feat:Convert digit in the text into chinese, including number, date and time in the text, etc.

toolbox/__init__.py

@@ -12,6 +12,7 @@ import traceback
 import sys
 import torch
 import re
+from toolbox.digit_2_chinese import text_to_chinese
 
 # 默认使用wavernn
 vocoder = rnn_vocoder
@@ -250,6 +251,7 @@ class Toolbox:
         punctuation = '！，。、,' # punctuate and split/clean text
         processed_texts = []
         for text in texts:
+            text = text_to_chinese(text)
             for processed_text in re.sub(r'[{}]+'.format(punctuation), '\n', text).split('\n'):
                 if processed_text:
                     processed_texts.append(processed_text.strip())

toolbox/digit_2_chinese.py

@@ -0,0 +1,167 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+"""
+-------------------------------------------------
+  Filename: digit_2_chinese.py
+  Desc    :
+  Author  : nfyn
+  Created : 2022/5/22
+-------------------------------------------------
+"""
+import re
+from typing import Union
+
+HAN_STR: str = '零一二三四五六七八九'
+
+
+def four_digit_2_chinese(num_str: str, unit: str) -> str:
+    """
+    每4位数字进行转换成中文处理函数
+    :param num_str: 数字字符串，长度为4
+    :param unit: 单位
+    :return: 中文数字+单位
+    """
+    unit_lst: list = ['', '十', '百', '千']
+    result: str = ''
+    for idx, num in enumerate(num_str):
+        if num != '0':
+            # 如果数字不是0，数字转换为汉字，拼接上单位
+            try:
+                result = HAN_STR[int(num)] + unit_lst[idx] + result
+            except ValueError as e:
+                # 可处理非数字字符串，直接按原值返回
+                result = num + result
+        else:
+            result = '零' + result
+
+    # 处理`零`的显示
+    if all(i == '零' for i in result):
+        # 如果在和单位拼接前，`全是零`，则返回空字符串
+        return ''
+    else:
+        # 如果在和单位拼接前，`不全是零`，对`连续两个零`进行替换为`零`，对于`右侧一个零`的情况，直接删除`右侧的零`
+        rep: str = re.sub(r'零{2,}', '零', result).rstrip('零')
+        if rep.startswith('一十'):
+            # 如果以`一十`开头，直接删除`左侧的一`，再和单位进行拼接返回
+            return rep.lstrip('一') + unit
+        else:
+            # 和单位进行拼接返回
+            return rep + unit
+
+
+def integer_2_chinese(num_str: str) -> str:
+    """
+    整数部分转换成中文处理函数
+    :param num_str: 整数部分的数字字符串
+    :return: 整数部分的中文字符串
+    """
+    if all(i == '0' for i in num_str):
+        # 如果为数字全为`0`，直接返回`零`
+        return '零'
+    # 反转数字顺序，便于从小到大对应单位
+    num_reverse: str = num_str.lstrip('0')[::-1]
+    # 每4位进行转换，分别对应单位是 ``, `万`10^4, `亿`10^8, `兆`10^12, `京`10^16, `垓`10^20,`秭`10^24, `穰`10^28,`沟`10^32, `涧`10^36
+    unit_lst: list = ['', '万', '亿', '兆', '京', '垓', '秭', '穰', '沟', '涧', '正', '载', '极', '恒河沙', '阿僧祗', '那由他',
+                      '不可思议', '无量大海', '大数']
+
+    res: str = ''.join(
+        [four_digit_2_chinese(num_reverse[idx * 4:(idx + 1) * 4], unit=unit) for idx, unit in enumerate(unit_lst)][::-1])
+    return res
+
+
+def decimal_2_chinese(num_str: str) -> str:
+    """
+    小数部分转换中文处理函数
+    :param num_str: 小数部分数字字符串
+    :return: 小数部分的中文字符串
+    """
+    result: str = ''
+    for idx, num in enumerate(num_str):
+        try:
+            result += HAN_STR[int(num)]
+        except ValueError as e:
+            # 可处理非数字字符串，直接按原值返回
+            result += num
+    return result
+
+
+def date_2_chinese(num_str: str) -> str:
+    """
+    日期部分转换中文处理函数
+    :param num_str: 日期部分数字字符串
+    :return: 日期部分的中文字符串
+    """
+    if isinstance(num_str, re.Match):
+        num_str = num_str.group(0)
+
+    result: str = ''
+    num_lst = num_str.split('年')
+
+    for idx, num in enumerate(num_lst[0]):
+        try:
+            result += HAN_STR[int(num)]
+        except ValueError as e:
+            # 可处理非数字字符串，直接按原值返回
+            result += num
+    return result + '年' + num_lst[1]
+
+
+def time_2_chinese(num_str: str) -> str:
+    """
+    时间部分转换中文处理函数
+    :param num_str: 包含时间部分数字字符串
+    :return: 包含时间部分的中文字符串
+    """
+    if isinstance(num_str, re.Match):
+        num_str = num_str.group(0)
+
+    num_lst = num_str.split(':')
+    return ''.join([item[0]+item[1] for item in zip(num_lst, ('时', '分', '秒'))])
+
+
+def to_chinese(num: Union[str, int]) -> str:
+    """
+    数字转换成中文入口函数
+    :param num: 数字或者数字字符串
+    :return:完整的中文数字字符串
+    """
+    if isinstance(num, re.Match):
+        num = num.group(0)
+
+    num_str = str(num)
+    # 分割整数和小数部分
+    num_lst = num_str.split('.')
+    if len(num_lst) == 1:
+        # 如果只要整数部分
+        return integer_2_chinese(num_lst[0])
+    elif len(num_lst) == 2:
+        # 如果有小数部分
+        integer_str = integer_2_chinese(num_lst[0])
+        decimal_str = decimal_2_chinese(num_lst[1])
+        return integer_str + f'点{decimal_str}' if decimal_str else decimal_str
+    else:
+        raise ValueError('The number string format is not correct')
+
+
+def text_to_chinese(text: str) -> str:
+    """
+    将文本中的数字替换成汉字
+    :param text: 输入文本
+    :return: 输出全部转换文汉字的文本
+    """
+    # 转换文本中的日期信息
+    text = re.sub(r'(\d{4}).*?年.*?月', date_2_chinese, str(text))
+
+    # 转换文本中的时间信息
+    text = text.replace('：', ':')
+    text = re.sub(r'(\d{1,2}).*?:.*?\d{1,2}.*?:.*?\d{1,2}', time_2_chinese, text)
+    text = re.sub(r'(\d{1,2}).*?:.*?\d{1,2}.*?', time_2_chinese, text)
+
+    # 转换文本中
+    text = re.sub(r'\d(?:[\d.]*\d+)?', to_chinese, text)
+    return text
+
+
+if __name__ == '__main__':
+    text = '好像1980年12月13日24：00:12，2023年05月30日共计303年, 300233.45'
+    print(text_to_chinese(text))