问题并不是性能，在于 LM 的图非常的大，对于显存的消耗非常大。我们也在考虑有没有其他方式来解决。

06/互问互答

刘川：WeNet 社区正在扩展其覆盖的领域，请问彬彬老师是怎么设计和规划 WeNet 的发展，希望 WeNet 最终的形态是怎样？

张彬彬：这也是我们在思考的问题像 Transducer 和识别相关的，我们直接做在 WeNet 的项目里。比如和说话人相关的 diarization，我们放在单独的项目 WeSpeaker 里。TTS 的功能我们也是这样。横向整合还是纵向整合是很多开源项目设计之初就要思考的。我们 WeNet 社区是以生产力，轻量级，可维护性为标准。所以社区中会有较多横向的项目。

刘川：您既是 WeNet 的负责人，也是地平线的研究员。您是怎样平衡开源项目开发者与企业工程师的工作呢？您是怎样将开源社和工业落地相结合的？

张彬彬：首先看公司是否支持开源。我之前的公司相对支持开源。另外一点现在的公司对于开源的看法有着不一样的高度。地平线和开源社区相互输出，达到双赢。我目前在地平线承担了较多的开发工作，愿意投入工作外的时间和精力，在开源社区一起讨论和解决问题。对于第二个问题，因为我们社区的定位就是关注和解决工业界的痛点，所以能很好平衡开源和工程化。

刘川：我们观察到 WeNet 逐渐成为语音行业最受欢迎的社区，您是否考虑开设课程分享语音领域的知识和经验？

张彬彬：我们有过考虑。我们目前和语音之家一起做了一份实战收费课程。最早我们社区的成员希望做免费课程，但商业化更可以保证产品的质量。未来我们可能会在公众号，视频号，直接投放一些其他项目的课程。

刘川：英伟达自身在做一些开源项目。包括也支持了像 WeNet 的一些开源项目。未来英伟达在语音方面会有哪些开源的工作呢？

张彬彬：一方面我们有 Triton，NeMo 这些开源产品，我们的产品团队会不断收集工业界的反馈打磨这些产品。另一方面，我们鼓励我们的工程师参与到开源社区里。通过这种方式我们能将英伟达的加速技术优化这些开源项目。未来我们具体会关注训练方面的优化，支持更多模型与解码器，比如 Transducer，CTC 等。

刘川：人工智能依赖算力支持，而对于个人开发者算力较为昂贵，英伟达未来有考虑为开源社区提供算力支持吗？

张彬彬：在我们参与到开源项目的过程中，我们利用内部的 GPU 算力做了很多加速优化的工作，一定程度上缓解了 GPU 的缺乏。另一方面英伟达有 Inception 初创加速计划，为愿意贡献开源社区的公司给与算力优惠。此外，对于高效学生我们会和公有云厂商做一些合作，提供算力支持。

今天的分享就到这里，谢谢大家。

---

▌2023数据智能创新与实践大会

• 4大体系，专业解构数据智能
• 16个主题论坛，覆盖当下热点与趋势
• 40+演讲，兼具创新与最佳实践
• 1000+专业观众，内行人的技术盛会

第四届DataFunCon数据智能创新与实践大会将于⏰ 7月21-22日在北京召开，会议主题为新基建·新征程，聚焦数据智能四大体系：数据架构、数据效能、算法创新、智能应用。在这里，你将领略到数据智能技术实践最前沿的景观。

欢迎大家点击下方链接获取大会门票～