你是一位世界级的播客制作人，任务是将提供的输入文本转化为引人入胜且信息丰富的播客脚本。输入可能是无结构或杂乱的，来源于PDF或网页。你的目标是从中提取最有趣和有洞察力的内容，以进行一次吸引人的播客讨论。
遵循步骤：
1. 分析输入内容：
   仔细检查文本，识别能够推动吸引人播客对话的关键主题、要点以及有趣的事实或轶事。忽略不相关的信息或格式问题。
2. 头脑风暴创意：
   在<草稿本>中创造性地思考如何以吸引人的方式呈现关键点。考虑
   - 使用类比、讲故事技巧或假设情境使内容更加贴近听众
   - 以让普通听众易于理解的方式来解释复杂话题的方法
   - 在播客中探讨的发人深省的问题
   - 填补信息空白的创新方法
3. 创作对话:
   发展主持人（Jane）与嘉宾（作者或该主题专家）之间自然流畅的对话。包含：
   - 从头脑风暴会话中得到的最佳想法
   - 对复杂话题的清晰解释
   - 一种能吸引听众的活泼语调
   - 信息与娱乐之间的平衡
   对话规则：
   - 主持人（Jane）始终开启对话并对嘉宾进行访谈
   - 包含来自主持人的深思熟虑的问题来引导讨论
   - 结合自然的言语模式，包括偶尔的口头填充词（例如，“嗯”，“好”，“要知道”）
   - 允许主持人与嘉宾之间自然的打断和互动
   - 确保嘉宾的回答基于输入文本，避免没有根据的说法
   - 维持适合所有观众的PG级对话
   - 避免嘉宾进行任何形式的营销或自我宣传
   - 主持人结束对话
4. 总结关键见解：
   在对话接近尾声时自然地融入关键点总结。这应该像是随意的交谈而不是正式的回顾，以便在结束前再次强调主要收获。
5. 保持真实性：在整个脚本中力求对话的真实性。包括：
   - 来自主持人的真实好奇心或惊讶时刻
   - 当嘉宾试图表达一个复杂想法时可能短暂出现的困难
   - 适时轻松幽默的时刻
   - 与话题相关的简短个人故事或例子（在输入文本范围内）
6. 考虑节奏和结构：确保对话有一个自然的起伏：
   - 以强有力的开场白抓住听众的注意力
   - 随着对话推进逐渐增加复杂度
   - 为听众提供简短的‘休息’时间以吸收复杂信息
   - 以高潮结尾，也许是一个发人深省的问题或对听众的行动呼吁
7. 格式要求：请按照严格的JSON格式要求返回结果，主持人和作者说的话，严格按照段落分开，并分别以“Host (Jane)：” 和 “Guest：” 开头。
内容json格式{"title": "", "hosts":"", "guests":"", "Dialogue": [{"speaker": "", "text":""}],}
重要规则：每句对话不得超过100个字符（例如，可以在5-8秒内完成）。
注意：直接以JSON格式回复，不要包含代码块。

TONE_MODIFIER = "语调：这个播客的语调应该是："
LANGUAGE_MODIFIER = "输出语言 <重要>: 输出的播客语言应该是"
LENGTH_MODIFIERS = {
    "Short (1-2 min)": "保持播客的的简单，长度在1-2分钟左右。",
    "Medium (3-5 min)": "争取维持播客中等长度，大概在3-5分钟左右。",
}

from pathlib import Path
from pypdf import PdfReader
if files:
    for file in files:
        if not file.lower().endswith(".pdf"):
            raise gr.Error(ERROR_MESSAGE_NOT_PDF)
        try:
            with Path(file).open("rb") as f:
                reader = PdfReader(f)
                text += "\n\n".join([page.extract_text() for page in reader.pages])
        except Exception as e:
            raise gr.Error(f"{ERROR_MESSAGE_READING_PDF}: {str(e)}")

from utils import parse_url
if url:
    try:
        url_text = parse_url(url)
        text += "\n\n" + url_text
    except ValueError as e:
        raise gr.Error(str(e))

import requests
JINA_READER_URL = "https://r.jina.ai/"
JINA_RETRY_ATTEMPTS = 3
JINA_RETRY_DELAY = 5 
def parse_url(url: str) -> str:
    """Parse the given URL and return the text content."""
    for attempt in range(JINA_RETRY_ATTEMPTS):
        try:
            full_url = f"{JINA_READER_URL}{url}"
            response = requests.get(full_url, timeout=60)
            response.raise_for_status()  # Raise an exception for bad status codes
            return response.text
        except requests.RequestException as e:
            if attempt == JINA_RETRY_ATTEMPTS - 1:  # Last attempt
                raise ValueError(
                    f"Failed to fetch URL after {JINA_RETRY_ATTEMPTS} attempts: {e}"
                ) from e
            time.sleep(JINA_RETRY_DELAY)  # Wait for X second before retrying

modified_system_prompt = SYSTEM_PROMPT
if question:
    modified_system_prompt += f"\n\n{QUESTION_MODIFIER} {question}"
if tone:
    modified_system_prompt += f"\n\n{TONE_MODIFIER} {tone}."
if length:
    modified_system_prompt += f"\n\n{LENGTH_MODIFIERS[length]}"
modified_system_prompt += f"\n\n{LANGUAGE_MODIFIER} 中文."

if length == "Short (1-2 min)":
        qwen_output = generate_script(modified_system_prompt, text, ShortDialogue)
    else:
        qwen_output = generate_script(modified_system_prompt, text, MediumDialogue)

def generate_script(
        system_prompt: str,
        input_text: str,
        output_model: Union[ShortDialogue, MediumDialogue],
) -> Union[ShortDialogue, MediumDialogue]:
    response = call_qwen(system_prompt, input_text)
    response_json = response.choices[0].message.content
    
    first_draft_dialogue = ""
    # Validate the response
    for attempt in range(DASHSCOPE_JSON_RETRY_ATTEMPTS):
        try:
            first_draft_dialogue = output_model.model_validate_json(response_json)
            break
        except ValidationError as e:
            if attempt == DASHSCOPE_JSON_RETRY_ATTEMPTS - 1:  # Last attempt
                raise ValueError(
                    f"Failed to parse dialogue JSON after {DASHSCOPE_JSON_RETRY_ATTEMPTS} attempts: {e}"
                ) from e
            error_message = (
                f"Failed to parse dialogue JSON (attempt {attempt + 1}): {e}"
            )
            # Re-call the Qwen with the error message
            system_prompt_with_error = f"{system_prompt}\n\n请返回一个有效的JSON格式。这是之前的报错信息{error_message}"
            response = call_qwen(system_prompt_with_error, input_text)
            response_json = response.choices[0].message.content
            first_draft_dialogue = output_model.model_validate_json(response_json)
    
    system_prompt_with_dialogue = f"{system_prompt}\n\n这里是您提供的对话的第一稿:\n\n{first_draft_dialogue}."
    
    for attempt in range(DASHSCOPE_JSON_RETRY_ATTEMPTS):
        try:
            response = call_qwen(
                system_prompt_with_dialogue,
                "请改进这段对话，让它更加自然和吸引人。",
            )
            response_json = response.choices[0].message.content
            final_dialogue = output_model.model_validate_json(response_json)
            return final_dialogue
        except ValidationError as e:
            if attempt == DASHSCOPE_JSON_RETRY_ATTEMPTS - 1:  # Last attempt
                raise ValueError(
                    f"Failed to improve dialogue after {DASHSCOPE_JSON_RETRY_ATTEMPTS} attempts: {e}"
                ) from e
            error_message = f"Failed to improve dialogue (attempt {attempt + 1}): {e}"
            system_prompt_with_dialogue += f"\n\n请返回一个有效的JSON 这是之前的报错信息{error_message}"

from openai import OpenAI
fw_client = OpenAI(base_url=FIREWORKS_BASE_URL, api_key=FIREWORKS_API_KEY)
def call_qwen(system_prompt: str, text: str) -> Any:
    response = fw_client.chat.completions.create(
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": text},
        ],
        model=DASHSCOPE_MODEL_ID,
        response_format={
            "type": "json_object",
        },
    )
    
    return response

for line in qwen_output.Dialogue:
    logger.info(f"Generating audio for {line.speaker}: {line.text}")
    if line.speaker == "Host (Jane)":
        speaker = f"**Host**: {line.text}"
        audio_file_path = generate_podcast_audio(line.text, SOUND_COLOR_MAPPING[hostsound])
    else:
        speaker = f"**{qwen_output.guests}**: {line.text}"
        audio_file_path = generate_podcast_audio(line.text, SOUND_COLOR_MAPPING[guestsound])
    transcript += speaker + "\n\n"
    total_characters += len(line.text)
    audio_segment = AudioSegment.from_file(audio_file_path)
    audio_segments.append(audio_segment)

import dashscope
from dashscope.audio.tts_v2 import *
dashscope.api_key = FIREWORKS_API_KEY
def generate_podcast_audio(text: str, sound: str) -> str:
    synthesizer = SpeechSynthesizer(model=COSYVOICE_MODEL, voice=sound)
    for attempt in range(COSYVOICE_RETRY_ATTEMPTS):
        try:
            audio = synthesizer.call(text)
            full_path = create_temp_file(audio)
            return full_path
        except Exception as e:
            if attempt == COSYVOICE_RETRY_ATTEMPTS - 1:
                raise
            time.sleep(COSYVOICE_RETRY_DELAY)

combined_audio = sum(audio_segments)
temporary_directory = GRADIO_CACHE_DIR
os.makedirs(temporary_directory, exist_ok=True)
temporary_file = NamedTemporaryFile(
    dir=temporary_directory,
    delete=False,
    suffix=".mp3",
)
combined_audio.export(temporary_file.name, format="mp3")

export DASHSCOPE_API_KEY = "YOUR_API_KEY"
git clone https://www.modelscope.cn/studios/modelscope/open-notebooklm-demo.git
cd open-notebooklm-demo
pip install -r requirements.txt
python app.py