text2token 的 C++ 实现

[endink]

程序内如果允许用户填入热词，C++ 没有直接可用的函数？

[csukuangfj]

请 @pkufool 帮忙回答。

[pkufool]

@endink bpe 可以用 simple sentencepiece (参考热词里面的实现），拼音可以用 cppinyin，现在有一个没合并的 PR #967 。 我们正在训中英文的模型，并且可能会改建模单元，后面会有统一的 text2token C++ 实现。 你如果着急的话，可以按我上面说的自己实现。

[endink]

谢谢，那 issue 暂时 open 吧, 其实就是如果热刺配置文件能传明文就不需要这个 API， 先自己写了，另外想问一下带 key words 参数的 CreateKeySpotterStream 里的 keyword 是 plain keyword 还是 encoded keyeord, 大概看了一眼源码是传 plain keyword, 代码里看起来会自己编码，我理解的对吗？因为代码还没搞完，也没测试，麻烦告知一下

[pkufool]

KWS 传的应该是 encoded keyword, 因为涉及到pinyin的问题，还没加C++ 实现。 热词是可以传 plain text 的。

[endink]

呃，了解了，谢谢解答，这里其实很复杂，不读代码很难弄清楚格式，建议有空时候完善一下文档，最好是能提供 C API 例子，因为现在 bin 里的例子是用更底层 CPP 实现，需要自己阅读 C API 源码去理解，总之，瑕不掩瑜， sherpa 自从有了 TTS 和 符号模型以后变成一个全能库了，赞一个

[pkufool]

呃，了解了，谢谢解答，这里其实很复杂，不读代码很难弄清楚格式，建议有空时候完善一下文档，最好是能提供 C API 例子，因为现在 bin 里的例子是用更底层 CPP 实现，需要自己阅读 C API 源码去理解，总之，瑕不掩瑜， sherpa 自从有了 TTS 和 符号模型以后变成一个全能库了，赞一个

感谢你的建议，API 文档这块确实有些缺失。

[endink]

@pkufool 你好，能在帮忙确认一下 SherpaOnnxCreateKeywordStreamWithKeywords keyword 是传 plain text (以 / 分割)吗？

我对比了 text2token-test.cc, 以中文为例:

这里我理解是明文传递？

TEST(TEXT2TOKEN, TEST_cjkchar) {
  std::ostringstream oss;
  oss << dir << "/text2token/tokens_cn.txt";

  std::string tokens = oss.str();

  if (!std::ifstream(tokens).good()) {
    SHERPA_ONNX_LOGE(
        "No test data found, skipping TEST_cjkchar()."
        "You can download the test data by: "
        "git clone https://github.com/pkufool/sherpa-test-data.git "
        "/tmp/sherpa-test-data");
    return;
  }

  auto sym_table = SymbolTable(tokens);

  std::string text =
      "世界人民大团结\n中国 V S 美国\n\n";  // Test blank lines also

  std::istringstream iss(text);

  std::vector<std::vector<int32_t>> ids;
  std::vector<float> scores;

   //这里是明文传递
  auto r = EncodeHotwords(iss, "cjkchar", sym_table, nullptr, &ids, &scores);

  std::vector<std::vector<int32_t>> expected_ids(
      {{379, 380, 72, 874, 93, 1251, 489}, {262, 147, 3423, 2476, 21, 147}});
  EXPECT_EQ(ids, expected_ids);

  EXPECT_EQ(scores.size(), 0);
}

在 keyword-spotter-transducer-impl.h 中的 CreateStream 函数：

 auto kws = std::regex_replace(keywords, std::regex("/"), "\n");
 std::istringstream is(kws);

 std::vector<std::vector<int32_t>> current_ids;
 std::vector<std::string> current_kws;
 std::vector<float> current_scores;
 std::vector<float> current_thresholds;

 if (!EncodeKeywords(is, sym_, &current_ids, &current_kws, &current_scores,
                     &current_thresholds)) {
   SHERPA_ONNX_LOGE("Encode keywords %s failed.", keywords.c_str());
   return nullptr;
 }

所以 SherpaOnnxCreateKeywordStreamWithKeywords 是明文传递吧

[endink]

BTW, 我是用的 master 分支自己编译的

[pkufool]

@endink 你看我上面的评论，这个是给热词用的， kws 还不能传正常文本，要传 encode 过的文本。

看名字，Hotwords 和 Keywords， 不是一样的。

[endink]

看了你那个 PR， cppinyin 无法在 windows 下编译：

• cppinyin.h(107,89): error C2001: newline in constant
• cppinyin.cc(195,26): error C1075: '{': no matching token found

好难，等你们集成吧

[pkufool]

看了你那个 PR， cppinyin 无法在 windows 下编译：

• cppinyin.h(107,89): error C2001: newline in constant
• cppinyin.cc(195,26): error C1075: '{': no matching token found

好难，等你们集成吧

估计是哪个地方搞错了，cppinyin 都有windows 下的 wheel，肯定是可以在 windows 下编译的。 可以，等我们集成吧。

[endink]

@pkufool 看了你的 cmake , 基本上没有什么 options 需要调整， 我的 cmake 也很简单:

ExternalProject_Add(
    cppinyin
    GIT_REPOSITORY https://github.com/pkufool/cppinyin.git
    PREFIX         ${CMAKE_CURRENT_BINARY_DIR}
    INSTALL_DIR    ${CMAKE_CURRENT_BINARY_DIR}
    CMAKE_ARGS     -DCMAKE_INSTALL_PREFIX=<INSTALL_DIR>
                   -DBUILD_STATIC_LIBS=ON
                   -DBUILD_SHARED_LIBS=OFF
                   -DCPPINYIN_BUILD_PYTHON=OFF
)

或许可以帮助复现问题

[endink]

Is there any new good news here？

[endink]

已经参考 PR 自行实现了 C++ 版本，暂时关闭，还是希望有官方实现, cppinyin 编译问题主要由于 Windows 是默认unicode, 导致编译器无法识别韵母字符，加入 -DCMAKE_CXX_FLAGS="/source-charset:utf-8" 既可编译通过，给后来的同学