577 lines
13 KiB
Python
577 lines
13 KiB
Python
# Convert Japanese text to phonemes which is
|
||
# compatible with Julius https://github.com/julius-speech/segmentation-kit
|
||
import math
|
||
import re
|
||
import unicodedata
|
||
|
||
from transformers import AutoTokenizer
|
||
|
||
from text import punctuation, symbols
|
||
|
||
try:
|
||
import MeCab
|
||
except ImportError as e:
|
||
raise ImportError("Japanese requires mecab-python3 and unidic-lite.") from e
|
||
from num2words import num2words
|
||
|
||
_CONVRULES = [
|
||
# Conversion of 2 letters
|
||
"アァ/ a a",
|
||
"イィ/ i i",
|
||
"イェ/ i e",
|
||
"イャ/ y a",
|
||
"ウゥ/ u:",
|
||
"エェ/ e e",
|
||
"オォ/ o:",
|
||
"カァ/ k a:",
|
||
"キィ/ k i:",
|
||
"クゥ/ k u:",
|
||
"クャ/ ky a",
|
||
"クュ/ ky u",
|
||
"クョ/ ky o",
|
||
"ケェ/ k e:",
|
||
"コォ/ k o:",
|
||
"ガァ/ g a:",
|
||
"ギィ/ g i:",
|
||
"グゥ/ g u:",
|
||
"グャ/ gy a",
|
||
"グュ/ gy u",
|
||
"グョ/ gy o",
|
||
"ゲェ/ g e:",
|
||
"ゴォ/ g o:",
|
||
"サァ/ s a:",
|
||
"シィ/ sh i:",
|
||
"スゥ/ s u:",
|
||
"スャ/ sh a",
|
||
"スュ/ sh u",
|
||
"スョ/ sh o",
|
||
"セェ/ s e:",
|
||
"ソォ/ s o:",
|
||
"ザァ/ z a:",
|
||
"ジィ/ j i:",
|
||
"ズゥ/ z u:",
|
||
"ズャ/ zy a",
|
||
"ズュ/ zy u",
|
||
"ズョ/ zy o",
|
||
"ゼェ/ z e:",
|
||
"ゾォ/ z o:",
|
||
"タァ/ t a:",
|
||
"チィ/ ch i:",
|
||
"ツァ/ ts a",
|
||
"ツィ/ ts i",
|
||
"ツゥ/ ts u:",
|
||
"ツャ/ ch a",
|
||
"ツュ/ ch u",
|
||
"ツョ/ ch o",
|
||
"ツェ/ ts e",
|
||
"ツォ/ ts o",
|
||
"テェ/ t e:",
|
||
"トォ/ t o:",
|
||
"ダァ/ d a:",
|
||
"ヂィ/ j i:",
|
||
"ヅゥ/ d u:",
|
||
"ヅャ/ zy a",
|
||
"ヅュ/ zy u",
|
||
"ヅョ/ zy o",
|
||
"デェ/ d e:",
|
||
"ドォ/ d o:",
|
||
"ナァ/ n a:",
|
||
"ニィ/ n i:",
|
||
"ヌゥ/ n u:",
|
||
"ヌャ/ ny a",
|
||
"ヌュ/ ny u",
|
||
"ヌョ/ ny o",
|
||
"ネェ/ n e:",
|
||
"ノォ/ n o:",
|
||
"ハァ/ h a:",
|
||
"ヒィ/ h i:",
|
||
"フゥ/ f u:",
|
||
"フャ/ hy a",
|
||
"フュ/ hy u",
|
||
"フョ/ hy o",
|
||
"ヘェ/ h e:",
|
||
"ホォ/ h o:",
|
||
"バァ/ b a:",
|
||
"ビィ/ b i:",
|
||
"ブゥ/ b u:",
|
||
"フャ/ hy a",
|
||
"ブュ/ by u",
|
||
"フョ/ hy o",
|
||
"ベェ/ b e:",
|
||
"ボォ/ b o:",
|
||
"パァ/ p a:",
|
||
"ピィ/ p i:",
|
||
"プゥ/ p u:",
|
||
"プャ/ py a",
|
||
"プュ/ py u",
|
||
"プョ/ py o",
|
||
"ペェ/ p e:",
|
||
"ポォ/ p o:",
|
||
"マァ/ m a:",
|
||
"ミィ/ m i:",
|
||
"ムゥ/ m u:",
|
||
"ムャ/ my a",
|
||
"ムュ/ my u",
|
||
"ムョ/ my o",
|
||
"メェ/ m e:",
|
||
"モォ/ m o:",
|
||
"ヤァ/ y a:",
|
||
"ユゥ/ y u:",
|
||
"ユャ/ y a:",
|
||
"ユュ/ y u:",
|
||
"ユョ/ y o:",
|
||
"ヨォ/ y o:",
|
||
"ラァ/ r a:",
|
||
"リィ/ r i:",
|
||
"ルゥ/ r u:",
|
||
"ルャ/ ry a",
|
||
"ルュ/ ry u",
|
||
"ルョ/ ry o",
|
||
"レェ/ r e:",
|
||
"ロォ/ r o:",
|
||
"ワァ/ w a:",
|
||
"ヲォ/ o:",
|
||
"ディ/ d i",
|
||
"デェ/ d e:",
|
||
"デャ/ dy a",
|
||
"デュ/ dy u",
|
||
"デョ/ dy o",
|
||
"ティ/ t i",
|
||
"テェ/ t e:",
|
||
"テャ/ ty a",
|
||
"テュ/ ty u",
|
||
"テョ/ ty o",
|
||
"スィ/ s i",
|
||
"ズァ/ z u a",
|
||
"ズィ/ z i",
|
||
"ズゥ/ z u",
|
||
"ズャ/ zy a",
|
||
"ズュ/ zy u",
|
||
"ズョ/ zy o",
|
||
"ズェ/ z e",
|
||
"ズォ/ z o",
|
||
"キャ/ ky a",
|
||
"キュ/ ky u",
|
||
"キョ/ ky o",
|
||
"シャ/ sh a",
|
||
"シュ/ sh u",
|
||
"シェ/ sh e",
|
||
"ショ/ sh o",
|
||
"チャ/ ch a",
|
||
"チュ/ ch u",
|
||
"チェ/ ch e",
|
||
"チョ/ ch o",
|
||
"トゥ/ t u",
|
||
"トャ/ ty a",
|
||
"トュ/ ty u",
|
||
"トョ/ ty o",
|
||
"ドァ/ d o a",
|
||
"ドゥ/ d u",
|
||
"ドャ/ dy a",
|
||
"ドュ/ dy u",
|
||
"ドョ/ dy o",
|
||
"ドォ/ d o:",
|
||
"ニャ/ ny a",
|
||
"ニュ/ ny u",
|
||
"ニョ/ ny o",
|
||
"ヒャ/ hy a",
|
||
"ヒュ/ hy u",
|
||
"ヒョ/ hy o",
|
||
"ミャ/ my a",
|
||
"ミュ/ my u",
|
||
"ミョ/ my o",
|
||
"リャ/ ry a",
|
||
"リュ/ ry u",
|
||
"リョ/ ry o",
|
||
"ギャ/ gy a",
|
||
"ギュ/ gy u",
|
||
"ギョ/ gy o",
|
||
"ヂェ/ j e",
|
||
"ヂャ/ j a",
|
||
"ヂュ/ j u",
|
||
"ヂョ/ j o",
|
||
"ジェ/ j e",
|
||
"ジャ/ j a",
|
||
"ジュ/ j u",
|
||
"ジョ/ j o",
|
||
"ビャ/ by a",
|
||
"ビュ/ by u",
|
||
"ビョ/ by o",
|
||
"ピャ/ py a",
|
||
"ピュ/ py u",
|
||
"ピョ/ py o",
|
||
"ウァ/ u a",
|
||
"ウィ/ w i",
|
||
"ウェ/ w e",
|
||
"ウォ/ w o",
|
||
"ファ/ f a",
|
||
"フィ/ f i",
|
||
"フゥ/ f u",
|
||
"フャ/ hy a",
|
||
"フュ/ hy u",
|
||
"フョ/ hy o",
|
||
"フェ/ f e",
|
||
"フォ/ f o",
|
||
"ヴァ/ b a",
|
||
"ヴィ/ b i",
|
||
"ヴェ/ b e",
|
||
"ヴォ/ b o",
|
||
"ヴュ/ by u",
|
||
# Conversion of 1 letter
|
||
"ア/ a",
|
||
"イ/ i",
|
||
"ウ/ u",
|
||
"エ/ e",
|
||
"オ/ o",
|
||
"カ/ k a",
|
||
"キ/ k i",
|
||
"ク/ k u",
|
||
"ケ/ k e",
|
||
"コ/ k o",
|
||
"サ/ s a",
|
||
"シ/ sh i",
|
||
"ス/ s u",
|
||
"セ/ s e",
|
||
"ソ/ s o",
|
||
"タ/ t a",
|
||
"チ/ ch i",
|
||
"ツ/ ts u",
|
||
"テ/ t e",
|
||
"ト/ t o",
|
||
"ナ/ n a",
|
||
"ニ/ n i",
|
||
"ヌ/ n u",
|
||
"ネ/ n e",
|
||
"ノ/ n o",
|
||
"ハ/ h a",
|
||
"ヒ/ h i",
|
||
"フ/ f u",
|
||
"ヘ/ h e",
|
||
"ホ/ h o",
|
||
"マ/ m a",
|
||
"ミ/ m i",
|
||
"ム/ m u",
|
||
"メ/ m e",
|
||
"モ/ m o",
|
||
"ラ/ r a",
|
||
"リ/ r i",
|
||
"ル/ r u",
|
||
"レ/ r e",
|
||
"ロ/ r o",
|
||
"ガ/ g a",
|
||
"ギ/ g i",
|
||
"グ/ g u",
|
||
"ゲ/ g e",
|
||
"ゴ/ g o",
|
||
"ザ/ z a",
|
||
"ジ/ j i",
|
||
"ズ/ z u",
|
||
"ゼ/ z e",
|
||
"ゾ/ z o",
|
||
"ダ/ d a",
|
||
"ヂ/ j i",
|
||
"ヅ/ z u",
|
||
"デ/ d e",
|
||
"ド/ d o",
|
||
"バ/ b a",
|
||
"ビ/ b i",
|
||
"ブ/ b u",
|
||
"ベ/ b e",
|
||
"ボ/ b o",
|
||
"パ/ p a",
|
||
"ピ/ p i",
|
||
"プ/ p u",
|
||
"ペ/ p e",
|
||
"ポ/ p o",
|
||
"ヤ/ y a",
|
||
"ユ/ y u",
|
||
"ヨ/ y o",
|
||
"ワ/ w a",
|
||
"ヰ/ i",
|
||
"ヱ/ e",
|
||
"ヲ/ o",
|
||
"ン/ N",
|
||
"ッ/ q",
|
||
"ヴ/ b u",
|
||
"ー/:",
|
||
# Try converting broken text
|
||
"ァ/ a",
|
||
"ィ/ i",
|
||
"ゥ/ u",
|
||
"ェ/ e",
|
||
"ォ/ o",
|
||
"ヮ/ w a",
|
||
"ォ/ o",
|
||
# Symbols
|
||
"、/ ,",
|
||
"。/ .",
|
||
"！/ !",
|
||
"？/ ?",
|
||
"・/ ,",
|
||
]
|
||
|
||
_COLON_RX = re.compile(":+")
|
||
_REJECT_RX = re.compile("[^ a-zA-Z:,.?]")
|
||
|
||
|
||
def _makerulemap():
|
||
l = [tuple(x.split("/")) for x in _CONVRULES]
|
||
return tuple({k: v for k, v in l if len(k) == i} for i in (1, 2))
|
||
|
||
|
||
_RULEMAP1, _RULEMAP2 = _makerulemap()
|
||
|
||
|
||
def kata2phoneme(text: str) -> str:
|
||
"""Convert katakana text to phonemes."""
|
||
text = text.strip()
|
||
res = []
|
||
while text:
|
||
if len(text) >= 2:
|
||
x = _RULEMAP2.get(text[:2])
|
||
if x is not None:
|
||
text = text[2:]
|
||
res += x.split(' ')[1:]
|
||
continue
|
||
x = _RULEMAP1.get(text[0])
|
||
if x is not None:
|
||
text = text[1:]
|
||
res += x.split(' ')[1:]
|
||
continue
|
||
res.append(text[0])
|
||
text = text[1:]
|
||
# res = _COLON_RX.sub(":", res)
|
||
return res
|
||
|
||
|
||
_KATAKANA = "".join(chr(ch) for ch in range(ord("ァ"), ord("ン") + 1))
|
||
_HIRAGANA = "".join(chr(ch) for ch in range(ord("ぁ"), ord("ん") + 1))
|
||
_HIRA2KATATRANS = str.maketrans(_HIRAGANA, _KATAKANA)
|
||
|
||
|
||
def hira2kata(text: str) -> str:
|
||
text = text.translate(_HIRA2KATATRANS)
|
||
return text.replace("う゛", "ヴ")
|
||
|
||
|
||
_SYMBOL_TOKENS = set(list("・、。？！"))
|
||
_NO_YOMI_TOKENS = set(list("「」『』―（）［］[]"))
|
||
_TAGGER = MeCab.Tagger()
|
||
|
||
def text2kata(text: str) -> str:
|
||
parsed = _TAGGER.parse(text)
|
||
res = []
|
||
for line in parsed.split("\n"):
|
||
if line == "EOS":
|
||
break
|
||
parts = line.split("\t")
|
||
|
||
word, yomi = parts[0], parts[1]
|
||
if yomi:
|
||
res.append(yomi)
|
||
else:
|
||
if word in _SYMBOL_TOKENS:
|
||
res.append(word)
|
||
elif word in ("っ", "ッ"):
|
||
res.append("ッ")
|
||
elif word in _NO_YOMI_TOKENS:
|
||
pass
|
||
else:
|
||
res.append(word)
|
||
return hira2kata("".join(res))
|
||
|
||
|
||
_ALPHASYMBOL_YOMI = {
|
||
"#": "シャープ",
|
||
"%": "パーセント",
|
||
"&": "アンド",
|
||
"+": "プラス",
|
||
"-": "マイナス",
|
||
":": "コロン",
|
||
";": "セミコロン",
|
||
"<": "小なり",
|
||
"=": "イコール",
|
||
">": "大なり",
|
||
"@": "アット",
|
||
"a": "エー",
|
||
"b": "ビー",
|
||
"c": "シー",
|
||
"d": "ディー",
|
||
"e": "イー",
|
||
"f": "エフ",
|
||
"g": "ジー",
|
||
"h": "エイチ",
|
||
"i": "アイ",
|
||
"j": "ジェー",
|
||
"k": "ケー",
|
||
"l": "エル",
|
||
"m": "エム",
|
||
"n": "エヌ",
|
||
"o": "オー",
|
||
"p": "ピー",
|
||
"q": "キュー",
|
||
"r": "アール",
|
||
"s": "エス",
|
||
"t": "ティー",
|
||
"u": "ユー",
|
||
"v": "ブイ",
|
||
"w": "ダブリュー",
|
||
"x": "エックス",
|
||
"y": "ワイ",
|
||
"z": "ゼット",
|
||
"α": "アルファ",
|
||
"β": "ベータ",
|
||
"γ": "ガンマ",
|
||
"δ": "デルタ",
|
||
"ε": "イプシロン",
|
||
"ζ": "ゼータ",
|
||
"η": "イータ",
|
||
"θ": "シータ",
|
||
"ι": "イオタ",
|
||
"κ": "カッパ",
|
||
"λ": "ラムダ",
|
||
"μ": "ミュー",
|
||
"ν": "ニュー",
|
||
"ξ": "クサイ",
|
||
"ο": "オミクロン",
|
||
"π": "パイ",
|
||
"ρ": "ロー",
|
||
"σ": "シグマ",
|
||
"τ": "タウ",
|
||
"υ": "ウプシロン",
|
||
"φ": "ファイ",
|
||
"χ": "カイ",
|
||
"ψ": "プサイ",
|
||
"ω": "オメガ",
|
||
}
|
||
|
||
|
||
_NUMBER_WITH_SEPARATOR_RX = re.compile("[0-9]{1,3}(,[0-9]{3})+")
|
||
_CURRENCY_MAP = {"$": "ドル", "¥": "円", "£": "ポンド", "€": "ユーロ"}
|
||
_CURRENCY_RX = re.compile(r"([$¥£€])([0-9.]*[0-9])")
|
||
_NUMBER_RX = re.compile(r"[0-9]+(\.[0-9]+)?")
|
||
|
||
|
||
def japanese_convert_numbers_to_words(text: str) -> str:
|
||
res = _NUMBER_WITH_SEPARATOR_RX.sub(lambda m: m[0].replace(",", ""), text)
|
||
res = _CURRENCY_RX.sub(lambda m: m[2] + _CURRENCY_MAP.get(m[1], m[1]), res)
|
||
res = _NUMBER_RX.sub(lambda m: num2words(m[0], lang="ja"), res)
|
||
return res
|
||
|
||
|
||
def japanese_convert_alpha_symbols_to_words(text: str) -> str:
|
||
return "".join([_ALPHASYMBOL_YOMI.get(ch, ch) for ch in text.lower()])
|
||
|
||
|
||
def japanese_text_to_phonemes(text: str) -> str:
|
||
"""Convert Japanese text to phonemes."""
|
||
res = unicodedata.normalize("NFKC", text)
|
||
res = japanese_convert_numbers_to_words(res)
|
||
# res = japanese_convert_alpha_symbols_to_words(res)
|
||
res = text2kata(res)
|
||
res = kata2phoneme(res)
|
||
return res
|
||
|
||
def is_japanese_character(char):
|
||
# 定义日语文字系统的 Unicode 范围
|
||
japanese_ranges = [
|
||
(0x3040, 0x309F), # 平假名
|
||
(0x30A0, 0x30FF), # 片假名
|
||
(0x4E00, 0x9FFF), # 汉字 (CJK Unified Ideographs)
|
||
(0x3400, 0x4DBF), # 汉字扩展 A
|
||
(0x20000, 0x2A6DF), # 汉字扩展 B
|
||
# 可以根据需要添加其他汉字扩展范围
|
||
]
|
||
|
||
# 将字符的 Unicode 编码转换为整数
|
||
char_code = ord(char)
|
||
|
||
# 检查字符是否在任何一个日语范围内
|
||
for start, end in japanese_ranges:
|
||
if start <= char_code <= end:
|
||
return True
|
||
|
||
return False
|
||
|
||
rep_map = {
|
||
'：': ',',
|
||
'；': ',',
|
||
'，': ',',
|
||
'。': '.',
|
||
'！': '!',
|
||
'？': '?',
|
||
'\n': '.',
|
||
"·": ",",
|
||
'、': ",",
|
||
'...': '…'
|
||
}
|
||
def replace_punctuation(text):
|
||
pattern = re.compile('|'.join(re.escape(p) for p in rep_map.keys()))
|
||
|
||
replaced_text = pattern.sub(lambda x: rep_map[x.group()], text)
|
||
|
||
replaced_text = re.sub(r'[^\u3040-\u309F\u30A0-\u30FF\u4E00-\u9FFF\u3400-\u4DBF'+"".join(punctuation)+r']+', '', replaced_text)
|
||
|
||
return replaced_text
|
||
|
||
def text_normalize(text):
|
||
res = unicodedata.normalize("NFKC", text)
|
||
res = japanese_convert_numbers_to_words(res)
|
||
# res = "".join([i for i in res if is_japanese_character(i)])
|
||
res = replace_punctuation(res)
|
||
return res
|
||
|
||
def distribute_phone(n_phone, n_word):
|
||
phones_per_word = [0] * n_word
|
||
for task in range(n_phone):
|
||
min_tasks = min(phones_per_word)
|
||
min_index = phones_per_word.index(min_tasks)
|
||
phones_per_word[min_index] += 1
|
||
return phones_per_word
|
||
|
||
tokenizer = AutoTokenizer.from_pretrained("./pretrain/bert-base-japanese-v3")
|
||
def g2p(norm_text):
|
||
tokenized = tokenizer.tokenize(norm_text)
|
||
phs = []
|
||
ph_groups = []
|
||
for t in tokenized:
|
||
if not t.startswith('#'):
|
||
ph_groups.append([t])
|
||
else:
|
||
ph_groups[-1].append(t.replace("#", ''))
|
||
word2ph = []
|
||
for group in ph_groups:
|
||
phonemes = kata2phoneme(text2kata("".join(group)))
|
||
# phonemes = [i for i in phonemes if i in symbols]
|
||
for i in phonemes:
|
||
assert i in symbols, (group, norm_text, tokenized)
|
||
phone_len = len(phonemes)
|
||
word_len = len(group)
|
||
|
||
aaa = distribute_phone(phone_len, word_len)
|
||
word2ph += aaa
|
||
|
||
phs += phonemes
|
||
phones = ['_'] + phs + ["_"]
|
||
tones = [0 for i in phones]
|
||
word2ph = [1] + word2ph + [1]
|
||
return phones, tones, word2ph
|
||
|
||
if __name__ == '__main__':
|
||
path = "../../../Downloads/transcript_utf8.txt"
|
||
tokenizer = AutoTokenizer.from_pretrained("./pretrain/bert-base-japanese-v3")
|
||
text = "hello,こんにちは、世界！……"
|
||
# text = 'こんにちは、末期試験に備えて、本当に気合いを入れて勉強しなきゃ。'
|
||
# text = '溺れかかっていた乗客は、すべて救助された。'
|
||
from text.japanese_bert import get_bert_feature
|
||
|
||
text = text_normalize(text)
|
||
print(text)
|
||
phones, tones, word2ph = g2p(text)
|
||
bert = get_bert_feature(text, word2ph)
|
||
|
||
print(phones, tones, word2ph, bert.shape)
|
||
|
||
|
||
|