处理音频数据
本指南展示了处理音频数据集的具体方法。了解如何
- 重新采样采样率。
- 使用 map() 与音频数据集。
有关如何处理任何类型数据集的指南,请查看 通用处理指南。
转换
使用 cast_column() 函数可以将一列数据转换为另一种需要解码的特征。当您将此函数与 Audio 特征一起使用时,可以重新采样音频的采样率。
>>> 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和重新采样,因此下次访问示例时,音频文件会被重新采样到 16kHz。
>>> dataset[0]["audio"]
{'array': array([ 2.3443763e-05, 2.1729663e-04, 2.2145823e-04, ...,
3.8356509e-05, -7.3497440e-06, -2.1754686e-05], dtype=float32),
'path': '/root/.cache/huggingface/datasets/downloads/extracted/f14948e0e84be638dd7943ac36518a4cf3324e8b7aa331c5ab11541518e9368c/en-US~JOINT_ACCOUNT/602ba55abb1e6d0fbce92065.wav',
'sampling_rate': 16000}
映射
map() 函数可以帮助您一次性预处理整个数据集。根据您正在使用的模型类型,您需要加载 特征提取器 或 处理器。
对于预训练的语音识别模型,加载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)
对于微调的语音识别模型,您只需要加载一个
processor
。>>> from transformers import AutoProcessor >>> processor = AutoProcessor.from_pretrained("facebook/wav2vec2-base-960h")
当您将 map() 与您的预处理函数一起使用时,请包含 audio
列以确保您确实在对音频数据进行重新采样。
>>> def prepare_dataset(batch):
... audio = batch["audio"]
... batch["input_values"] = processor(audio["array"], 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)