mirror of
https://github.com/modelscope/FunASR
synced 2025-09-15 14:48:36 +08:00
add support mixture of kaldi_ark or sound
This commit is contained in:
parent
0a65aaf266
commit
ef817d0a7d
@ -81,7 +81,7 @@ def load_audio_text_image_video(
|
|||||||
data_or_path_or_list = download_from_url(data_or_path_or_list)
|
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 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":
|
if data_type is None or data_type in ["sound", "kaldi_ark_or_sound"]:
|
||||||
# if use_ffmpeg:
|
# if use_ffmpeg:
|
||||||
# data_or_path_or_list = _load_audio_ffmpeg(data_or_path_or_list, sr=fs)
|
# data_or_path_or_list = _load_audio_ffmpeg(data_or_path_or_list, sr=fs)
|
||||||
# data_or_path_or_list = torch.from_numpy(data_or_path_or_list).squeeze() # [n_samples,]
|
# data_or_path_or_list = torch.from_numpy(data_or_path_or_list).squeeze() # [n_samples,]
|
||||||
@ -113,7 +113,7 @@ def load_audio_text_image_video(
|
|||||||
data_or_path_or_list = tokenizer.encode(data_or_path_or_list)
|
data_or_path_or_list = tokenizer.encode(data_or_path_or_list)
|
||||||
elif isinstance(data_or_path_or_list, np.ndarray): # audio sample point
|
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,]
|
data_or_path_or_list = torch.from_numpy(data_or_path_or_list).squeeze() # [n_samples,]
|
||||||
elif isinstance(data_or_path_or_list, str) and data_type == "kaldi_ark":
|
elif isinstance(data_or_path_or_list, str) and data_type in ["kaldi_ark", "kaldi_ark_or_sound"]:
|
||||||
data_mat = kaldiio.load_mat(data_or_path_or_list)
|
data_mat = kaldiio.load_mat(data_or_path_or_list)
|
||||||
if isinstance(data_mat, tuple):
|
if isinstance(data_mat, tuple):
|
||||||
audio_fs, mat = data_mat
|
audio_fs, mat = data_mat
|
||||||
@ -124,33 +124,7 @@ def load_audio_text_image_video(
|
|||||||
mat = mat / 32768
|
mat = mat / 32768
|
||||||
if mat.ndim == 2:
|
if mat.ndim == 2:
|
||||||
mat = mat[:, 0]
|
mat = mat[:, 0]
|
||||||
data_or_path_or_list = mat
|
|
||||||
elif isinstance(data_or_path_or_list, str) and data_type == "kaldi_ark_or_sound":
|
|
||||||
if ".ark:" in data_or_path_or_list:
|
|
||||||
data_mat = kaldiio.load_mat(data_or_path_or_list)
|
|
||||||
if isinstance(data_mat, tuple):
|
|
||||||
if isinstance(data_mat[0], int):
|
|
||||||
audio_fs, mat = data_mat
|
|
||||||
else:
|
|
||||||
mat, audio_fs = data_mat
|
|
||||||
else:
|
|
||||||
mat = data_mat
|
|
||||||
if mat.dtype == "int16" or mat.dtype == "int32":
|
|
||||||
mat = mat.astype(np.float64)
|
|
||||||
mat = mat / 32768
|
|
||||||
if mat.ndim == 2:
|
|
||||||
mat = mat[:, 0]
|
|
||||||
data_or_path_or_list = torch.from_numpy(mat)
|
data_or_path_or_list = torch.from_numpy(mat)
|
||||||
else:
|
|
||||||
try:
|
|
||||||
data_or_path_or_list, audio_fs = torchaudio.load(data_or_path_or_list)
|
|
||||||
if kwargs.get("reduce_channels", True):
|
|
||||||
data_or_path_or_list = data_or_path_or_list.mean(0)
|
|
||||||
except:
|
|
||||||
data_or_path_or_list = _load_audio_ffmpeg(data_or_path_or_list, sr=fs)
|
|
||||||
data_or_path_or_list = torch.from_numpy(
|
|
||||||
data_or_path_or_list
|
|
||||||
).squeeze() # [n_samples,]
|
|
||||||
elif isinstance(data_or_path_or_list, bytes): # audio bytes
|
elif isinstance(data_or_path_or_list, bytes): # audio bytes
|
||||||
data_or_path_or_list = load_bytes(data_or_path_or_list)
|
data_or_path_or_list = load_bytes(data_or_path_or_list)
|
||||||
else:
|
else:
|
||||||
|
|||||||
Loading…
Reference in New Issue
Block a user