大佬请问一下数据集中的 duration字段是什么含义？

[Alone749-i]

        {
            "audio": {
                "path": item["audio_file"],
            }
            "sentence": item["label"][0].replace(" ", "")
                    "language": "Chinese",
            "duration": 7.37
        }
        duration字段需要根据什么信息获取？

[hanasay]

不確定你的問題是 如何獲取duration 還是 為何要有duration
兩個問題我都一起回答好了 儘管這對各位大佬來說可能是廢話XD

1. 如何獲取duration

有很多工具可以表列出音頻的長度(例如 librosa, ffmpeg)
這邊我提供一個用python librosa module提取duration的範例

import librosa

librosa.get_duration(path='dataset/audio0.wav')

2. 為何要有duration

需要有duration欄位 是為了移除過長、過短的音頻，這些音頻可能會導致訓練效果變差
可以參考源代碼的這個部分
https://github.com/yeyupiaoling/Whisper-Finetune/blob/dd3653a3103fb53323ff95a6ebe875bed3c7a47d/utils/reader.py#L89C23-L89C25

[Alone749-i]

感谢大佬很耐心的解答 感谢🙏

[buyaOyiweiniyingle]

请问大佬 duration在这里只是为了移除过长/过短的音频的话 那么如果我有一个很大的语音/文本对应的数据集 但是统计每一条语音的长度花费时间太长 是不是可以直接给每个duration字段赋一个安全的值(例如readme里面那个样例的7.37)而不需要让每一个duration都真的对应这条音频的时长?