# 通过ollama把普通文本转化为适合tts的xml格式,输出到文件 from ollama import chat from ollama import ChatResponse from backend import smart_split from abc import ABC, abstractmethod import random from loguru import logger from tqdm import tqdm logger.remove() logger.add(lambda msg: tqdm.write(msg, end=""), colorize=True) class TXTTransformer(ABC): @abstractmethod def transform(self, text: str) -> str: pass # 简单的转化为单一朗读者的xml格式 class SimpleTransformer(TXTTransformer): def __init__(self): self.speak = "serena" def transform(self, text: str) -> str: # 这里可以根据需要实现不同的转换逻辑 return f"<{self.speak}>{text}" # 传入的转换逻辑(根据每行或者每个空格行)切分并随机按照朗读者转化为XML class AutoTransformer(TXTTransformer): def __init__( self, speakers: list[str], transform_function: callable[[str], str] = None ): self.speakers = speakers or ["serena", "vivian", "uncle_fu", "dylan"] self.transform_function = transform_function def transform(self, text: str) -> str: # 这里可以根据需要实现不同的转换逻辑 lines = text.splitlines() result = [] for line in lines: if line.strip() == "": continue speaker = random.choice(self.speakers) if self.transform_function: line = self.transform_function(line) result.append(f"<{speaker}>{line}") return "\n".join(result) # 通过Ollama的语言模型来分析文本,提取出适合不同朗读者的文本,并转化为XML格式 class OllamaTransformer(TXTTransformer): def __init__( self, model: str = "qwen3:latest", prompt: str | None = None, speakers: list[str] = None, context_window: int = 2048, ): self.model = model self.speakers = speakers or ["serena", "vivian", "uncle_fu", "dylan"] self.context_window = context_window self.speakers_describe = """ 【朗读者声音描述和参考权重如下】\n - serena: 甜美可爱的女性,适合朗读温柔、治愈、少女心的文本。权重较高,适合大部分文本。\n - vivian: 成熟稳重的女性,适合朗读正式、专业、权威感的文本。权重较高,适合商务、学术类文本。\n - bob: 年轻,沉稳的男性,适合朗读大部分文本,尤其是中性、平实的文本。权重较高,适合大部分文本。\n - uncle_fu: 沉稳有力的中年男性,适合朗读幽默、风趣、接地气的文本。权重偏低,适合生活化、娱乐化文本。\n - dylan: 年轻、有活力的男性,有一定北京口音,适合朗读现代、流行、充满青春气息的文本。权重较低,适合时尚、潮流类文本。\n """ if prompt is None: self.prompt = ( "你是一个专业的文本分析与音频导演助手。请将输入的文本分析并转化为适合不同朗读者的 XML 格式。\n\n" "【工作流程】\n" "1. 识别可选的朗读者音色(必须严格从以下列表中选择):\n" f" 可用列表:{', '.join(self.speakers)}\n" "2. 根据文本中的【人物对话、叙述视角、情绪波动、场景切换】,将文本拆分并分配给最合适的朗读者。\n" "3. 用朗读者名字作为 XML 标签(如 文本)包裹对应文本。\n\n" "【核心原则】\n" "- **多变性**:整篇文本必须包含 2 种或以上的音色(优先 2-3 种),拒绝一读到底。\n" "- **自然度**:标签要在短距离内(每几句话或按自然段)及时闭合。不要频繁到每两三个字就切换,也不要一个标签拉通几千字。\n" "- **完整性**:100% 保留原文,严禁删减、修改或漏掉任何字句。\n" "- **纯净度**:直接输出包裹好标签的文本,不要附带任何前言、后记或 Markdown 代码块包裹。\n\n" "【正确示例】\n" "输入:汤姆叹了口气说:“我们迷路了。”杰克却显得很兴奋:“看,前面有灯光!”\n" "输出:汤姆叹了口气说:“我们迷路了。”杰克却显得很兴奋:“看,前面有灯光!”\n\n" ) def transform(self, text: str) -> str: prompt_len = len(self.prompt or "") max_chunk = max( 2048, int(self.context_window) - prompt_len - len(self.speakers_describe) - 400, ) parts = smart_split(text, max_length=max_chunk) logger.debug( f"文本长度 {len(text)} 字符,被切分为 {len(parts)} 个片段,每个片段最大长度约为 {max_chunk} 字符。" ) results: list[str] = [] # 1. 提前构建 System Prompt (它是模型的大脑设定,不会被轻易覆盖) system_content = ( (self.prompt or "") + "\n\n" + (self.speakers_describe or "") + "\n\n【极其重要的系统指令】:你现在不是一个聊天机器人,你是一个没有感情的XML格式化工具。你只能输出最终的XML文本,绝对禁止输出任何问候语(如“你好”、“以下是”)、解释说明或 Markdown 代码块符(如 ```xml)。" ) for index, part in enumerate(parts, start=1): logger.debug( f"准备处理片段 {index}/{len(parts)},长度 {len(part)} 字符,前200字: {part[:200]!r}" ) # 2. 构建 User Prompt (明确划定文本边界,并在最后再次强调纪律) user_content = ( "请严格按照System中的规则处理以下文本,并提取出XML结果。\n" "(注意:仅处理本片段,输出完整且自洽的XML标签,不要跨片段生成未闭合标签。)\n\n" "### 需要处理的文本开始 ###\n" f"{part}\n" "### 需要处理的文本结束 ###\n\n" "【最后警告】:直接输出包裹了标签的文本!不要输出任何废话、问候、总结,也不要使用 xml 代码块!" ) logger.trace( f"system_content: {system_content}\nuser_content: {user_content}\n" ) # 3. 严格区分角色发给模型 response: ChatResponse = chat( model=self.model, messages=[ {"role": "system", "content": system_content}, # 系统设定 {"role": "user", "content": user_content}, # 用户数据 ], options={ "max_tokens": self.context_window, "temperature": 0.1, # 降低温度,让模型变得死板、机械,专注于格式转换而非创作 "top_p": 0.9, }, ) # 获取内容并做一下基础的清理(防止模型还是手贱加了 ```xml) result_text = response["message"]["content"].strip() if result_text.startswith("```xml"): result_text = result_text[6:] if result_text.startswith("```"): result_text = result_text[3:] if result_text.endswith("```"): result_text = result_text[:-3] results.append(result_text.strip()) return "\n".join(results)