Обработка аудиоданных

В этом руководстве описаны конкретные методы обработки аудиоданных. Узнайте, как:

• Измените частоту дискретизации.
• Используйте map() с аудиоданными.

Справочник по обработке любого типа набора данных — в общем руководстве по обработке.

Приведение

Функция cast_column() используется для приведения столбца к другому признаку для декодирования. При использовании этой функции с признаком Audio можно изменить частоту дискретизации:

>>> from datasets import load_dataset, Audio

>>> dataset = load_dataset("PolyAI/minds14", "en-US", split="train")
>>> dataset = dataset.cast_column("audio", Audio(sampling_rate=16000))

Аудиофайлы декодируются и ресемплируются на лету, поэтому при следующем обращении к примеру аудиофайл будет ресемплирован до 16 кГц:

>>> audio = dataset[0]["audio"]
<datasets.features._torchcodec.AudioDecoder object at 0x11642b6a0>
>>> audio = audio_dataset[0]["audio"]
>>> samples = audio.get_all_samples()
>>> samples.data
tensor([[ 0.0000e+00,  0.0000e+00,  0.0000e+00,  ...,  2.3447e-06,
         -1.9127e-04, -5.3330e-05]]
>>> samples.sample_rate
16000

Карта

Функция map() позволяет предобработать весь набор данных за один раз. В зависимости от типа модели, с которой вы работаете, вам потребуется загрузить либо извлекатель признаков, либо процессор.

• Для предобученных моделей распознавания речи загрузите извлекатель признаков и токенизатор и объедините их в processor:

  Скопировано

  >>> from transformers import AutoTokenizer, AutoFeatureExtractor, AutoProcessor
  
  >>> model_checkpoint = "facebook/wav2vec2-large-xlsr-53"
  # after defining a vocab.json file you can instantiate a tokenizer object:
  >>> tokenizer = AutoTokenizer("./vocab.json", unk_token="[UNK]", pad_token="[PAD]", word_delimiter_token="|")
  >>> feature_extractor = AutoFeatureExtractor.from_pretrained(model_checkpoint)
  >>> processor = AutoProcessor.from_pretrained(feature_extractor=feature_extractor, tokenizer=tokenizer)

• Для моделей распознавания речи, прошедших дообучение, достаточно загрузить processor:

  Скопировано

  >>> from transformers import AutoProcessor
  
  >>> processor = AutoProcessor.from_pretrained("facebook/wav2vec2-base-960h")

При использовании map() вместе с функцией предобработки включите столбец audio, чтобы убедиться, что данные аудио действительно подвергаются ресемплингу:

>>> def prepare_dataset(batch):
...     audio = batch["audio"]
...     batch["input_values"] = processor(audio.get_all_samples().data, sampling_rate=audio["sampling_rate"]).input_values[0]
...     batch["input_length"] = len(batch["input_values"])
...     with processor.as_target_processor():
...         batch["labels"] = processor(batch["sentence"]).input_ids
...     return batch
>>> dataset = dataset.map(prepare_dataset, remove_columns=dataset.column_names)