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。
将 map() 与音频数据集一起使用。

有关如何处理任何类型数据集的指南，请参阅通用处理指南。

类型转换

cast_column() 函数用于将列转换为要解码的另一个特征。当您将此函数与 Audio 特征一起使用时，您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和重新采样，因此下次您访问示例时，音频文件会重新采样为 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您的整个数据集。根据您使用的模型类型，您需要加载一个特征提取器或一个处理器。

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，包含 audio 列以确保您实际重新采样了音频数据

>>> 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)

< > 在 GitHub 上更新