mirror of
https://github.com/RVC-Boss/GPT-SoVITS.git
synced 2025-04-05 04:22:46 +08:00
129 lines
4.1 KiB
Python
129 lines
4.1 KiB
Python
import os
|
||
import torch
|
||
from transformers import AutoTokenizer, AutoModel
|
||
from scipy.spatial.distance import cosine
|
||
from Ref_Audio_Selector.config_param.log_config import logger
|
||
|
||
bert_path = os.environ.get(
|
||
"bert_path", "GPT_SoVITS/pretrained_models/chinese-roberta-wwm-ext-large"
|
||
)
|
||
|
||
# Set device to GPU if available, else CPU
|
||
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
|
||
|
||
logger.info(f'使用计算设备: {device}')
|
||
|
||
tokenizer = AutoTokenizer.from_pretrained(bert_path)
|
||
model = AutoModel.from_pretrained(bert_path).to(device)
|
||
|
||
|
||
def calculate_similarity(text1, text2, max_length=512):
|
||
# 预处理文本，设置最大长度
|
||
inputs1 = tokenizer(text1, padding=True, truncation=True, max_length=max_length, return_tensors='pt').to(device)
|
||
inputs2 = tokenizer(text2, padding=True, truncation=True, max_length=max_length, return_tensors='pt').to(device)
|
||
|
||
# 获取句子向量（这里是取CLS token的向量并展平为一维）
|
||
with torch.no_grad():
|
||
encoded_text1 = model(**inputs1)[0][:, 0, :].flatten()
|
||
encoded_text2 = model(**inputs2)[0][:, 0, :].flatten()
|
||
|
||
# 确保转换为numpy数组并且是一维的
|
||
similarity = 1 - cosine(encoded_text1.cpu().numpy().flatten(), encoded_text2.cpu().numpy().flatten())
|
||
|
||
return similarity
|
||
|
||
|
||
# 对boundary到1区间的值进行放大
|
||
def adjusted_similarity(similarity_score2, boundary=0.8):
|
||
if similarity_score2 < boundary:
|
||
return 0
|
||
|
||
# 倍数
|
||
multiple = 1 / (1 - boundary)
|
||
|
||
adjusted_score = (similarity_score2 - boundary) * multiple
|
||
|
||
return adjusted_score
|
||
|
||
|
||
def calculate_result(t1, t2, boundary):
|
||
# 计算并打印相似度
|
||
similarity_score2 = calculate_similarity(t1, t2)
|
||
|
||
# 调整相似度
|
||
adjusted_similarity_score2 = adjusted_similarity(similarity_score2, boundary)
|
||
|
||
return similarity_score2, adjusted_similarity_score2
|
||
|
||
|
||
def print_result(t1, t2, boundary):
|
||
print(f't2: {t2}')
|
||
# 计算并打印相似度
|
||
similarity_score2 = calculate_similarity(t1, t2)
|
||
print(f"两句话的相似度为: {similarity_score2:.4f}")
|
||
|
||
# 调整相似度
|
||
adjusted_similarity_score2 = adjusted_similarity(similarity_score2, boundary)
|
||
print(f"调整后的相似度为: {adjusted_similarity_score2:.4f}")
|
||
|
||
|
||
def test(boundary):
|
||
# 原始文本
|
||
text1 = "这是第一个句子"
|
||
list = """
|
||
这是第一个句子
|
||
这是第二个句子。
|
||
那么，这是第三个表达。
|
||
当前呈现的是第四个句子。
|
||
接下来，我们有第五句话。
|
||
在此，展示第六条陈述。
|
||
继续下去，这是第七个短句。
|
||
不容忽视的是第八个表述。
|
||
顺延着序列，这是第九句。
|
||
此处列举的是第十个说法。
|
||
进入新的篇章，这是第十一个句子。
|
||
下一段内容即为第十二个句子。
|
||
显而易见，这是第十三个叙述。
|
||
渐进地，我们来到第十四句话。
|
||
向下滚动，您会看到第十五个表达。
|
||
此刻，呈现在眼前的是第十六个句子。
|
||
它们中的一个——第十七个句子在此。
|
||
如同链条般连接，这是第十八个断言。
|
||
按照顺序排列，接下来是第十九个话语。
|
||
逐一列举，这是第二十个陈述句。
|
||
结构相似，本例给出第二十一个实例句。
|
||
这是最初的陈述句。
|
||
首先表达的是这一个句子。
|
||
第一句内容即为此处所示。
|
||
这是起始的叙述段落。
|
||
开篇所展示的第一句话就是这个。
|
||
明媚的阳光洒满大地
|
||
窗外飘落粉色樱花瓣
|
||
笔尖轻触纸面思绪万千
|
||
深夜的月光如水般静谧
|
||
穿越丛林的小径蜿蜒曲折
|
||
浅酌清茶品味人生百态
|
||
破晓时分雄鸡一唱天下白
|
||
草原上奔驰的骏马无拘无束
|
||
秋叶纷飞描绘季节更替画卷
|
||
寒冬雪夜炉火旁围坐共话家常
|
||
kszdRjYXw
|
||
pfsMgTlVHnB
|
||
uQaGxIbWz
|
||
ZtqNhPmKcOe
|
||
jfyrXsStVUo
|
||
wDiEgLkZbn
|
||
yhNvAfUmqC
|
||
TpKjxMrWgs
|
||
eBzHUaFJtYd
|
||
oQnXcVSiPkL
|
||
00000
|
||
"""
|
||
list2 = list.strip().split('\n')
|
||
for item in list2:
|
||
print_result(text1, item, boundary)
|
||
|
||
|
||
if __name__ == '__main__':
|
||
test(0.9)
|