125 lines
4.0 KiB
Python
125 lines
4.0 KiB
Python
import argparse
|
|
import os
|
|
import shutil
|
|
|
|
import soundfile as sf
|
|
import torch
|
|
from tqdm import tqdm
|
|
|
|
from common.stdout_wrapper import SAFE_STDOUT
|
|
from resample import normalize_audio
|
|
|
|
vad_model, utils = torch.hub.load(
|
|
repo_or_dir="snakers4/silero-vad",
|
|
model="silero_vad",
|
|
onnx=True,
|
|
)
|
|
|
|
(get_speech_timestamps, _, read_audio, *_) = utils
|
|
|
|
|
|
def get_stamps(audio_file, min_silence_dur_ms=700, min_sec=2):
|
|
"""
|
|
min_silence_dur_ms:
|
|
このミリ秒数以上を無音だと判断する。
|
|
逆に、この秒数以下の無音区間では区切られない。
|
|
小さくすると、音声がぶつ切りに小さくなりすぎ、
|
|
大きくすると音声一つ一つが長くなりすぎる。
|
|
データセットによってたぶん要調整。
|
|
min_sec:
|
|
この秒数より小さい発話は無視する。TTSのためには2秒未満は切り捨てたほうがいいかも。
|
|
"""
|
|
|
|
sampling_rate = 16000 # 16kHzか8kHzのみ対応
|
|
|
|
wav = read_audio(audio_file, sampling_rate=sampling_rate)
|
|
speech_timestamps = get_speech_timestamps(
|
|
wav,
|
|
vad_model,
|
|
sampling_rate=sampling_rate,
|
|
min_silence_duration_ms=min_silence_dur_ms,
|
|
min_speech_duration_ms=min_sec * 1000,
|
|
)
|
|
|
|
return speech_timestamps
|
|
|
|
|
|
def split_wav(
|
|
audio_file, target_dir="raw", max_sec=12, min_silence_dur_ms=700, min_sec=2, normalize=False
|
|
):
|
|
margin = 200 # ミリ秒単位で、音声の前後に余裕を持たせる
|
|
upper_bound_ms = max_sec * 1000 # これ以上の長さの音声は無視する
|
|
|
|
speech_timestamps = get_stamps(
|
|
audio_file, min_silence_dur_ms=min_silence_dur_ms, min_sec=min_sec
|
|
)
|
|
|
|
data, sr = sf.read(audio_file)
|
|
|
|
total_ms = len(data) / sr * 1000
|
|
|
|
file_name = os.path.basename(audio_file).split(".")[0]
|
|
os.makedirs(target_dir, exist_ok=True)
|
|
|
|
total_time_ms = 0
|
|
|
|
# タイムスタンプに従って分割し、ファイルに保存
|
|
for i, ts in enumerate(speech_timestamps):
|
|
start_ms = max(ts["start"] / 16 - margin, 0)
|
|
end_ms = min(ts["end"] / 16 + margin, total_ms)
|
|
if end_ms - start_ms > upper_bound_ms:
|
|
continue
|
|
|
|
start_sample = int(start_ms / 1000 * sr)
|
|
end_sample = int(end_ms / 1000 * sr)
|
|
segment = data[start_sample:end_sample]
|
|
|
|
if normalize:
|
|
segment = normalize_audio(segment, sr)
|
|
|
|
sf.write(os.path.join(target_dir, f"{file_name}-{i}.wav"), segment, sr)
|
|
total_time_ms += end_ms - start_ms
|
|
|
|
return total_time_ms / 1000
|
|
|
|
|
|
if __name__ == "__main__":
|
|
parser = argparse.ArgumentParser()
|
|
parser.add_argument("--max_sec", "-M", type=int, default=12)
|
|
parser.add_argument("--min_sec", "-m", type=int, default=2)
|
|
parser.add_argument("--min_silence_dur_ms", "-s", type=int, default=700)
|
|
parser.add_argument("--input_dir", "-i", type=str, default="inputs")
|
|
parser.add_argument("--output_dir", "-t", type=str, default="raw")
|
|
parser.add_argument("--normalize", action="store_true")
|
|
args = parser.parse_args()
|
|
|
|
input_dir = args.input_dir
|
|
output_dir = args.output_dir
|
|
min_sec = args.min_sec
|
|
max_sec = args.max_sec
|
|
min_silence_dur_ms = args.min_silence_dur_ms
|
|
normalize = args.normalize
|
|
|
|
wav_files = [
|
|
os.path.join(input_dir, f)
|
|
for f in os.listdir(input_dir)
|
|
if f.lower().endswith(".wav")
|
|
]
|
|
if os.path.exists(output_dir): # ディレクトリを削除
|
|
print(f"{output_dir}フォルダが存在するので、削除します。")
|
|
shutil.rmtree(output_dir)
|
|
|
|
total_sec = 0
|
|
for wav_file in tqdm(wav_files, file=SAFE_STDOUT):
|
|
time_sec = split_wav(
|
|
wav_file,
|
|
output_dir,
|
|
max_sec=max_sec,
|
|
min_sec=min_sec,
|
|
min_silence_dur_ms=min_silence_dur_ms,
|
|
normalize=normalize
|
|
)
|
|
total_sec += time_sec
|
|
|
|
print(f"Done! Total time: {total_sec / 60:.2f} min.")
|