오디오 데이터 처리

이 가이드에서는 오디오 데이터셋을 처리하는 구체적인 방법을 보여줍니다. 다음을 배워보세요:

• 샘플링 레이트를 리샘플링합니다.
• 오디오 데이터셋에 map()을 사용합니다.

모든 유형의 데이터셋을 처리하는 방법에 대한 가이드는 일반 처리 가이드를 참고하세요.

캐스팅

cast_column() 함수는 컬럼을 디코딩할 다른 feature로 캐스팅하는 데 사용됩니다. 이 함수를 Audio feature와 함께 사용하면 샘플링 레이트를 리샘플링할 수 있습니다:

>>> from datasets import load_dataset, Audio

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

오디오 파일은 실시간으로 디코딩 및 리샘플링되므로, 다음에 예시를 액세스할 때 오디오 파일은 16kHz로 리샘플링됩니다:

>>> 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

맵

map() 함수는 전체 데이터셋을 한 번에 전처리하는 데 도움이 됩니다. 작업 중인 모델의 유형에 따라 feature extractor 또는 processor를 로드해야 합니다.

• 사전 학습된 음성 인식 모델의 경우, feature extractor와 tokenizer를 로드하여 processor로 결합합니다:

  복사됨

  >>> 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)

• 파인튜닝된 음성 인식 모델의 경우 processor만 로드하면 됩니다:

  복사됨

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

audio 컬럼을 포함하여 map()을 전처리 함수와 함께 사용하면 오디오 데이터가 실제로 리샘플링되는지 확인할 수 있습니다:

>>> 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)