mirror of
https://github.com/k2-fsa/icefall.git
synced 2025-08-09 18:12:19 +00:00
e63a8c27f8
* update manifest stats * update transcript configs * lang_char and compute_fbanks * save cuts in fbank_dir * add core codes * update decode.py * Create local/utils * tidy up * parse raw in prepare_lang_char.py * update manifest stats * update transcript configs * lang_char and compute_fbanks * save cuts in fbank_dir * add core codes * update decode.py * Create local/utils * tidy up * parse raw in prepare_lang_char.py * working train * Add compare_cer_transcript.py * fix tokenizer decode, allow d2f only * comment cleanup * add export files and READMEs * reword average column * fix comments * Update new results
329 lines
24 KiB
Python
329 lines
24 KiB
Python
#!/usr/bin/env python3
|
|
# Copyright 2021 Xiaomi Corp. (authors: Fangjun Kuang)
|
|
# 2022 The University of Electro-Communications (author: Teo Wen Shen) # noqa
|
|
#
|
|
# See ../../../../LICENSE for clarification regarding multiple authors
|
|
#
|
|
# Licensed under the Apache License, Version 2.0 (the "License");
|
|
# you may not use this file except in compliance with the License.
|
|
# You may obtain a copy of the License at
|
|
#
|
|
# http://www.apache.org/licenses/LICENSE-2.0
|
|
#
|
|
# Unless required by applicable law or agreed to in writing, software
|
|
# distributed under the License is distributed on an "AS IS" BASIS,
|
|
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
|
|
# See the License for the specific language governing permissions and
|
|
# limitations under the License.
|
|
|
|
import argparse
|
|
from pathlib import Path
|
|
|
|
from lhotse import CutSet, load_manifest
|
|
|
|
ARGPARSE_DESCRIPTION = """
|
|
This file displays duration statistics of utterances in a manifest.
|
|
You can use the displayed value to choose minimum/maximum duration
|
|
to remove short and long utterances during the training.
|
|
|
|
See the function `remove_short_and_long_utt()` in
|
|
pruned_transducer_stateless5/train.py for usage.
|
|
"""
|
|
|
|
|
|
def get_parser():
|
|
parser = argparse.ArgumentParser(
|
|
description=ARGPARSE_DESCRIPTION,
|
|
formatter_class=argparse.ArgumentDefaultsHelpFormatter,
|
|
)
|
|
|
|
parser.add_argument("--manifest-dir", type=Path, help="Path to cutset manifests")
|
|
|
|
return parser.parse_args()
|
|
|
|
|
|
def main():
|
|
args = get_parser()
|
|
|
|
for part in ["eval1", "eval2", "eval3", "valid", "excluded", "train"]:
|
|
path = args.manifest_dir / f"csj_cuts_{part}.jsonl.gz"
|
|
cuts: CutSet = load_manifest(path)
|
|
|
|
print("\n---------------------------------\n")
|
|
print(path.name + ":")
|
|
cuts.describe()
|
|
|
|
|
|
if __name__ == "__main__":
|
|
main()
|
|
|
|
"""
|
|
csj_cuts_eval1.jsonl.gz:
|
|
Cut statistics:
|
|
╒═══════════════════════════╤══════════╕
|
|
│ Cuts count: │ 1023 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Total duration (hh:mm:ss) │ 01:55:40 │
|
|
├───────────────────────────┼──────────┤
|
|
│ mean │ 6.8 │
|
|
├───────────────────────────┼──────────┤
|
|
│ std │ 2.7 │
|
|
├───────────────────────────┼──────────┤
|
|
│ min │ 0.2 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 25% │ 4.9 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 50% │ 7.7 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 75% │ 9.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.5% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.9% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ max │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Recordings available: │ 1023 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Features available: │ 0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Supervisions available: │ 1023 │
|
|
╘═══════════════════════════╧══════════╛
|
|
SUPERVISION custom fields:
|
|
Speech duration statistics:
|
|
╒══════════════════════════════╤══════════╤══════════════════════╕
|
|
│ Total speech duration │ 01:55:40 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total speaking time duration │ 01:55:40 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total silence duration │ 00:00:00 │ 0.00% of recording │
|
|
╘══════════════════════════════╧══════════╧══════════════════════╛
|
|
|
|
---------------------------------
|
|
|
|
csj_cuts_eval2.jsonl.gz:
|
|
Cut statistics:
|
|
╒═══════════════════════════╤══════════╕
|
|
│ Cuts count: │ 1025 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Total duration (hh:mm:ss) │ 02:02:07 │
|
|
├───────────────────────────┼──────────┤
|
|
│ mean │ 7.1 │
|
|
├───────────────────────────┼──────────┤
|
|
│ std │ 2.5 │
|
|
├───────────────────────────┼──────────┤
|
|
│ min │ 0.1 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 25% │ 5.9 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 50% │ 7.9 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 75% │ 9.1 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.5% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.9% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ max │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Recordings available: │ 1025 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Features available: │ 0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Supervisions available: │ 1025 │
|
|
╘═══════════════════════════╧══════════╛
|
|
SUPERVISION custom fields:
|
|
Speech duration statistics:
|
|
╒══════════════════════════════╤══════════╤══════════════════════╕
|
|
│ Total speech duration │ 02:02:07 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total speaking time duration │ 02:02:07 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total silence duration │ 00:00:00 │ 0.00% of recording │
|
|
╘══════════════════════════════╧══════════╧══════════════════════╛
|
|
|
|
---------------------------------
|
|
|
|
csj_cuts_eval3.jsonl.gz:
|
|
Cut statistics:
|
|
╒═══════════════════════════╤══════════╕
|
|
│ Cuts count: │ 865 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Total duration (hh:mm:ss) │ 01:26:44 │
|
|
├───────────────────────────┼──────────┤
|
|
│ mean │ 6.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ std │ 3.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ min │ 0.3 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 25% │ 3.3 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 50% │ 6.8 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 75% │ 8.7 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.5% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.9% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ max │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Recordings available: │ 865 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Features available: │ 0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Supervisions available: │ 865 │
|
|
╘═══════════════════════════╧══════════╛
|
|
SUPERVISION custom fields:
|
|
Speech duration statistics:
|
|
╒══════════════════════════════╤══════════╤══════════════════════╕
|
|
│ Total speech duration │ 01:26:44 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total speaking time duration │ 01:26:44 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total silence duration │ 00:00:00 │ 0.00% of recording │
|
|
╘══════════════════════════════╧══════════╧══════════════════════╛
|
|
|
|
---------------------------------
|
|
|
|
csj_cuts_valid.jsonl.gz:
|
|
Cut statistics:
|
|
╒═══════════════════════════╤══════════╕
|
|
│ Cuts count: │ 3743 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Total duration (hh:mm:ss) │ 06:40:15 │
|
|
├───────────────────────────┼──────────┤
|
|
│ mean │ 6.4 │
|
|
├───────────────────────────┼──────────┤
|
|
│ std │ 3.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ min │ 0.1 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 25% │ 3.9 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 50% │ 7.4 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 75% │ 9.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.5% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.9% │ 10.1 │
|
|
├───────────────────────────┼──────────┤
|
|
│ max │ 11.8 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Recordings available: │ 3743 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Features available: │ 0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Supervisions available: │ 3743 │
|
|
╘═══════════════════════════╧══════════╛
|
|
SUPERVISION custom fields:
|
|
Speech duration statistics:
|
|
╒══════════════════════════════╤══════════╤══════════════════════╕
|
|
│ Total speech duration │ 06:40:15 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total speaking time duration │ 06:40:15 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total silence duration │ 00:00:00 │ 0.00% of recording │
|
|
╘══════════════════════════════╧══════════╧══════════════════════╛
|
|
|
|
---------------------------------
|
|
|
|
csj_cuts_excluded.jsonl.gz:
|
|
Cut statistics:
|
|
╒═══════════════════════════╤══════════╕
|
|
│ Cuts count: │ 980 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Total duration (hh:mm:ss) │ 00:56:06 │
|
|
├───────────────────────────┼──────────┤
|
|
│ mean │ 3.4 │
|
|
├───────────────────────────┼──────────┤
|
|
│ std │ 3.1 │
|
|
├───────────────────────────┼──────────┤
|
|
│ min │ 0.1 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 25% │ 0.8 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 50% │ 2.2 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 75% │ 5.8 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99% │ 9.9 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.5% │ 9.9 │
|
|
├───────────────────────────┼──────────┤
|
|
│ 99.9% │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ max │ 10.0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Recordings available: │ 980 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Features available: │ 0 │
|
|
├───────────────────────────┼──────────┤
|
|
│ Supervisions available: │ 980 │
|
|
╘═══════════════════════════╧══════════╛
|
|
SUPERVISION custom fields:
|
|
Speech duration statistics:
|
|
╒══════════════════════════════╤══════════╤══════════════════════╕
|
|
│ Total speech duration │ 00:56:06 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total speaking time duration │ 00:56:06 │ 100.00% of recording │
|
|
├──────────────────────────────┼──────────┼──────────────────────┤
|
|
│ Total silence duration │ 00:00:00 │ 0.00% of recording │
|
|
╘══════════════════════════════╧══════════╧══════════════════════╛
|
|
|
|
---------------------------------
|
|
|
|
csj_cuts_train.jsonl.gz:
|
|
Cut statistics:
|
|
╒═══════════════════════════╤════════════╕
|
|
│ Cuts count: │ 914151 │
|
|
├───────────────────────────┼────────────┤
|
|
│ Total duration (hh:mm:ss) │ 1695:29:43 │
|
|
├───────────────────────────┼────────────┤
|
|
│ mean │ 6.7 │
|
|
├───────────────────────────┼────────────┤
|
|
│ std │ 2.9 │
|
|
├───────────────────────────┼────────────┤
|
|
│ min │ 0.1 │
|
|
├───────────────────────────┼────────────┤
|
|
│ 25% │ 4.6 │
|
|
├───────────────────────────┼────────────┤
|
|
│ 50% │ 7.5 │
|
|
├───────────────────────────┼────────────┤
|
|
│ 75% │ 8.9 │
|
|
├───────────────────────────┼────────────┤
|
|
│ 99% │ 11.0 │
|
|
├───────────────────────────┼────────────┤
|
|
│ 99.5% │ 11.0 │
|
|
├───────────────────────────┼────────────┤
|
|
│ 99.9% │ 11.1 │
|
|
├───────────────────────────┼────────────┤
|
|
│ max │ 18.0 │
|
|
├───────────────────────────┼────────────┤
|
|
│ Recordings available: │ 914151 │
|
|
├───────────────────────────┼────────────┤
|
|
│ Features available: │ 0 │
|
|
├───────────────────────────┼────────────┤
|
|
│ Supervisions available: │ 914151 │
|
|
╘═══════════════════════════╧════════════╛
|
|
SUPERVISION custom fields:
|
|
Speech duration statistics:
|
|
╒══════════════════════════════╤════════════╤══════════════════════╕
|
|
│ Total speech duration │ 1695:29:43 │ 100.00% of recording │
|
|
├──────────────────────────────┼────────────┼──────────────────────┤
|
|
│ Total speaking time duration │ 1695:29:43 │ 100.00% of recording │
|
|
├──────────────────────────────┼────────────┼──────────────────────┤
|
|
│ Total silence duration │ 00:00:00 │ 0.00% of recording │
|
|
╘══════════════════════════════╧════════════╧══════════════════════╛
|
|
"""
|