Rozwijasz aplikację do precyzyjnego rolnictwa – chcesz umożliwić rolnikom sterowanie maszynami za pomocą poleceń głosowych. System powinien rozpoznawać słowa kluczowe w komendach takich jak „Turn on the sprinkler irrigation system."

Skorzystasz ze zbioru danych do wykrywania słów kluczowych, zawierającego nagrania audio z takimi słowami jak „on". Przetwórz pliki audio tak, aby można było ich użyć z wstępnie wytrenowanym modelem Transformer!

Niektóre dane zostały wcześniej załadowane:

dataset zawiera przykładowy zbiór treningowy plików audio. Zawiera już podział train, więc nie musisz go osobno wskazywać podczas pracy z dataset.
AutoFeatureExtractor został zaimportowany z transformers.
model ma wartość facebook/wav2vec2-base.
max_duration jest zdefiniowane jako 1 sekunda.

Wstępne przetwarzanie obrazów i dźwięku do trenowania

Create Your Free Account