Description
长文本生成的语言完全不正常，
下面是我的文本
"在前不久临空市票选的十大黄金单身汉活动中，秦彻以极高的票数成功入榜。虽然他是N109区的老大，但真容几乎没什么人见过。也不知道是哪个胆大包天的人把偷拍的照片放到了网上，引起了一阵热议。原来这就是暗点的首领秦彻！好帅好帅！虽然知道他危险，但长得实在迷人！”底下的留言建起了高楼，小迷妹们一口一个秦彻赛高更是直接把秦彻的排名顶到了第一位。但更不怕死的大有人在，比如你。在深入群众了解了大家对秦彻开通私人号的高度渴望后，你瞅了眼身边的男人。秦彻秦彻，你开通个私人社交账号呗，发发动态什么的。正在忙工作的男人难得的架起了金丝框眼镜，有点斯文败类的味道。"
clone_model = CosyVoice2(os.path.join("checkpoints", "CosyVoice2-0.5B"), True, True, True, False)
parsed_text = pause(tts_text)
audio_data: torch.Tensor = None
for i, t in enumerate(parsed_text):
text = t.get("text").strip()
if not text.strip():
# 生成静音语音
# 定义停顿参数（示例使用0.5秒停顿）
pause_duration = t.get("pause") # 单位：秒
sample_rate = sample_rate # 获取采样率
pause_samples = int(pause_duration * sample_rate) # 计算静音采样点数
pause_tensor = torch.zeros(1, pause_samples) # 创建静音片段（单声道）
if audio_data is not None:
audio_data = torch.concat([audio_data, pause_tensor], dim=1)
else:
audio_data = pause_tensor
else:
for chunk in clone_model.inference_zero_shot(text, prompt_text, prompt_speech_16k, "",
False, speed, False):
chunk_speech = chunk['tts_speech']
if audio_data is not None:
audio_data = torch.concat([audio_data, chunk_speech], dim=1)
else:
audio_data = chunk_speech
torchaudio.save(audio_data_path, audio_data, sample_rate)