嘉渊
2023-04-24 6427c834dfd97b1f05c6659cdc7ccf010bf82fe1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
import soundfile
import kaldiio
from tqdm import tqdm
import json
import os
from funasr.utils.misc import load_scp_as_list, load_scp_as_dict
import numpy as np
import argparse
import random
 
short_spk_list = []
def calc_rand_ivc(spk, spk2utt, utt2ivc, utt2frames, total_len=3000):
    all_utts = spk2utt[spk]
    idx_list = list(range(len(all_utts)))
    random.shuffle(idx_list)
    count = 0
    utt_list = []
    for i in idx_list:
        utt_id = all_utts[i]
        utt_list.append(utt_id)
        count += int(utt2frames[utt_id])
        if count >= total_len:
            break
    if count < 300 and spk not in short_spk_list:
        print("Speaker {} has only {} frames, but expect {} frames at least, use them all.".format(spk, count, 300))
        short_spk_list.append(spk)
 
    ivc_list = [kaldiio.load_mat(utt2ivc[utt]) for utt in utt_list]
    ivc_list = [x/np.linalg.norm(x, axis=-1) for x in ivc_list]
    ivc = np.concatenate(ivc_list, axis=0)
    ivc = np.mean(ivc, axis=0, keepdims=False)
    return ivc
 
 
def process(meeting_scp, labels_scp, spk2utt, utt2xvec, utt2frames, meeting2spk_list, args):
    out_prefix = args.out
 
    ivc_dim = 192
    win_len, win_shift = 400, 160
    label_weights = 2 ** np.array(list(range(args.n_spk)))
    wav_writer = kaldiio.WriteHelper("ark,scp:{}_wav.ark,{}_wav.scp".format(out_prefix, out_prefix))
    ivc_writer = kaldiio.WriteHelper("ark,scp:{}_profile.ark,{}_profile.scp".format(out_prefix, out_prefix))
    label_writer = kaldiio.WriteHelper("ark,scp:{}_label.ark,{}_label.scp".format(out_prefix, out_prefix))
 
 
    frames_list = []
    chunk_size = int(args.chunk_size * args.sr)
    chunk_shift = int(args.chunk_shift * args.sr)
    for mid, meeting_wav_path in tqdm(meeting_scp, total=len(meeting_scp), ascii=True, disable=args.no_pbar):
        meeting_wav, sr = soundfile.read(meeting_wav_path, dtype='float32')
        num_chunk = (len(meeting_wav) - chunk_size) // chunk_shift + 1
        meeting_labels = np.load(labels_scp[mid])
        for i in range(num_chunk):
            st, ed = i*chunk_shift, i*chunk_shift+chunk_size
            seg_id = "{}-{:03d}-{:06d}-{:06d}".format(mid, i, int(st/args.sr*100), int(ed/args.sr*100))
            wav_writer(seg_id, meeting_wav[st: ed])
 
            xvec_list = []
            for spk in meeting2spk_list[mid]:
                spk_xvec = calc_rand_ivc(spk, spk2utt, utt2xvec, utt2frames, 1000)
                xvec_list.append(spk_xvec)
            for _ in range(args.n_spk - len(xvec_list)):
                xvec_list.append(np.zeros((ivc_dim,), dtype=np.float32))
            xvec = np.row_stack(xvec_list)
            ivc_writer(seg_id, xvec)
 
            wav_label = meeting_labels[st:ed, :]
            frame_num = (ed-st) // win_shift
            # wav_label = np.pad(wav_label, ((win_len/2, win_len/2), (0, 0)), "constant")
            feat_label = np.zeros((frame_num, wav_label.shape[1]), dtype=np.float32)
            for i in range(frame_num):
                frame_label = wav_label[i*win_shift: (i+1)*win_shift, :]
                feat_label[i, :] = (np.sum(frame_label, axis=0) > 0).astype(np.float32)
            label_writer(seg_id, feat_label)
 
            frames_list.append((mid, feat_label.shape[0]))
    return frames_list
 
 
def calc_spk_list(rttm_path):
    spk_list = []
    for one_line in open(rttm_path, "rt"):
        parts = one_line.strip().split(" ")
        mid, st, dur, spk = parts[1], float(parts[3]), float(parts[4]), int(parts[7])
        spk = "{}_S{:03d}".format(mid, spk)
        if spk not in spk_list:
            spk_list.append(spk)
 
    return spk_list
 
 
def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("--dir", required=True, type=str, default=None,
                        help="feats.scp")
    parser.add_argument("--out", required=True, type=str, default=None,
                        help="The prefix of dumpped files.")
    parser.add_argument("--n_spk", type=int, default=4)
    parser.add_argument("--use_lfr", default=False, action="store_true")
    parser.add_argument("--no_pbar", default=False, action="store_true")
    parser.add_argument("--sr", type=int, default=16000)
    parser.add_argument("--chunk_size", type=int, default=16)
    parser.add_argument("--chunk_shift", type=int, default=4)
    args = parser.parse_args()
 
    if not os.path.exists(os.path.dirname(args.out)):
        os.makedirs(os.path.dirname(args.out))
 
    meetings_scp = load_scp_as_list(os.path.join(args.dir, "meetings_rmsil.scp"))
    labels_scp = load_scp_as_dict(os.path.join(args.dir, "labels.scp"))
    rttm_scp = load_scp_as_list(os.path.join(args.dir, "rttm.scp"))
    utt2spk = load_scp_as_dict(os.path.join(args.dir, "utt2spk"))
    utt2xvec = load_scp_as_dict(os.path.join(args.dir, "utt2xvec"))
    utt2wav = load_scp_as_dict(os.path.join(args.dir, "wav.scp"))
    utt2frames = {}
    for uttid, wav_path in utt2wav.items():
        wav, sr = soundfile.read(wav_path, dtype="int16")
        utt2frames[uttid] = int(len(wav) / sr * 100)
 
    meeting2spk_list = {}
    for mid, rttm_path in rttm_scp:
        meeting2spk_list[mid] = calc_spk_list(rttm_path)
 
    spk2utt = {}
    for utt, spk in utt2spk.items():
        if utt in utt2xvec and utt in utt2frames and int(utt2frames[utt]) > 25:
            if spk not in spk2utt:
                spk2utt[spk] = []
            spk2utt[spk].append(utt)
 
    # random.shuffle(feat_scp)
    meeting_lens = process(meetings_scp, labels_scp, spk2utt, utt2xvec, utt2frames, meeting2spk_list, args)
    total_frames = sum([x[1] for x in meeting_lens])
    print("Total chunks: {:6d}, total frames: {:10d}".format(len(meeting_lens), total_frames))
 
 
if __name__ == '__main__':
    main()