ClassyGitshadowzzh

config.py

config.py
"""实验 6-5:全自动 TTS 质量评估流水线 —— 配置与测试语料。

本模块集中管理:
  - 用到的 OpenAI 模型名与计费单价(仅供参考成本估算);
  - 多个 TTS「配置」(model / voice / speed 的组合,作为待对比的对象);
  - 一组带挑战性的参考文本(数字 / 多音字 / 长句 / 专有名词 + 情感)。
"""

from dataclasses import dataclass, field

# ---------------------------------------------------------------------------
# 模型名(均为 OpenAI,读 OPENAI_API_KEY)。
# ---------------------------------------------------------------------------
WHISPER_MODEL = "whisper-1"        # 语音转写(回译),用于计算 WER/字准确率(须走 OpenAI 直连)
JUDGE_MODEL = "gpt-5.6-luna"       # LLM Rubric 评审模型(当前廉价旗舰;chat 调用可回退 OpenRouter)

# 可选的 Gemini 音频评审(书中方案)。默认用当前廉价旗舰 gemini-3.5-flash(已验证支持
# 音频输入,能直接「听」合成语音)。模型名可能随时间过期,运行时会通过 REST /models
# 探测校正。仅当 --gemini 开启时才会用到。
GEMINI_MODEL_DEFAULT = "gemini-3.5-flash"

# 计费单价(美元),仅用于打印粗略成本,不影响评分。数值随官方调整可能变化。
PRICE = {
    "tts-1": 15.0 / 1_000_000,          # $ / 字符
    "tts-1-hd": 30.0 / 1_000_000,       # $ / 字符
    "gpt-4o-mini-tts": 12.0 / 1_000_000,
    "whisper-1": 0.006 / 60,            # $ / 秒
}


@dataclass
class TTSConfig:
    """一个待评估的 TTS 配置。name 需在整表内唯一。

    provider 指明合成走哪个服务商(openai / elevenlabs / fishaudio / minimax /
    doubao)。model / voice / speed 的语义由各 provider 自行解释:例如 elevenlabs
    的 voice 是 voice_id,fishaudio 的 voice 是 reference_id(可留空用默认音色)。
    """

    name: str
    model: str
    voice: str
    speed: float = 1.0
    provider: str = "openai"

    def supports_speed(self) -> bool:
        # 只有部分 provider/模型支持 speed 参数;不支持时忽略该字段。
        if self.provider == "openai":
            return self.model in ("tts-1", "tts-1-hd")
        return self.provider in ("minimax", "doubao")


# ---------------------------------------------------------------------------
# 多 provider 注册表(对应书中「接入主流服务:OpenAI、ElevenLabs、Fish Audio、
# Minimax、豆包」)。每个 provider 声明所需环境变量与一个代表性配置,便于跨服务商
# 横向对比。除 OpenAI 外均按各家公开 REST 接口实现,缺 key 时该 provider 的行会被
# 记为失败而不影响整表(见 demo.py)。
# ---------------------------------------------------------------------------
# 环境变量别名:同一凭据可能有多个历史/惯用名,任意一个被设置即视为已配置。
ENV_ALIASES = {
    "FISH_API_KEY": ("FISH_API_KEY", "FISHAUDIO_API_KEY"),
}


def env_get(name: str) -> str:
    """读取环境变量,支持 ENV_ALIASES 中登记的别名,返回第一个非空值(已 strip)。"""
    import os
    for n in ENV_ALIASES.get(name, (name,)):
        val = os.environ.get(n, "").strip()
        if val:
            return val
    return ""


@dataclass
class ProviderInfo:
    key: str                # 内部标识(--providers 用)
    label: str              # 展示名
    env: tuple              # 该 provider 合成所需的环境变量名
    note: str               # 一句话说明 voice 字段语义等

    def configured(self) -> bool:
        return all(env_get(e) for e in self.env)


PROVIDERS = {
    "openai": ProviderInfo(
        "openai", "OpenAI", ("OPENAI_API_KEY",),
        "voice=alloy/nova/…,model=tts-1/tts-1-hd/gpt-4o-mini-tts;本仓库唯一端到端验证过的 provider。",
    ),
    "elevenlabs": ProviderInfo(
        "elevenlabs", "ElevenLabs", ("ELEVENLABS_API_KEY",),
        "voice=voice_id,model 默认 eleven_multilingual_v2(多语言/中文)。",
    ),
    "fishaudio": ProviderInfo(
        "fishaudio", "Fish Audio", ("FISH_API_KEY",),
        "voice=reference_id(留空用默认音色),走 /v1/tts;key 亦可用别名 FISHAUDIO_API_KEY。",
    ),
    "minimax": ProviderInfo(
        "minimax", "Minimax", ("MINIMAX_API_KEY", "MINIMAX_GROUP_ID"),
        "voice=voice_id,model 默认 speech-01-turbo;需额外 GroupId。",
    ),
    "doubao": ProviderInfo(
        "doubao", "豆包(火山引擎)", ("DOUBAO_APP_ID", "DOUBAO_ACCESS_TOKEN"),
        "voice=voice_type,走 openspeech.bytedance.com;鉴权头为 'Bearer;{token}'。",
    ),
}

# 各 provider 的代表性配置(--providers 选中时,每个 provider 取这一条参与对比)。
# 非 OpenAI 的 voice/model 取各家常见默认值,可在此按账号可用音色调整。
PROVIDER_CONFIGS = {
    "openai": TTSConfig("openai-alloy", provider="openai", model="tts-1", voice="alloy"),
    "elevenlabs": TTSConfig("elevenlabs-multi", provider="elevenlabs",
                            model="eleven_multilingual_v2", voice="21m00Tcm4TlvDq8ikWAM"),
    "fishaudio": TTSConfig("fishaudio-default", provider="fishaudio",
                          model="speech-1.5", voice=""),
    "minimax": TTSConfig("minimax-turbo", provider="minimax",
                        model="speech-01-turbo", voice="male-qn-qingse"),
    "doubao": TTSConfig("doubao-tts", provider="doubao",
                       model="volcano_tts", voice="zh_female_qingxin"),
}


# 默认对比的配置集合:覆盖 model(tts-1 vs tts-1-hd)、voice、speed 三个维度,
# 便于观察不同配置在准确性/自然度上的差异。默认全部走 OpenAI 以保证零额外配置跑通。
TTS_CONFIGS = [
    TTSConfig("tts1-alloy-1.0", model="tts-1", voice="alloy", speed=1.0),
    TTSConfig("tts1hd-alloy-1.0", model="tts-1-hd", voice="alloy", speed=1.0),
    TTSConfig("tts1-nova-1.0", model="tts-1", voice="nova", speed=1.0),
    TTSConfig("tts1-alloy-1.5", model="tts-1", voice="alloy", speed=1.5),
]

# 可选加入(--extra 开启):gpt-4o-mini-tts。默认不加入以保证一定跑通。
EXTRA_CONFIGS = [
    TTSConfig("4omini-nova-1.0", model="gpt-4o-mini-tts", voice="nova", speed=1.0),
]


@dataclass
class Sample:
    """一条参考文本 + 期望情感标签(供 Rubric 情感维度参考)。"""

    id: str
    text: str
    challenge: str      # 该样本主要考察的挑战点
    emotion: str = "中性"


# 多样化测试语料:数字/日期、多音字、长句、专有名词+情感。
CORPUS = [
    Sample(
        id="num",
        text="2026年第三季度营收增长了37.5%,同比提升12个百分点。",
        challenge="数字/百分比/日期",
        emotion="中性",
    ),
    Sample(
        id="polyphone",
        text="银行行长正在重新调整这件事的重点,长此以往,还得还清所有欠款。",
        challenge="多音字(行/长/重/还)",
        emotion="中性",
    ),
    Sample(
        id="long",
        text="据报道,随着人工智能技术的快速发展,越来越多的企业开始将大语言模型"
             "应用于客户服务、内容创作和数据分析等场景,从而显著提升了运营效率。",
        challenge="长句/新闻文体",
        emotion="中性",
    ),
    Sample(
        id="emotion",
        text="太棒了!OpenAI 刚刚发布的新模型在 GAIA 基准测试上表现惊人!",
        challenge="专有名词 + 感叹情感",
        emotion="兴奋",
    ),
]