funasr2 paraformer biciparaformer contextuaparaformer

游雁

2023-12-13 806a03609df033d61f824f1ab8527eb88fe837ad

 funasr/datasets/dataset_jsonl.py

@@ -1,12 +1,22 @@
import torch
import json
import torch.distributed as dist
import numpy as np
import kaldiio
import librosa
import torchaudio
import time
import logging

class AudioDatasetJsonl(torch.utils.data.Dataset):
from funasr.datasets.fun_datasets.load_audio_extract_fbank import load_audio, extract_fbank
   
   def __init__(self, path, data_parallel_rank=0, data_parallel_size=1):
	

class IndexedDatasetJsonl(torch.utils.data.Dataset):
	
   def __init__(self, path):
      super().__init__()
      data_parallel_size = dist.get_world_size()
		
      contents = []
      with open(path, encoding='utf-8') as fin:
         for line in fin:
@@ -30,14 +40,88 @@
      
      self.contents = []
      total_num = len(contents)
      num_per_rank = total_num // data_parallel_size
      rank = dist.get_rank()
      try:
         rank = dist.get_rank()
         world_size = dist.get_world_size()
      except:
         rank = 0
         world_size = 1
         logging.warning("distributed is not initialized, only single shard")
      num_per_rank = total_num // world_size
		
      # rank = 0
      # import ipdb; ipdb.set_trace()
      self.contents = contents[rank * num_per_rank:(rank + 1) * num_per_rank]

	
      logging.info("in rank: {}, num of samplers: {}, total_num of samplers across ranks: {}".format(rank, len(self.contents), len(contents)))

   def __len__(self):
      return len(self.contents)
   
   def __getitem__(self, index):
      return self.contents[index]
	
   def get_source_len(self, data_dict):
      return data_dict["source_len"]

   def get_target_len(self, data_dict):
		
      return data_dict["target_len"] if "target_len" in data_dict else 0


class AudioDataset(torch.utils.data.Dataset):
   def __init__(self, path, frontend=None, tokenizer=None, int_pad_value: int = -1, float_pad_value: float = 0.0, **kwargs):
      super().__init__()
      self.indexed_dataset = IndexedDatasetJsonl(path)
      self.frontend = frontend.forward
      self.fs = 16000 if frontend is None else frontend.fs
      self.data_type = "sound"
      self.tokenizer = tokenizer

      self.int_pad_value = int_pad_value
      self.float_pad_value = float_pad_value

	

	
   def __len__(self):
      return len(self.indexed_dataset)
	
   def __getitem__(self, index):
      item = self.indexed_dataset[index]

      source = item["source"]
      data_src = load_audio(source, fs=self.fs)
      speech, speech_lengths = extract_fbank(data_src, self.data_type, self.frontend) # speech: [b, T, d]
      target = item["target"]
      ids = self.tokenizer.encode(target)
      ids_lengths = len(ids)
      text, text_lengths = torch.tensor(ids, dtype=torch.int64), torch.tensor([ids_lengths], dtype=torch.int32)

      return {"speech": speech[0, :, :],
              "speech_lengths": speech_lengths,
              "text": text,
              "text_lengths": text_lengths,
              }
	
	
   def collator(self, samples: list=None):
		
      # return samples
		
      outputs = {}
      for sample in samples:
         for key in sample.keys():
            if key not in outputs:
               outputs[key] = []
            outputs[key].append(sample[key])

      for key, data_list in outputs.items():
         if data_list[0].dtype == torch.int64:

            pad_value = self.int_pad_value
         else:
            pad_value = self.float_pad_value
         outputs[key] = torch.nn.utils.rnn.pad_sequence(data_list, batch_first=True, padding_value=pad_value)
      return outputs