Update app.py

app.py

@@ -1,111 +1,52 @@
-# 导入所需的包
+# 导入必要的库
 from transformers import pipeline
 from IPython.display import Audio, display
+import torch
 
 ##########################################
-# Step 1：情感分类 —— 分析用户评论的情感倾向
+# Step 1：情感分析 - 分析用户评论的情感倾向
 ##########################################
+# 本示例中选择 distilbert-base-uncased-finetuned-sst-2-english 模型用于英文情感分类
+sentiment_classifier = pipeline("sentiment-analysis", model="distilbert-base-uncased-finetuned-sst-2-english")
 
-# 在 Hugging Face 上，经过实践效果较好的情感分类模型推荐：
-# 1. "distilbert-base-uncased-finetuned-sst-2-english" —— 经典正负情感模型
-# 2. "cardiffnlp/twitter-roberta-base-sentiment" —— 针对社交媒体语境优化
-# 3. "nlptown/bert-base-multilingual-uncased-sentiment" —— 多语种情感分析模型
-# 4. "siebert/sentiment-roberta-large-english" —— Roberta 大模型版本
-sentiment_models = [
-    "distilbert-base-uncased-finetuned-sst-2-english",
-    "cardiffnlp/twitter-roberta-base-sentiment",
-    "nlptown/bert-base-multilingual-uncased-sentiment",
-    "siebert/sentiment-roberta-large-english"
-]
-
-# 选取第一款模型作为示例（你可以修改索引以试用其他模型）
-selected_sentiment_model = sentiment_models[0]
-
-# 使用 transformers 的 pipeline 创建情感分析模块
-sentiment_classifier = pipeline("sentiment-analysis", model=selected_sentiment_model)
-
-# 示例用户评论（你可以将其替换为实际的用户输入）
+# 示例用户评论（可替换为实际评论）
 user_review = "I love the fast delivery, but the product quality could be better."
 
-# 运行情感分类
+# 进行情感分析
 sentiment_result = sentiment_classifier(user_review)[0]
 print("情感分析结果：", sentiment_result)
 
 ##########################################
-# Step 2：回复生成 —— 根据情感生成自动回复
+# Step 2：回复生成 - 根据情感生成自动回复
 ##########################################
+# 使用 microsoft/DialoGPT-medium 模型生成回复
+reply_generator = pipeline("text-generation", model="microsoft/DialoGPT-medium")
 
-# 针对文本生成任务，Hugging Face 上较好效果的模型有：
-# 1. "gpt2" —— 基础文本生成模型
-# 2. "microsoft/DialoGPT-medium" —— 针对对话回复优化
-# 3. "EleutherAI/gpt-neo-125M" —— GPT-Neo 系列小模型
-# 4. "facebook/blenderbot-400M-distill" —— BlenderBot 对话生成模型
-generation_models = [
-    "gpt2",
-    "microsoft/DialoGPT-medium",
-    "EleutherAI/gpt-neo-125M",
-    "facebook/blenderbot-400M-distill"
-]
-
-# 此处选取 "microsoft/DialoGPT-medium" 作为生成回复的模型
-selected_generation_model = generation_models[1]
-reply_generator = pipeline("text-generation", model=selected_generation_model)
-
-# 根据情感结果构造生成回复用的 prompt
-# 注意不同模型返回的标签可能不同，有的直接写 "POSITIVE"/"NEGATIVE"，有的可能返回 "LABEL_1"/"LABEL_0"
-label = sentiment_result['label'].upper()  # 转为大写方便比较
-
+# 根据情感构造 Prompt，本次修改在 prompt 中加入明确的“回复：”提示，
+# 以引导模型产生新内容而不是简单重复输入内容
+label = sentiment_result['label'].upper()
 if "POSITIVE" in label or "LABEL_1" in label:
-    # 正面评论的回复模板：表达感谢和认同（拟人化、贴心）
-    prompt = f"用户评论表达了正面情感，评论内容： {user_review}\n系统回复（请用贴心温暖的语气，表达感谢和认可）："
+    prompt = (f"用户评论表达了正面情感：\n评论内容： {user_review}\n"
+              f"请给出一段贴心温暖、表达感谢和认可，并让用户感到愉快的回复：\n回复：")
 elif "NEGATIVE" in label or "LABEL_0" in label:
-    # 负面评论的回复模板：使用温柔的安抚语气，表达歉意和关切
-    prompt = f"用户评论表达了负面情感，评论内容： {user_review}\n系统回复（请用温柔体贴的话语进行安抚和道歉）："
+    prompt = (f"用户评论表达了负面情感：\n评论内容： {user_review}\n"
+              f"请给出一段温柔体贴、安抚用户并表示歉意的回复：\n回复：")
 else:
-    # 如果情感不明确，可使用中性模板
-    prompt = f"用户评论： {user_review}\n系统回复："
+    prompt = f"用户评论： {user_review}\n请给出一段中肯的回复：\n回复："
 
 print("\n生成回复的提示词 (Prompt):")
 print(prompt)
 
-# 生成回复文字
-# 设置 max_length: 最大生成长度；do_sample, top_p, temperature 控制生成风格和随机性
-generated = reply_generator(prompt, max_length=120, do_sample=True, top_p=0.9, temperature=0.8)
-generated_reply = generated[0]['generated_text']
-print("\n生成的回复文本：")
-print(generated_reply)
+# 生成回复文本，设置 truncation=True 避免长度问题，并适当提高采样温度与 top_p 值
+generated = reply_generator(prompt, max_length=150, do_sample=True, top_p=0.95, temperature=0.9, truncation=True)
 
-##########################################
-# Step 3：文本转语音（TTS） —— 将回复朗读出来
-##########################################
-
-# Hugging Face 上几款 TTS 模型的候选：
-# 1. "microsoft/speecht5_tts" —— 微软的 SpeechT5 TTS 模型，支持情感化控制；
-# 2. "espnet/kan-bayashi_ljspeech_tts_fastspeech2" —— 基于 FastSpeech2 的模型；
-# 3. "espnet/kan-bayashi_ljspeech_tts_tacotron2" —— 基于 Tacotron2 的模型；
-# 4. “facebook/s2tts” —— 示例（如果可用，实际情况可选择其他推荐的 TTS 模型）
-tts_models = [
-    "microsoft/speecht5_tts",
-    "espnet/kan-bayashi_ljspeech_tts_fastspeech2",
-    "espnet/kan-bayashi_ljspeech_tts_tacotron2",
-    "facebook/s2tts"
-]
-
-# 选取第一款作为示例
-selected_tts_model = tts_models[0]
-tts_pipeline = pipeline("text-to-speech", model=selected_tts_model)
-
-# 利用 TTS 模型将生成的回复文本转换为语音
-tts_output = tts_pipeline(generated_reply)
+generated_text = generated[0]['generated_text']
 
-# tts_output 通常返回一个字典，其中包含 "wav" (二进制音频数据) 和 "sample_rate"
-speech_wav = tts_output["wav"]
-sample_rate = tts_output["sample_rate"]
-
-# （可选）保存生成的语音文件到本地文件系统（Colab 中生成）
-with open("reply.wav", "wb") as f:
-    f.write(speech_wav)
+# 如果生成结果包含完整 prompt，则剔除
+if generated_text.startswith(prompt):
+    final_reply = generated_text[len(prompt):].strip()
+else:
+    final_reply = generated_text.strip()
 
-# 在 Colab 中直接播放语音，可以用 IPython.display.Audio
-print("\n播放生成的回复语音：")
-display(Audio(data=speech_wav, rate=sample_rate))
+print("\n生成的回复文本：")
+print(final_reply)