Proses data audio

Panduan ini menunjukkan metode spesifik untuk memproses dataset audio. Pelajari cara:

• Resample laju sampling.
• Gunakan map() dengan dataset audio.

Untuk panduan tentang cara memproses dataset apa pun, lihat panduan proses umum.

Cast

Fungsi cast_column() digunakan untuk mengubah tipe kolom menjadi fitur lain yang akan didekodekan. Ketika Anda menggunakan fungsi ini dengan fitur Audio, Anda dapat mengubah laju sampling:

>>> from datasets import load_dataset, Audio

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

File audio didekode dan diresample secara langsung, sehingga saat Anda mengakses contoh berikutnya, file audio diresample ke 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

Peta

Fungsi map() membantu mempreproses seluruh dataset Anda sekaligus. Tergantung pada jenis model yang Anda gunakan, Anda perlu memuat feature extractor atau processor.

• Untuk model pengenalan ucapan yang telah dilatih sebelumnya, muat ekstraktor fitur dan tokenizer, lalu gabungkan keduanya dalam processor:

  Disalin

  >>> 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)

• Untuk model pengenalan ucapan yang telah dihaluskan, Anda hanya perlu memuat processor:

  Disalin

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

Saat Anda menggunakan map() dengan fungsi pra-pemrosesan Anda, sertakan kolom audio untuk memastikan Anda benar-benar melakukan resampling data audio:

>>> 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)