FUNASR训练
blame | 历史 | 补丁 | 提交 | 提交对比 | ignore whitespace
shixian.shi
2024-01-15 55c09aeaa25b4bb88a50e09ba68fa6ff00a6d676 
 funasr/utils/load_utils.py


@@ -9,53 +9,59 @@


import time


import logging


from torch.nn.utils.rnn import pad_sequence




# def load_audio(audio_or_path_or_list, fs: int=16000, audio_fs: int=16000):


#


#    if isinstance(audio_or_path_or_list, (list, tuple)):


#       return [load_audio(audio, fs=fs, audio_fs=audio_fs) for audio in audio_or_path_or_list]


#


#    if isinstance(audio_or_path_or_list, str) and os.path.exists(audio_or_path_or_list):


#       audio_or_path_or_list, audio_fs = torchaudio.load(audio_or_path_or_list)


#       audio_or_path_or_list = audio_or_path_or_list[0, :]


#    elif isinstance(audio_or_path_or_list, np.ndarray): # audio sample point


#       audio_or_path_or_list = np.squeeze(audio_or_path_or_list) #[n_samples,]


#


#    if audio_fs != fs:


#       resampler = torchaudio.transforms.Resample(audio_fs, fs)


#       audio_or_path_or_list = resampler(audio_or_path_or_list[None, :])[0, :]


#    return audio_or_path_or_list


try:


   from funasr.download.file import download_from_url


except:


   print("urllib is not installed, if you infer from url, please install it first.")






def load_audio_and_text_image_video(audio_or_path_or_list, fs: int = 16000, audio_fs: int = 16000, data_type=None, tokenizer=None):


   if isinstance(audio_or_path_or_list, (list, tuple)):




def load_audio_text_image_video(data_or_path_or_list, fs: int = 16000, audio_fs: int = 16000, data_type="sound", tokenizer=None, **kwargs):


   if isinstance(data_or_path_or_list, (list, tuple)):


      if data_type is not None and isinstance(data_type, (list, tuple)):




         data_types = [data_type] * len(audio_or_path_or_list)


         audio_or_path_or_list_ret = [[] for d in data_type]


         for i, (data_type_i, audio_or_path_or_list_i) in enumerate(zip(data_types, audio_or_path_or_list)):


         data_types = [data_type] * len(data_or_path_or_list)


         data_or_path_or_list_ret = [[] for d in data_type]


         for i, (data_type_i, data_or_path_or_list_i) in enumerate(zip(data_types, data_or_path_or_list)):


            


            for j, (data_type_j, audio_or_path_or_list_j) in enumerate(zip(data_type_i, audio_or_path_or_list_i)):


            for j, (data_type_j, data_or_path_or_list_j) in enumerate(zip(data_type_i, data_or_path_or_list_i)):


               


               audio_or_path_or_list_j = load_audio_and_text_image_video(audio_or_path_or_list_j, fs=fs, audio_fs=audio_fs, data_type=data_type_j, tokenizer=tokenizer)


               audio_or_path_or_list_ret[j].append(audio_or_path_or_list_j)


               data_or_path_or_list_j = load_audio_text_image_video(data_or_path_or_list_j, fs=fs, audio_fs=audio_fs, data_type=data_type_j, tokenizer=tokenizer, **kwargs)


               data_or_path_or_list_ret[j].append(data_or_path_or_list_j)




         return audio_or_path_or_list_ret


         return data_or_path_or_list_ret


      else:


         return [load_audio_and_text_image_video(audio, fs=fs, audio_fs=audio_fs) for audio in audio_or_path_or_list]


         return [load_audio_text_image_video(audio, fs=fs, audio_fs=audio_fs, data_type=data_type, **kwargs) for audio in data_or_path_or_list]


   


   if isinstance(audio_or_path_or_list, str) and os.path.exists(audio_or_path_or_list):


      audio_or_path_or_list, audio_fs = torchaudio.load(audio_or_path_or_list)


      audio_or_path_or_list = audio_or_path_or_list[0, :]


   elif isinstance(audio_or_path_or_list, np.ndarray):  # audio sample point


      audio_or_path_or_list = np.squeeze(audio_or_path_or_list)  # [n_samples,]


   elif isinstance(audio_or_path_or_list, str) and data_type is not None and data_type == "text" and tokenizer is not None:


      audio_or_path_or_list = tokenizer.encode(audio_or_path_or_list)


   if isinstance(data_or_path_or_list, str) and data_or_path_or_list.startswith('http'): # download url to local file


      data_or_path_or_list = download_from_url(data_or_path_or_list)


	


   if isinstance(data_or_path_or_list, str) and os.path.exists(data_or_path_or_list): # local file


      if data_type is None or data_type == "sound":


         data_or_path_or_list, audio_fs = torchaudio.load(data_or_path_or_list)


         data_or_path_or_list = data_or_path_or_list[0, :]


      elif data_type == "text" and tokenizer is not None:


         data_or_path_or_list = tokenizer.encode(data_or_path_or_list)


      elif data_type == "image": # undo


         pass


      elif data_type == "video": # undo


         pass


		


      # if data_in is a file or url, set is_final=True


      if "cache" in kwargs:


         kwargs["cache"]["is_final"] = True


   elif isinstance(data_or_path_or_list, str) and data_type == "text" and tokenizer is not None:


      data_or_path_or_list = tokenizer.encode(data_or_path_or_list)


   elif isinstance(data_or_path_or_list, np.ndarray):  # audio sample point


      data_or_path_or_list = torch.from_numpy(data_or_path_or_list).squeeze()  # [n_samples,]


   else:


      pass


      # print(f"unsupport data type: {data_or_path_or_list}, return raw data")


      


   if audio_fs != fs and data_type != "text":


      resampler = torchaudio.transforms.Resample(audio_fs, fs)


      audio_or_path_or_list = resampler(audio_or_path_or_list[None, :])[0, :]


   return audio_or_path_or_list


      data_or_path_or_list = resampler(data_or_path_or_list[None, :])[0, :]


   return data_or_path_or_list




def load_bytes(input):


   middle_data = np.frombuffer(input, dtype=np.int16)


@@ -72,7 +78,7 @@


   array = np.frombuffer((middle_data.astype(dtype) - offset) / abs_max, dtype=np.float32)


   return array




def extract_fbank(data, data_len = None, data_type: str="sound", frontend=None):


def extract_fbank(data, data_len = None, data_type: str="sound", frontend=None, **kwargs):


   # import pdb;


   # pdb.set_trace()


   if isinstance(data, np.ndarray):


@@ -87,7 +93,7 @@


   elif isinstance(data, (list, tuple)):


      data_list, data_len = [], []


      for data_i in data:


         if isinstance(data, np.ndarray):


         if isinstance(data_i, np.ndarray):


            data_i = torch.from_numpy(data_i)


         data_list.append(data_i)


         data_len.append(data_i.shape[0])


@@ -95,8 +101,9 @@


   # import pdb;


   # pdb.set_trace()


   # if data_type == "sound":


   data, data_len = frontend(data, data_len)


   data, data_len = frontend(data, data_len, **kwargs)


   


   if isinstance(data_len, (list, tuple)):


      data_len = torch.tensor([data_len])


   return data.to(torch.float32), data_len.to(torch.int32)


   return data.to(torch.float32), data_len.to(torch.int32)