youtube_tts_data_generator

Generator Data Pidato YouTube

Perpustakaan Python untuk menghasilkan dataset ucapan. Generator Data Pidato YouTube juga menangani hampir semua preprocessing data wicara Anda yang diperlukan untuk membangun dataset ucapan bersama dengan transkripsi mereka memastikan itu mengikuti struktur direktori diikuti oleh sebagian besar arsitektur teks-ke-bicara.

Instalasi

Pastikan FFMPEG diinstal dan diatur ke jalur sistem.

$ pip install youtube-tts-data-generator

Mulai minimal untuk membuat dataset

 from youtube_tts_data_generator import YTSpeechDataGenerator

# First create a YTSpeechDataGenerator instance:

generator = YTSpeechDataGenerator ( dataset_name = 'elon' )

# Now create a '.txt' file that contains a list of YouTube videos that contains speeches.
# NOTE - Make sure you choose videos with subtitles.

generator . prepare_dataset ( 'links.txt' )
# The above will take care about creating your dataset, creating a metadata file and trimming silence from the audios. 

Penggunaan

• Menginisialisasi generator: generator = YTSpeechDataGenerator(dataset_name='your_dataset',lang='en')

  • Parameter:
    • dataset_name :
      • Nama dataset yang ingin Anda berikan.
      • Struktur direktori seperti ini akan dibuat:

         ├───your_dataset
        │   ├───txts
        │   └───wavs
        └───your_dataset_prep
            ├───concatenated
            ├───downloaded
            └───split
        

    • output_type :
      • Jenis metadata yang akan dibuat setelah dataset dihasilkan.
      • Jenis yang Didukung: CSV/JSON
      • Jenis output default diatur ke CSV
      • File CSV mengikuti format dataset LJ Speech
      • File JSON mengikuti format ini:

         {
            "your_dataset1.wav": "This is an example text",
            "your_dataset2.wav": "This is an another example text",
        }
        

    • Keep_audio_extension :
      • Apakah akan menyimpan ekstensi file audio di file metadata
      • Nilai default diatur ke false
    • Lang :
      • Kunci untuk bahasa target di mana subtitle harus diunduh.
      • Nilai default diatur ke en
      • Kiat - Periksa daftar bahasa yang tersedia dan kuncinya menggunakan: generator.get_available_langs()
    • SR :
      • Tingkat sampel untuk menjaga audio.
      • Nilai default diatur ke 22050

• Metode:

  • download ():
    • Unduh file video dari YouTube bersama dengan subtitle mereka dan menyimpannya sebagai file WAV.
    • Parameter:
      • links_txt :
        • Jalur ke file '.txt' yang berisi URL untuk video.
    • Penggunaan metode ini adalah opsional. Jika Anda tidak menggunakan metode ini, pastikan untuk menempatkan semua file audio dan subtitle di direktori 'your_dataset_prep/diunduh'.
    • Kemudian, buat file yang disebut 'file.txt' dan letakkan sekali lagi di bawah 'your_dataset_prep/diunduh'. 'File.txt' harus mengikuti format berikut:

       filename,subtitle,trim_min_begin,trim_min_end
      audio.wav,subtitle.srt,0,0
      audio2.wav,subtitle.vtt,5,6
      

    • Buat file '.txt' yang berisi daftar video YouTube yang berisi pidato.
    • Contoh - generator.download('links.txt')
  • split_audios ():
    • Metode ini membagi semua file WAV menjadi potongan yang lebih kecil sesuai dengan durasi teks dalam subtitle.
    • Menyimpan transkripsi sebagai file '.txt' untuk masing -masing potongan.
    • Contoh - generator.split_audios()
  • concat_audios ():
    • Karena audio terpisah didasarkan pada durasi subtitle mereka, mereka mungkin tidak begitu lama. Metode ini bergabung dengan file split menjadi yang dapat dikenali.
    • Parameter:
      • MAX_LIMIT :
        • Batas atas panjang audio yang harus disetujui. Sisanya akan disimpan sebagaimana adanya.
        • Nilai default diatur ke 7
      • concat_count :
        • Jumlah audio berturut -turut yang harus disatukan bersama.
        • Nilai default diatur ke 2
    • Contoh - generator.concat_audios()
  • finize_dataset ():
    • Trims membungkam audio bergabung karena data telah dikumpulkan dari YouTube dan menghasilkan dataset akhir setelah menyelesaikan semua preprocessing.
    • Parameter:
      • min_audio_length :
        • Panjang pidato minumum yang harus disimpan. Sisanya akan diabaikan.
        • Nilai default diatur ke 5 .
      • Max_Audio_length :
        • Panjang maksimum pidato yang harus disimpan. Sisanya akan diabaikan.
        • Nilai default diatur ke 14 .
    • Contoh - generator.finalize_dataset(min_audio_length=6)
  • get_available_langs ():
    • Dapatkan daftar bahasa yang tersedia di mana subtitle dapat diunduh.
    • Contoh - generator.get_available_langs()
  • get_total_audio_length ():
    • Mengembalikan jumlah total data pidato yang diproses dikumpulkan oleh generator.
    • Contoh - generator.get_total_audio_length()
  • persiapan_dataset ():
    • Metode pembungkus untuk download () , split_audios () , concat_audios () dan finize_dataset () .
    • Jika Anda tidak ingin menggunakan metode di atas, Anda dapat secara langsung menghubungi prepared_dataset () . Ini akan menangani semua pembuatan data Anda.
    • Parameter:
      • links_txt :
        • Jalur ke file '.txt' yang berisi URL untuk video.
      • SR :
        • Tingkat sampel untuk menjaga audio.
        • Nilai default diatur ke 22050
      • download_youtube_data :
        • Apakah akan mengunduh audio dari youtube.
        • Nilai default benar
      • MAX_CONCAT_LIMIT :
        • Batas atas panjang audio yang harus disetujui. Sisanya akan disimpan sebagaimana adanya.
        • Nilai default diatur ke 7
      • concat_count :
        • Jumlah audio berturut -turut yang harus disatukan bersama.
        • Nilai default diatur ke 2
      • min_audio_length :
        • Panjang pidato minumum yang harus disimpan. Sisanya akan diabaikan.
        • Nilai default diatur ke 5 .
      • Max_Audio_length :
        • Panjang maksimum pidato yang harus disimpan. Sisanya akan diabaikan.
        • Nilai default diatur ke 14 .
    • Contoh - generator.prepare_dataset(links_txt='links.txt', download_youtube_data=True, min_audio_length=6)

Struktur Dataset Akhir

Setelah dataset dibuat, struktur di bawah direktori 'your_dataset' seharusnya terlihat seperti:

 your_dataset
├───txts
│   ├───your_dataset1.txt
│   └───your_dataset2.txt
├───wavs
│    ├───your_dataset1.wav
│    └───your_dataset2.wav
└───metadata.csv/alignment.json

Catatan - audio.py sangat didasarkan pada kloning suara waktu nyata

Referensi

SRT ke JSON

Baca lebih lanjut tentang perpustakaan di sini