處理音訊資料

本指南介紹處理音訊資料集的具體方法。瞭解如何：

• 重新取樣採樣率。
• 在音訊資料集上使用 map()。

關於如何處理各類資料集的指南，請參考通用處理指南。

轉型 (Cast)

cast_column() 函式用於將欄位轉換為其他特徵以便解碼。當您將此函式與 Audio 特徵一起使用時，您可以重新取樣採樣率。

>>> from datasets import load_dataset, Audio

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

音訊檔案會在運行時（on-the-fly）進行解碼和重新取樣，因此下次您存取該範例時，音訊檔案將被重新取樣至 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)

map() 函式有助於一次預處理整個資料集。根據您所使用的模型類型，您需要載入 特徵提取器 (feature extractor) 或 處理器 (processor)。

• 對於預訓練的語音識別模型，請載入特徵提取器和分詞器 (tokenizer)，並將它們整合在一個 processor 中。

  已複製

  >>> 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)

• 對於微調後的語音識別模型，您只需要載入一個 processor。

  已複製

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

當您使用 map() 搭配您的預處理函式時，請務必包含 audio 欄位，以確保您確實是在重新取樣音訊資料。

>>> 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)