Python 3.7とTensorflow 2.0を使用して、UrbanSoundsデータセットからwavファイルを読み取るのに苦労しています。この質問と回答は、入力が文字列テンソルでなければならないことを説明しているので役立ちますが、ファイルにエンコードされた初期メタデータを通過して実際のデータに到達するのは難しいようです。文字列をfloat32テンソルとしてロードする前に、文字列を前処理する必要がありますか?24ビットのwavから16ビットのwavにダウンサンプリングしてデータを前処理する必要があったため、データ入力パイプラインは予想よりもはるかに煩雑になっています。必要なダウンサンプリングは特にイライラします。これが私がこれまでに試みていることです:
import tensorflow as tf # this is TensorFlow 2.0
path_to_wav_file = '/mnt/d/Code/UrbanSounds/audio/fold1/101415-3-0-2.wav'
# Turn the wav file into a string tensor
input_data = tf.io.read_file(path_to_wav_file)
# Convert the string tensor to a float32 tensor
audio, sampling_rate = tf.audio.decode_wav(input_data)
これは私が最後のステップで得るエラーです:
2019-10-08 20:56:09.124254: W tensorflow/core/framework/op_kernel.cc:1546] OP_REQUIRES failed at decode_wav_op.cc:55 : Invalid argument: Header mismatch: Expected fmt but found junk
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/anaconda3/envs/tf2/lib/python3.7/site-packages/tensorflow/python/ops/gen_audio_ops.py", line 216, in decode_wav
_six.raise_from(_core._status_to_exception(e.code, message), None)
File "<string>", line 3, in raise_from
tensorflow.python.framework.errors_impl.InvalidArgumentError: Header mismatch: Expected fmt but found junk [Op:DecodeWav]
そして、これがその文字列テンソルの始まりです。私はwavファイルの専門家ではありませんが、「fmt」の後の部分が実際のオーディオデータの開始点だと思います。その前は、ファイルに関するすべてのメタデータだと思います。
data.numpy()[:70]
b'RIFFhb\x05\x00WAVEjunk\x1c\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00fmt \x10\x00\x00\x00\x01\x00\x01\x00D\xac\x00\x00\x88X\x01\x00\x02\x00'
hb\x05\x00
か(部分)?
junk
前のバイトまでfmt
)削除して、機能しているかどうかを確認しましたか?私の推測では、それらのデコーダはかなり基本的であり、RIFF / WAVE形式を完全に処理することはできません。