Datasets documentation
处理音频数据
处理音频数据
本指南介绍了处理音频数据集的具体方法。学习如何：
- 重新采样采样率。
- 在音频数据集上使用 map()。
有关如何处理任意类型数据集的指南，请参阅通用处理指南。
转换
cast_column() 函数用于将某一列转换为另一种待解码的特征。当使用 Audio 特征调用此函数时，可以重新采样采样率：
>>> from datasets import load_dataset, Audio
>>> dataset = load_dataset("PolyAI/minds14", "en-US", split="train")
>>> dataset = dataset.cast_column("audio", Audio(sampling_rate=16000))音频文件会即时解码并重采样，因此下次访问示例时，音频文件将被重采样为 16kHz：
>>> 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
映射
map() 函数有助于一次性预处理整个数据集。根据您使用的模型类型，您需要加载一个 feature extractor 或一个 processor。
对于预训练的语音识别模型，加载一个特征提取器和分词器，并将它们组合成一个
processor：>>> 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)对于微调后的语音识别模型，您只需加载一个
processor：>>> from transformers import AutoProcessor >>> processor = AutoProcessor.from_pretrained("facebook/wav2vec2-base-960h")
使用 map() 配合预处理函数时，请包含 audio 列，以确保实际对音频数据进行了重采样：
>>> 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)