funasr1.0

游雁

2024-01-13 bdfd27b9e96bd55c449953bb577e1d4deeaf11c9

 funasr/utils/load_utils.py

@@ -16,7 +16,7 @@



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

@@ -26,24 +26,34 @@
            
            for j, (data_type_j, data_or_path_or_list_j) in enumerate(zip(data_type_i, data_or_path_or_list_i)):
               
               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)
               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 data_or_path_or_list_ret
      else:
         return [load_audio_text_image_video(audio, fs=fs, audio_fs=audio_fs, data_type=data_type) for audio in data_or_path_or_list]
   if isinstance(data_or_path_or_list, str) and data_or_path_or_list.startswith('http'):
         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(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):
	
   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 == "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 = np.squeeze(data_or_path_or_list)  # [n_samples,]
      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")
@@ -68,7 +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):
@@ -83,7 +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])
@@ -91,7 +101,7 @@
   # 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])