Audio Course

অধ্যায় 0. পাঠক্রমে স্বাগতম !

অধ্যায় ১. অডিও ডাটার সাথে কাজ করার পদ্ধতিসমূহ

এই অধ্যায় থেকে তুমি কি কি শিখবে? অডিও ডাটার সাথে পরিচয় অডিও ডাটাসেটকে লোড এবং বিশ্লেষণ করা অডিও ডাটা প্রক্রিয়াকরণ অডিও ডাটা স্ট্রিমিং প্রতিযোগিতা পরিপূরক পাঠ এবং সংস্থান

অধ্যায় ২. অডিও অ্যাপ্লিকেশনের সূচনা

পাঠক্রম এর ঘটনাবলী

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

কোর্সের উপাদান সম্পর্কে আপনার উপলব্ধি পরীক্ষা করুন

১. Sampling Rate কোন এককে পরিমাপ করা হয়?

dB Hz bit

২. একটি বড় অডিও ডেটাসেট স্ট্রিম করার সময়, আপনি কত তাড়াতাড়ি এটি ব্যবহার করা শুরু করতে পারেন?

সম্পূর্ণ ডেটাসেট ডাউনলোড হওয়ার সাথে সাথে। যত তাড়াতাড়ি প্রথম ১৬টি উদাহরণ ডাউনলোড করা হয়। যত তাড়াতাড়ি প্রথম উদাহরণ ডাউনলোড করা হয়।

৩. spectrogram কি ?

অডিও ডিজিটাইজ করতে ব্যবহৃত একটি ডিভাইস যা প্রথমে একটি মাইক্রোফোন দ্বারা ক্যাপচার করা হয়, যা শব্দ তরঙ্গকে বৈদ্যুতিক সংকেতে রূপান্তরিত করে। একটি প্লট যা দেখায় কিভাবে একটি অডিও সংকেতের amplitude সময়ের সাথে পরিবর্তিত হয়। এটি শব্দের *time domain* উপস্থাপনা হিসাবেও পরিচিত। একটি সিগন্যালের ফ্রিকোয়েন্সি বর্ণালীর একটি ভিজ্যুয়াল উপস্থাপনা কারণ এটি সময়ের সাথে পরিবর্তিত হয়।

৪. Whisper দ্বারা প্রত্যাশিত লগ-মেল স্পেকট্রোগ্রামে, কাঁচা অডিও ডেটা রূপান্তর করার সবচেয়ে সহজ উপায় কী?

librosa.feature.melspectrogram(audio["array"])

feature_extractor = WhisperFeatureExtractor.from_pretrained("openai/whisper-small")
feature_extractor(audio["array"])

dataset.feature(audio["array"], model="whisper")

A B C

৫. আপনি কিভাবে 🤗 হাব থেকে একটি ডেটাসেট লোড করবেন?

from datasets import load_dataset

dataset = load_dataset(DATASET_NAME_ON_HUB)

import librosa

dataset = librosa.load(PATH_TO_DATASET)

from transformers import load_dataset

dataset = load_dataset(DATASET_NAME_ON_HUB)

A B C

৬. আপনার কাস্টম ডেটাসেটে ৩২ kHz sampling rate সহ উচ্চ-মানের অডিও রয়েছে৷ আপনি একটি speech recognition মডেলকে train করতে চান যা আশা করে যে অডিও উদাহরণগুলির একটি ১৬ খজ sampling rate থাকবে। তোমার কি করা উচিত?

উদাহরণগুলি যেমন ব্যবহার করুন, মডেলটি সহজেই উচ্চ মানের অডিও উদাহরণে সাধারণীকরণ করবে। কাস্টম ডেটাসেটের উদাহরণগুলি ডাউন নমুনা করতে 🤗 ডেটাসেট লাইব্রেরি থেকে Audio মডিউল ব্যবহার করুন। প্রতি দ্বিতীয় নমুনা ফেলে দিয়ে একটি গুণনীয়ক ২x দ্বারা ডাউন নমুনা।

৭. আপনি কিভাবে একটি মেশিন লার্নিং মডেল দ্বারা উত্পন্ন একটি spectrogram কে একটি waveform এ রূপান্তর করতে পারেন?

আমরা স্পেকট্রোগ্রাম থেকে একটি waveform পুনর্গঠন করতে vocoder নামে একটি নিউরাল নেটওয়ার্ক ব্যবহার করতে পারি। উৎপন্ন স্পেকট্রোগ্রামকে তরঙ্গরূপে রূপান্তর করতে আমরা inverse STFT ব্যবহার করতে পারি। আপনি একটি মেশিন লার্নিং মডেল দ্বারা উত্পন্ন একটি spectrogram কে waveform এ রূপান্তর করতে পারবেন না।

←অডিও ডাটা স্ট্রিমিং পরিপূরক পাঠ এবং সংস্থান→

কোর্সের উপাদান সম্পর্কে আপনার উপলব্ধি পরীক্ষা করুন ১. Sampling Rate কোন এককে পরিমাপ করা হয়? ২. একটি বড় অডিও ডেটাসেট স্ট্রিম করার সময়, আপনি কত তাড়াতাড়ি এটি ব্যবহার করা শুরু করতে পারেন? ৩. spectrogram কি ? ৪. Whisper দ্বারা প্রত্যাশিত লগ-মেল স্পেকট্রোগ্রামে, কাঁচা অডিও ডেটা রূপান্তর করার সবচেয়ে সহজ উপায় কী? ৫. আপনি কিভাবে 🤗 হাব থেকে একটি ডেটাসেট লোড করবেন? ৬. আপনার কাস্টম ডেটাসেটে ৩২ kHz sampling rate সহ উচ্চ-মানের অডিও রয়েছে৷ আপনি একটি speech recognition মডেলকে train করতে চান যা আশা করে যে অডিও উদাহরণগুলির একটি ১৬ খজ sampling rate থাকবে। তোমার কি করা উচিত? ৭. আপনি কিভাবে একটি মেশিন লার্নিং মডেল দ্বারা উত্পন্ন একটি spectrogram কে একটি waveform এ রূপান্তর করতে পারেন?