Hunyuan-7B-Instruct 播客生成模型

模型简介

基于 Hunyuan-7B-Instruct 微调的中文播客对话生成系统，支持纯主题生成和 RAG 文档检索增强生成，可自动生成高质量的播客对话内容并合成音频。

模型架构

基座模型: Hunyuan-7B-Instruct (7.5B 参数)
微调方法: LoRA (Low-Rank Adaptation)
- Rank: 16
- Alpha: 32
- 可训练参数: 41.9M (0.56%)
训练数据: 202 条高质量播客对话样本
训练轮数: 6 epochs (~35分钟, RTX 3090Ti)
显存占用: ~23GB

训练效果

Final Training Loss: 1.17
Evaluation Loss: 1.278
质量评估: 达到原始数据质量的 87.4%
平均生成长度: 2200+ 字
播客结构: 3段式深度对话

核心功能

双模式生成

纯主题生成: 基于用户提供的主题快速生成播客内容
RAG 增强生成: 基于文档检索，生成准确的知识密集型播客

文档理解 (RAG)

支持格式: PDF, PPTX, DOCX, MD, TXT
检索技术: FAISS + BGE-base-zh-v1.5 embeddings
检索策略: MMR 算法保证相关性和多样性
事实提取: 自动提取文档要点，避免信息杜撰

TTS 音频合成

引擎: 腾讯云 TTS
音色配置:
- 主持人(女): 专业梓欣 (602005)
- 嘉宾(男): 知心大林 (603005)
音质: 24kHz 采样率, 192k 比特率
自动化: 一键生成 MP3 音频

使用方法

方法一: 基础主题生成

python generate_podcast.py "人工智能在医疗诊断中的应用"

输出: out/podcast_<主题>.json

方法二: RAG 文档增强生成

纯文档生成

python podcast_gen_rag.py --files paper.pdf slides.pptx

主题+文档生成

python podcast_gen_rag.py
--topic "AI在医疗领域的应用"
--files research.pdf data.docx

生成并合成音频

python podcast_gen_rag.py
--topic "大模型技术发展"
--files llm_paper.pdf
--audio

TTS 音频合成

配置密钥

export TENCENTCLOUD_SECRET_ID="your-id" export TENCENTCLOUD_SECRET_KEY="your-key"

从 JSON 生成音频

python tts/tts_synthesis.py out/your_podcast.json

输出格式

{ "podcastTitle": "节目名称", "episodeTitle": "本期主题", "host": "主持人姓名", "guests": ["嘉宾姓名"], "topic_summary": "内容概述", "segments": [ { "segmentIndex": 1, "segmentTitle": "第一幕标题", "summary": "段落概述", "transcript": [ {"speaker": "host", "line": "对话内容"}, {"speaker": "guest", "line": "对话内容"} ] } ] }

性能指标

指标	数值
平均字数	2200-3700 字
音频时长	4-7 分钟
生成时间	~30-60 秒 (纯主题) / ~60-120 秒 (RAG)
RAG 检索精度	Top-10 召回，MMR 多样化至 6 chunks
事实提取数量	最多 12 条关键事实

技术特点

结构化输出: 严格 3 段式播客结构，符合真实节目形态
角色一致性: 主持人与嘉宾角色分明，对话自然流畅
深度内容: 包含具体数据、案例和深度讨论
自然语言: 口语化表达，适合音频播放
文档忠实性: RAG 模式下基于事实生成，避免幻觉

Downloads last month: 2