Ses verilerini işleyin

Bu kılavuz, ses veri setlerini işleme için belirli yöntemleri gösterir. Şunları öğrenin:

• Örnekleme hızını yeniden örnekle.
• Ses veri kümeleriyle map() kullanın.

Herhangi bir veri seti türünü işleme konusunda bir kılavuz için genel işlem kılavuzuna göz atın.

Dönüştür

cast_column() fonksiyonu, bir sütunu çözümlenecek başka bir özelliğe dönüştürmek için kullanılır. Bu fonksiyonu Audio özelliğiyle kullandığınızda örneklem hızını yeniden örnekleyebilirsiniz:

>>> from datasets import load_dataset, Audio

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

Ses dosyaları anlık olarak çözümlenir ve yeniden örneklenir, bu nedenle bir örneğe bir sonraki erişimde ses dosyası 16kHz'e yeniden örneklenir:

>>> 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

Harita

map() fonksiyonu, tüm veri setinizi tek seferde ön işlemeye yardımcı olur. Çalıştığınız model türüne bağlı olarak bir feature extractor veya bir processor yüklemeniz gerekir.

• Önceden eğitilmiş konuşma tanıma modelleri için bir özellik çıkarıcı ve bir belirteç ayrıştırıcı yükleyin ve bunları bir processor içinde birleştirin:

  Kopyalandı

  >>> 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)

• İnce ayarlanmış konuşma tanıma modelleri için yalnızca bir processor yüklemeniz gerekir:

  Kopyalandı

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

Ön işleme işlevinizle map() kullanırken, ses verisinin gerçekten yeniden örneklenmesini sağlamak için audio sütununu dahil edin:

>>> 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)