Você está aprimorando seu aplicativo de agricultura de precisão permitindo que agricultores controlem suas máquinas com comandos de voz. O sistema deve reconhecer palavras-chave em comandos como "Ligar o sistema de irrigação por aspersão."

Você vai usar um conjunto de dados de detecção de palavras-chave com clipes de áudio de termos como "on". Faça o pré-processamento dos arquivos de áudio para que possam ser usados com um modelo Transformer pré-treinado!

Alguns dados já foram pré-carregados:

dataset contém um conjunto de dados de treinamento de áudio de exemplo. Ele já possui a divisão train, então você não precisa especificar train ao usar dataset.
AutoFeatureExtractor foi importado de transformers.
model é igual a facebook/wav2vec2-base.
max_duration está definida como 1 segundo.

Pré-processar imagens e áudio para o treinamento

Create Your Free Account