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

• 对采样率进行重采样。
• 在音频数据集上使用 map()。

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() 函数用于将某一列转换为另一种待解码的特征。当你将此函数与 Audio 特征结合使用时，可以对采样率进行重采样

>>> from datasets import load_dataset, Audio

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

音频文件是在运行时（on-the-fly）进行解码和重采样的，因此当你下次访问样本时，音频文件将被重采样至 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() 函数可以帮助你一次性预处理整个数据集。根据你所使用的模型类型，你需要加载 特征提取器 (feature extractor) 或 处理器 (processor)。

• 对于预训练的语音识别模型，请加载特征提取器和分词器 (tokenizer)，并将它们组合在一个 processor 中

  已复制

  >>> 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，你只需要加载 processor

  已复制

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

当你将 map() 与预处理函数结合使用时，请包含 audio 列，以确保你确实在对音频数据进行重采样

>>> 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)