오디오 데이터 준비 및 증강

TensorFlow.org에서 보기

Google Colab에서 실행하기

GitHub에서소스 보기

노트북 다운로드하기

개요

자동 음성 인식의 가장 큰 문제 중 하나는 오디오 데이터를 준비하고 증강시키는 작업입니다. 오디오 데이터 분석에는 시간 또는 주파수 도메인이 포함될 수 있으므로 이미지와 같은 다른 데이터 소스와 비교하여 복잡도가 더욱 높습니다.

TensorFlow 에코시스템의 일부인 tensorflow-io 패키지는 오디오 데이터의 준비 및 증강을 간편하게 해주는 몇 가지 유용한 오디오 관련 API를 제공합니다.

설정

필수 패키지를 설치하고 런타임 다시 시작하기

pip install -q tensorflow-io

사용법

오디오 파일 읽기

TensorFlow IO에서 tfio.audio.AudioIOTensor 클래스를 사용하면 오디오 파일을 지연 로드된 IOTensor로 읽을 수 있습니다.

import tensorflow as tf
import tensorflow_io as tfio

audio = tfio.audio.AudioIOTensor('gs://cloud-samples-tests/speech/brooklyn.flac')

print(audio)

<AudioIOTensor: shape=[28979     1], dtype=<dtype: 'int16'>, rate=16000>

위의 예에서 Flac 파일 brooklyn.flac는 Google Cloud에서 공개적으로 액세스할 수 있는 오디오 클립에서 가져온 것입니다.

GCS는 TensorFlow에서 지원되는 파일 시스템이므로 GCS 주소 gs://cloud-samples-tests/speech/brooklyn.flac가 직접 사용됩니다. Flac 형식 외에 WAV, Ogg, MP3 및 MP4A도 자동 파일 형식 감지 기능이 있는 AudioIOTensor에서 지원됩니다.

AudioIOTensor는 지연 로드되므로 처음에는 형상, dtype 및 샘플 속도만 표시됩니다. AudioIOTensor의 형상은 [samples, channels]로 표시됩니다. 이는 로드한 오디오 클립이 int16의 28979개 샘플을 갖는 모노 채널임을 의미합니다.

오디오 클립의 내용은 to_tensor()를 통해 또는 슬라이싱을 통해 AudioIOTensor를 Tensor로 변환하여 필요에 따라서만 판독됩니다. 슬라이싱은 큰 오디오 클립의 일부만 필요한 경우에 특히 유용합니다.

audio_slice = audio[100:]

# remove last dimension
audio_tensor = tf.squeeze(audio_slice, axis=[-1])

print(audio_tensor)

tf.Tensor([16 39 66 ... 56 81 83], shape=(28879,), dtype=int16)

오디오는 다음을 통해 재생할 수 있습니다.

from IPython.display import Audio

Audio(audio_tensor.numpy(), rate=audio.rate.numpy())

텐서를 부동 소수점 숫자로 변환하고 오디오 클립을 그래프로 표시하는 것이 더 편리합니다.

import matplotlib.pyplot as plt


tensor = tf.cast(audio_tensor, tf.float32) / 32768.0

plt.figure()
plt.plot(tensor.numpy())

[<matplotlib.lines.Line2D at 0x7f6f90096748>]

노이즈 제거

때로는 오디오에서 노이즈를 제거하는 것이 합리적이며 이때 API tfio.experimental.audio.trim을 사용할 수 있습니다. API에서 세그먼트의 [start, stop] 위치 쌍이 반환됩니다.

position = tfio.experimental.audio.trim(tensor, axis=0, epsilon=0.1)
print(position)

start = position[0]
stop = position[1]
print(start, stop)

processed = tensor[start:stop]

plt.figure()
plt.plot(processed.numpy())

tf.Tensor([ 2398 23546], shape=(2,), dtype=int64)
tf.Tensor(2398, shape=(), dtype=int64) tf.Tensor(23546, shape=(), dtype=int64)
[<matplotlib.lines.Line2D at 0x7f6f48260400>]

페이드 인 및 페이드 아웃

유용한 오디오 엔지니어링 기술 중 하나는 오디오 신호를 점차적으로 늘리거나 줄이는 페이딩 기술입니다. 이 기술은 tfio.experimental.audio.fade를 통해 수행할 수 있습니다. tfio.experimental.audio.fade는 linear , logarithmic 또는 exponential과 같은 다양한 형상의 페이드를 지원합니다.

fade = tfio.experimental.audio.fade(
    processed, fade_in=1000, fade_out=2000, mode="logarithmic")

plt.figure()
plt.plot(fade.numpy())

[<matplotlib.lines.Line2D at 0x7f6f48248160>]

스펙트럼 사진

고급 오디오 처리는 종종 시간 경과에 따른 주파수 변화에 적용됩니다. tensorflow-io에서 파형은 tfio.experimental.audio.spectrogram을 통해 스펙트럼 사진으로 변환할 수 있습니다.

# Convert to spectrogram
spectrogram = tfio.experimental.audio.spectrogram(
    fade, nfft=512, window=512, stride=256)

plt.figure()
plt.imshow(tf.math.log(spectrogram).numpy())

<matplotlib.image.AxesImage at 0x7f6f481aa198>

다른 스케일로의 추가 변환도 가능합니다.

# Convert to mel-spectrogram
mel_spectrogram = tfio.experimental.audio.melscale(
    spectrogram, rate=16000, mels=128, fmin=0, fmax=8000)


plt.figure()
plt.imshow(tf.math.log(mel_spectrogram).numpy())

# Convert to db scale mel-spectrogram
dbscale_mel_spectrogram = tfio.experimental.audio.dbscale(
    mel_spectrogram, top_db=80)

plt.figure()
plt.imshow(dbscale_mel_spectrogram.numpy())

<matplotlib.image.AxesImage at 0x7f6f480eb4e0>

SpecAugment

위에서 언급한 데이터 준비 및 증강 API 외에도 tensorflow-io 패키지는 고급 스펙트럼 사진 증강을 제공하며, 특히 SpecAugment: 자동 음성 인식을 위한 간단한 데이터 증강 방법(Park 등, 2019)에서 논의된 주파수 및 시간 마스킹이 주목할만합니다.

주파수 마스킹

주파수 마스킹에서 주파수 채널 [f0, f0 + f)이 마스킹됩니다. 여기서 f는 0부터 주파수 마스크 매개변수 F까지의 균일한 분포에서 선택되고 f0은 (0, ν − f)에서 선택됩니다. 여기서 ν는 주파수 채널의 수입니다.

# Freq masking
freq_mask = tfio.experimental.audio.freq_mask(dbscale_mel_spectrogram, param=10)

plt.figure()
plt.imshow(freq_mask.numpy())

<matplotlib.image.AxesImage at 0x7f6f4817e3c8>

시간 마스킹

시간 마스킹에서 t 연속 시간 스텝 [t0, t0 + t)이 마스킹됩니다. 여기서 t는 0부터 시간 마스킹 매개변수 T까지의 균일한 분포에서 선택되고 t0는 [0, τ − t)에서 선택됩니다. 여기서 τ는 시간 스텝입니다.

# Time masking
time_mask = tfio.experimental.audio.time_mask(dbscale_mel_spectrogram, param=10)

plt.figure()
plt.imshow(time_mask.numpy())

<matplotlib.image.AxesImage at 0x7f6f4808c198>