GPT-SoVITS项目中文本预处理导致空张量拼接问题的分析与解决

问题背景

在GPT-SoVITS语音合成项目的实际应用中，开发者在调用API进行文本转语音时遇到了一个RuntimeError异常。当输入文本中包含特定格式的标点符号和颜文字组合时，系统会抛出"torch.cat(): expected a non-empty list of Tensors"错误。这一现象揭示了文本预处理流程中一个值得关注的技术细节。

问题现象的具体表现

系统对以下两种输入文本表现出不同的行为：

1. 触发错误的输入："你好问题测试。(＾ω＾)"

   • 系统首先按照句号切分文本，得到两个片段：
     • "你好问题测试。"
     • "(＾ω＾)"
   • 在处理第二个颜文字片段时，系统无法提取有效的音素特征，最终导致空张量列表的拼接操作

2. 正常处理的输入："你好问题测试(＾ω＾)"

   • 文本作为一个整体处理
   • 能够正常提取音素特征和BERT特征
   • 合成过程顺利完成

技术原理分析

文本预处理流程

GPT-SoVITS的文本预处理通常包含以下几个关键步骤：

1. 文本切分：根据标点符号将长文本分割为多个短句
2. 文本规范化：清理特殊字符、统一格式
3. 音素转换：将文本转换为发音单元序列
4. BERT特征提取：获取文本的语义表示

问题根源

当颜文字"(＾ω＾)"被单独切分为一个片段时，在文本规范化阶段会被完全过滤掉，导致：

1. 无法生成有效的音素序列
2. BERT特征提取返回空结果
3. 最终在拼接各片段特征时，系统尝试对空列表执行torch.cat操作

PyTorch张量操作机制

torch.cat()是PyTorch中用于连接张量的核心函数，它要求输入必须是非空的张量列表。这一设计是为了保证操作的明确性和安全性。当传入空列表时，PyTorch会主动抛出异常，而不是静默地返回无意义结果。

解决方案与优化建议

临时解决方案

1. 修改输入文本格式：

   • 移除句号使文本保持为一个整体："你好问题测试(＾ω＾)"
   • 或完全删除颜文字部分

2. 使用原始API：

   • 原始API可能采用了不同的文本切分策略

长期改进方案

从系统设计角度，建议在以下环节进行优化：

1. 预处理阶段增强：

   • 实现更智能的文本切分逻辑，避免将纯符号内容单独切分
   • 添加特殊符号处理规则，保留有意义的颜文字

2. 异常处理机制：

   • 在BERT特征提取后添加空结果检查
   • 对空特征片段提供默认值或跳过处理

3. 日志与反馈：

   • 记录文本预处理各阶段的中间结果
   • 提供更友好的用户提示，说明不支持的内容类型

对语音合成系统的启示

这一案例反映了语音合成系统中文本预处理的重要性。在实际应用中，系统需要处理各种非标准文本输入，包括：

• 混合标点符号
• 表情符号和颜文字
• 特殊格式内容（如URL、标签等）

健壮的预处理系统应当具备：

1. 容错能力：优雅处理各种边缘情况
2. 灵活性：适应不同语言和文本风格
3. 可扩展性：方便添加新的处理规则

通过持续优化这些方面，可以显著提升语音合成系统的实用性和用户体验。