游雁
2023-08-30 c2e4e3c2e9be855277d9f4fa9cd0544892ff829a
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
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
import argparse
import numpy as np
import librosa
import soundfile as sf
import os
import random
import json
from funasr.utils.misc import load_scp_as_dict, load_scp_as_list
from tqdm import tqdm
 
 
def mix_wav_noise(wav, noise, snr):
    n_repeat = len(wav) // len(noise) + 1
    noise = np.repeat(noise, n_repeat, axis=0)
    st = random.randint(0, len(noise) - len(wav))
    noise = noise[st: st+len(wav)]
 
    wav_mag = np.linalg.norm(wav, ord=2)
    noise_mag = np.linalg.norm(noise, ord=2)
    scale = wav_mag / (10 ** (float(snr) / 20))
    noise = noise / noise_mag * scale
    check_snr = 20 * np.log10(np.linalg.norm(wav, ord=2) / np.linalg.norm(noise, ord=2))
    if abs(check_snr - snr) >= 1e-2:
        print("SNR: {:.4f}, real SNR: {:.4f}".format(snr, check_snr))
    return wav + noise
 
 
def calc_labels(rttms, args):
    turns = []
    total_length = 0
    for spk, st, dur in rttms:
        if args.random_interval:
            # random shift the interval with 20% of duration
            x = random.uniform(-dur*0.2, dur*0.2)
            st = max(0, st + x)
            # random squeeze or extend the interval
            dur += random.uniform(-dur*0.5, dur*0.5)
        if st + dur > total_length:
            total_length = st + dur
        turns.append([spk, st, dur])
 
    # resort the turns according start point
    turns = sorted(turns, key=lambda x: x[1])
 
    spk_list = []
    for spk, st, dur in turns:
        if spk not in spk_list:
            spk_list.append(spk)
 
    total_length = int(total_length * args.sr)
    labels = np.zeros((len(spk_list), total_length), float)
    for spk, org_st, org_dur in turns:
        # random re-assign speaker to make more various samples
        st, dur = int(org_st * args.sr), int(org_dur * args.sr)
        if args.random_assign_spk:
            spk = random.choice(spk_list)
        spk_id = spk_list.index(spk)
        labels[spk_id, st:st+dur] = 1.0
 
    new_turns = []
    for i in range(len(spk_list)):
        st = 0
        in_interval = False
        for j in range(total_length):
            if labels[i, j] == 1 and not in_interval:
                in_interval = True
                st = j
            if (labels[i, j] == 0 or j == total_length-1) and in_interval:
                in_interval = False
                new_turns.append((spk_list[i], float(st) / args.sr, float(j - st) / args.sr))
    new_turns = sorted(new_turns, key=lambda x: x[1])
 
    return labels, spk_list, new_turns
 
 
def save_wav(data, wav_path, sr):
    if np.max(np.abs(data)).item() > 32767:
        data = data / np.max(np.abs(data)) * 0.9 * 32767
    sf.write(wav_path, data.astype(np.int16), sr, "PCM_16", "LITTLE", "WAV", True)
 
 
def build(mid, meeting2rttm, spk2wav, noise_scp, room2rirs, args):
    mid = "m{:05d}".format(mid+1)
    if args.corpus_name is not None:
        mid = args.corpus_name + "_" + mid
    org_reco_id = random.choice(meeting2rttm.keys())
    rttms = meeting2rttm[org_reco_id]
    labels, org_spk_list, org_turns = calc_labels(rttms, args)
    n_spk = len(org_spk_list)
 
    expected_length = labels.shape[1]
    meeting_spk_list = random.sample(spk2wav.keys(), n_spk)
    spk_mask = (np.sum(labels, axis=1) > 0).astype(int)
    pos_spk_list = [spk for spk, mask in zip(meeting_spk_list, spk_mask) if mask == 1]
    noise_id, noise_path = random.choice(noise_scp)
    noise_wav = librosa.load(noise_path, args.sr, True)[0] * 32767
    snr = random.choice(args.snr_list)
    room_id = random.choice(room2rirs.keys())
    # different speakers can locate at the same position a.k.a. the same rir.
    rir_list = [random.choice(room2rirs[room_id]) for _ in range(n_spk)]
 
    mata = {
        "id": mid,
        "num_spk": n_spk,
        "pos_spk": pos_spk_list,
        "spk_list": meeting_spk_list,
        "seg_info": [],
        "noise": noise_id,
        "snr": snr,
        "length": expected_length,
        "meeting_info": org_reco_id,
        "room_id": room_id
    }
    sig = np.zeros((expected_length, ), dtype=np.float32)
    for i, spk in enumerate(meeting_spk_list):
        if spk in pos_spk_list:
            wav = librosa.load(spk2wav[spk], args.sr, True)[0] * 32767
            if len(wav) <= expected_length:
                # NOTE: to repeat an array, use np.tile rather than np.repeats
                wav = np.tile(wav, expected_length // len(wav) + 1)
            spk_st = np.random.randint(0, len(wav) - expected_length)
            spk_sig = wav[spk_st: spk_st+expected_length]
            spk_sig = spk_sig * labels[i, :]
            rir_wav = librosa.load(rir_list[i][1], args.sr, True)[0] * 32767
            spk_sig = np.convolve(spk_sig, rir_wav, "full")[:expected_length]
            mata["seg_info"].append([spk, spk_st, rir_list[i][0]])
            sig += spk_sig
 
    mix = mix_wav_noise(sig, noise_wav, snr)
    if np.max(np.abs(mix)).item() > 32767:
        mix = mix / np.max(np.abs(mix)) * 0.9 * 32767
    save_path = os.path.join(args.out_dir, "{}.wav".format(mid))
    sf.write(save_path, mix.astype(np.int16), args.sr, "PCM_16", "LITTLE", "WAV", True)
 
    rttm_file = open(os.path.join(args.out_dir, "{}.rttm".format(mid)), "wt")
    for spk, st, dur in org_turns:
        rttm_file.write("SPEAKER {} 0 {:.3f} {:.3f} <NA> <NA> {} <NA> <NA>{}".format(
            mid, st, dur, meeting_spk_list[org_spk_list.index(spk)], os.linesep))
    rttm_file.close()
 
    return mata, mix, labels
 
 
def filter_spk_num(meeting2rttm, reco2num_spk, spk_num):
    meeting_list = meeting2rttm.keys()
    filtered_list = list(filter(lambda x: int(reco2num_spk[x]) == spk_num, meeting_list))
    new_dict = {key: meeting2rttm[key] for key in filtered_list}
    print("Keep {} out of {} according to speaker number {}".format(len(new_dict), len(meeting2rttm), spk_num))
    return new_dict
 
 
def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("dir", type=str)
    parser.add_argument("out_dir", type=str)
    parser.add_argument("--total_mix", type=int, default=1)
    parser.add_argument("--sr", type=int, default=8000)
    parser.add_argument("--snr_list", type=int, default=[15, 20, 25], nargs="+")
    parser.add_argument("--spk_num", type=int, default=0)
 
    parser.add_argument("--corpus_name", type=str, default=None)
    parser.add_argument("--task_id", type=int, default=0)
    parser.add_argument("--no_bar", action="store_true", default=False)
    parser.add_argument("--verbose", action="store_true", default=False)
    parser.add_argument("--debug", action="store_true", default=False)
    parser.add_argument("--random_assign_spk", action="store_true", default=False)
    parser.add_argument("--random_interval", action="store_true", default=False)
    args = parser.parse_args()
    assert args.sr == 8000, "For callhome dataset, the sample rate should be 8000, use --sr 8000."
 
    # SPEAKER iaaa 0 0 1.08 <NA> <NA> B <NA> <NA>
    meeting2rttm = {}
    for one_line in open(os.path.join(args.dir, "ref.rttm")):
        parts = one_line.strip().split(" ")
        mid, spk, st, dur = parts[1], parts[7], float(parts[3]), float(parts[4])
        if mid not in meeting2rttm:
            meeting2rttm[mid] = []
        meeting2rttm[mid].append((spk, st, dur))
    reco2num_spk = load_scp_as_dict(os.path.join(args.dir, "reco2num_spk"))
    if args.spk_num > 1:
        meeting2rttm = filter_spk_num(meeting2rttm, reco2num_spk, args.spk_num)
 
    spk2wav = load_scp_as_dict(os.path.join(args.dir, "spk2wav.scp"))
    noise_scp = load_scp_as_list(os.path.join(args.dir, "noise.scp"))
    rirs_scp = load_scp_as_list(os.path.join(args.dir, "rirs.scp"))
    room2rirs = {}
    for rir_id, rir_path in rirs_scp:
        room_id = rir_id.rsplit("-", 1)[0]
        if room_id not in room2rirs:
            room2rirs[room_id] = []
        room2rirs[room_id].append((rir_id, rir_path))
 
    if not os.path.exists(args.out_dir):
        os.makedirs(args.out_dir)
    task_list = list(range(args.task_id * args.total_mix, (args.task_id + 1) * args.total_mix))
 
    mata_data = []
    total = 0
    if args.debug:
        one, wav, label = build(0, meeting2rttm, spk2wav, noise_scp, room2rirs, args)
        mata_data.append(one)
    else:
        for mid in tqdm(task_list, total=len(task_list), ascii=True, disable=args.no_bar):
            one, wav, label = build(mid, meeting2rttm, spk2wav, noise_scp, room2rirs, args)
            mata_data.append(one)
            total += one["length"]
            if args.verbose:
                print("File name: {:20s}, segment num: {:5d}, speaker num: {:2d}, duration: {:7.2f}m".format(
                    one["id"], len(one["seg_info"]), one["num_spk"], float(one["length"]) / args.sr / 60))
    print("Total files: {}, Total duration: {:.2f} hours".format(args.total_mix, (1.0 * total / args.sr / 3600)))
    json.dump(mata_data, open(os.path.join(args.out_dir, "mata.{}.json".format(args.task_id)), "wt"),
              ensure_ascii=False, encoding='utf-8', indent=4, sort_keys=True)
 
 
if __name__ == '__main__':
    main()