custom_dataset.py

import datasets
import os
import glob
import pandas as pd
from pydub import AudioSegment # AudioSegment for reading TextGrid and wav files
import textgrid # You might need to install this: pip install praat-textgrids

_DESCRIPTION = """
A custom dataset combining L2-ARCTIC and SpeechOcean for L2 English speech analysis.
It includes non-native English speech from various L1s, transcripts, and phoneme alignments (from TextGrid).
"""

_HOMEPAGE = "https://example.com/your_dataset_homepage" # データセットのホームページURL（任意）

_LICENSE = "Creative Commons Attribution 4.0 International Public License (CC-BY-4.0)" # 適切なライセンスを記述

_L2_ARCTIC_SPEAKERS = ["ABA", "HJK", "MBMPS", "TXHC", "YBAA"] # L2-ARCTICのスピーカーIDリスト（一部のみ）
_L2_ARCTIC_L1_MAP = { # L2-ARCTICのL1情報（例、実際は公式ドキュメントで確認）
    "ABA": "Hindi", "HJK": "Korean", "MBMPS": "Mandarin", "TXHC": "Spanish", "YBAA": "Arabic"
}

class MyL2SpeechDataset(datasets.GeneratorBasedBuilder):
    VERSION = datasets.Version("1.0.0")

    def _info(self):
        # ここでデータセットの構造とフィーチャーを定義します
        features = datasets.Features({
            "audio": datasets.Audio(sampling_rate=16_000), # 音声データとサンプリングレート
            "text": datasets.Value("string"),              # 読み上げられたテキスト
            "speaker_id": datasets.Value("string"),       # 話者ID
            "l1": datasets.Value("string"),                # 話者の第一言語 (L1)
            "dataset_source": datasets.Value("string"),    # データソース (l2_arctic or speechocean)
            "phoneme_alignment": datasets.Sequence(      # 音素アライメント情報 (TextGridからパース)
                {
                    "phoneme": datasets.Value("string"),
                    "start_time": datasets.Value("float"),
                    "end_time": datasets.Value("float"),
                }
            ),
            "pronunciation_score": datasets.Value("float"), # SpeechOceanのスコアなど
        })
        return datasets.DatasetInfo(
            description=_DESCRIPTION,
            features=features,
            homepage=_HOMEPAGE,
            license=_LICENSE,
        )

    def _split_generators(self, dl_manager):
        # ここでデータセットのファイルをダウンロードしたり、ローカルパスを指定したりします
        # この例では、ローカルにデータセットが配置されていることを前提とします。
        # dl_manager.download() を使ってURLからダウンロードすることも可能です。

        # ローカルパス（datasetsディレクトリの絶対パスを指定するか、スクリプトからの相対パスにする）
        # 例: data_dir = "/path/to/your/datasets"
        #data_dir = os.path.abspath("datasets") # 現在のスクリプトからの相対パスで datasets フォルダを探す

        # L2-ARCTICのパス
        l2_arctic_path = os.path.join("l2_arctic")
        # SpeechOceanのパス
        speechocean_path = os.path.join( "speechocean")

        return [
            datasets.SplitGenerator(
                name=datasets.Split.TRAIN, # train, validation, testなど、スプリットを定義
                gen_kwargs={
                    "l2_arctic_path": l2_arctic_path,
                    "speechocean_path": speechocean_path,
                }
            )
        ]

    def _generate_examples(self, l2_arctic_path, speechocean_path):
        # ここで実際のデータを読み込み、Yield (生成) します
        # 各データポイントは、_info() で定義した features に対応するようにします

        # --- L2-ARCTIC データの処理 ---
        for speaker_id in _L2_ARCTIC_SPEAKERS:
            speaker_dir = os.path.join(l2_arctic_path, speaker_id)
            wav_dir = os.path.join(speaker_dir, "wav")
            transcript_dir = os.path.join(speaker_dir, "transcript")
            textgrid_dir = os.path.join(speaker_dir, "textgrid") # L2-ARCTICには'textgrid'フォルダもある

            # 音声ファイルとテキストファイルのマッチング
            wav_files = glob.glob(os.path.join(wav_dir, "*.wav"))
            for wav_file in wav_files:
                file_id = os.path.basename(wav_file).replace(".wav", "")
                transcript_file = os.path.join(transcript_dir, f"{file_id}.txt")
                textgrid_file = os.path.join(textgrid_dir, f"{file_id}.TextGrid")

                if not os.path.exists(transcript_file):
                    print(f"Warning: Transcript file not found for {file_id}")
                    continue
                if not os.path.exists(textgrid_file):
                    print(f"Warning: TextGrid file not found for {file_id}")
                    continue

                with open(transcript_file, "r", encoding="utf-8") as f:
                    text = f.read().strip()

                phoneme_alignment_data = []
                try:
                    tg = textgrid.TextGrid.fromFile(textgrid_file)
                    # TextGridの構造に応じて、音素情報をパースします
                    # L2-ARCTICのTextGridがどのように音素情報を格納しているか確認が必要です
                    # 例えば 'phones' という名前のTierがある場合
                    for tier_name in tg.tierNames():
                        if tier_name == 'phones': # 音素のTierを特定
                            phone_tier = tg.getFirst(tier_name)
                            for interval in phone_tier:
                                phoneme_alignment_data.append({
                                    "phoneme": interval.mark,
                                    "start_time": interval.minTime,
                                    "end_time": interval.maxTime,
                                })
                            break # 音素Tierを見つけたらループを抜ける
                except Exception as e:
                    print(f"Error parsing TextGrid {textgrid_file}: {e}")
                    phoneme_alignment_data = [] # エラー時は空リストに

                yield file_id, { # file_idをkeyとしてyield
                    "audio": wav_file, # `Audio` Featureはパスを受け取る
                    "text": text,
                    "speaker_id": speaker_id,
                    "l1": _L2_ARCTIC_L1_MAP.get(speaker_id, "unknown"),
                    "dataset_source": "l2_arctic",
                    "phoneme_alignment": phoneme_alignment_data,
                    "pronunciation_score": -1.0, # L2-ARCTICには直接のスコアはないので-1
                }
        
        # --- SpeechOcean データの処理 ---
        speechocean_wav_dir = os.path.join(speechocean_path, "wavs")
        scores_df = pd.read_csv(os.path.join(speechocean_path, "train_scores.csv"))

        for index, row in scores_df.iterrows():
            file_id = row['file_name'].replace(".wav", "")
            wav_file = os.path.join(speechocean_wav_dir, row['file_name'])
            
            # SpeechOceanのTextGridや詳細なアライメント情報が別途存在するか確認
            # なければ、空のphoneme_alignmentとするか、MFAなどで後処理する
            
            yield f"so_{file_id}", { # 重複を避けるためプレフィックスを付ける
                "audio": wav_file,
                "text": row['text'], # SpeechOceanのCSVにtextカラムがあることを想定
                "speaker_id": str(row['speaker_id']), # スピーカーIDを文字列に
                "l1": "Mandarin", # SpeechOcean762は主にMandarin話者
                "dataset_source": "speechocean",
                "phoneme_alignment": [], # SpeechOceanにデフォルトでTextGridがなければ空
                "pronunciation_score": row['score'], # スコアをそのまま使う
            }