fix bug

游雁

2024-06-09 b75d1e89bb2f513a79bb07e9100ba1cd2bbcf40c

 funasr/datasets/large_datasets/utils/tokenize.py

@@ -3,6 +3,7 @@
import numpy as np
from funasr.datasets.large_datasets.utils.hotword_utils import sample_hotword


def forward_segment(text, seg_dict):
    word_list = []
    i = 0
@@ -17,8 +18,9 @@
        i += len(longest_word)
    return word_list


def seg_tokenize(txt, seg_dict):
    pattern = re.compile(r'^[\u4E00-\u9FA50-9]+$')
    pattern = re.compile(r"^[\u4E00-\u9FA50-9]+$")
    out_txt = ""
    for word in txt:
        word = word.lower()
@@ -35,12 +37,8 @@
                out_txt += "<unk>" + " "
    return out_txt.strip().split()

def tokenize(data,
             vocab=None,
             seg_dict=None,
             punc_dict=None,
             bpe_tokenizer=None,
             hw_config=None):

def tokenize(data, vocab=None, seg_dict=None, punc_dict=None, bpe_tokenizer=None, hw_config=None):
    assert "text" in data
    assert isinstance(vocab, dict)
    text = data["text"]
@@ -53,11 +51,11 @@
        text = seg_tokenize(text, seg_dict)

    length = len(text)
    if 'hw_tag' in data:
        if hw_config['pre_hwlist'] is not None and hw_config['pre_prob'] > 0:
    if "hw_tag" in data:
        pre_index = None
        if hw_config["pre_hwlist"] is not None and hw_config["pre_prob"] > 0:
            # enable preset hotword detect in sampling
            pre_index = None
            for hw in hw_config['pre_hwlist']:
            for hw in hw_config["pre_hwlist"]:
                hw = " ".join(seg_tokenize(hw, seg_dict))
                _find = " ".join(text).find(hw)
                if _find != -1:
@@ -65,11 +63,11 @@
                    pre_index = [_find, _find + max(hw.count(" "), 1)]
                    break
        hotword_indxs = sample_hotword(length, **hw_config, pre_index=pre_index)
        data['hotword_indxs'] = hotword_indxs
        del data['hw_tag']
        data["hotword_indxs"] = hotword_indxs
        del data["hw_tag"]
    for i in range(length):
        x = text[i]
        if i == length-1 and "punc" in data and x.startswith("vad:"):
        if i == length - 1 and "punc" in data and x.startswith("vad:"):
            vad = x[4:]
            if len(vad) == 0:
                vad = -1
@@ -78,7 +76,7 @@
        elif x in vocab:
            token.append(vocab[x])
        else:
            token.append(vocab['<unk>'])
            token.append(vocab["<unk>"])

    if "punc" in data and punc_dict is not None:
        punc_token = []
@@ -87,9 +85,9 @@
                punc_token.append(punc_dict[punc])
            else:
                punc_token.append(punc_dict["_"])
        data["punc"] =  np.array(punc_token)
        data["punc"] = np.array(punc_token)

    data["text"] = np.array(token)
    if vad is not -2:
        data["vad_indexes"]=np.array([vad], dtype=np.int64)
        data["vad_indexes"] = np.array([vad], dtype=np.int64)
    return data