About sampling rate

[ootsuka-repos]

When preparing the training data, is there a problem with 44100hz when converting to a byte sequence?

import os
import pandas as pd
import soundfile as sf
import io
from tqdm import tqdm
from scipy.signal import resample

def convert_audio_to_wav_bytes(audio_path: str, target_samplerate: int = 44100) -> bytes:
    """音声ファイルをWAV形式のバイト列に変換（指定されたサンプルレートにリサンプリング）"""
    # 音声ファイルを読み込む
    audio_data, samplerate = sf.read(audio_path)
    
    # サンプルレートが異なる場合はリサンプリング
    if samplerate != target_samplerate:
        num_samples = int(len(audio_data) * target_samplerate / samplerate)
        audio_data = resample(audio_data, num_samples)
        samplerate = target_samplerate
    
    # モノラルに変換
    if len(audio_data.shape) > 1:
        audio_data = audio_data.mean(axis=1)
    
    # WAV形式でバイト列に変換
    buffer = io.BytesIO()
    sf.write(buffer, audio_data, samplerate, format='WAV', subtype='PCM_16')
    return buffer.getvalue()

def create_sample(audio_path: str, transcript: str) -> dict:
    """音声ファイルとテキストからデータサンプルを生成"""
    try:
        wav_bytes = convert_audio_to_wav_bytes(audio_path)
        return {
            "transcript": transcript,
            "audio": {
                "bytes": wav_bytes  # バイト列そのものを返す
            }
        }
    except Exception as e:
        print(f"エラーが発生しました: {audio_path} - {str(e)}")
        return None

def process_csv(csv_path: str, output_dir: str):
    """CSVファイルを処理してデータサンプルを生成"""
    # CSVファイルを読み込む
    df = pd.read_csv(csv_path)
    
    # 出力ディレクトリを作成
    os.makedirs(output_dir, exist_ok=True)
    
    # データを処理
    samples = []
    for _, row in tqdm(df.iterrows(), total=len(df)):
        audio_path = row['FilePath']
        transcript = row['Text']
        
        # データサンプルを生成
        sample = create_sample(audio_path, transcript)
        if sample:
            samples.append(sample)
    
    # Parquet形式で保存
    output_path = os.path.join(output_dir, "dataset.parquet")
    samples_df = pd.DataFrame(samples)
    samples_df.to_parquet(output_path, index=False)
    
    print(f"データセットがParquet形式で保存されました: {output_path}")

# メイン処理
if __name__ == "__main__":
    # 入力CSVファイルのパス
    csv_path = "/home/nidera515/OuteTTS/out.csv"
    
    # 出力ディレクトリ
    output_dir = "/home/nidera515/OuteTTS/output_dataset"
    
    # CSVを処理してデータセットを生成
    process_csv(csv_path, output_dir)

[edwko]

Should be fine, the interface automatically resamples to the required sample rate, in this case, v0.3 uses 24kHz.