import spaces import os os.environ['SPACES_ZERO_GPU'] = '1' import gradio as gr import soundfile as sf import tempfile import torch from vieneu_tts import VieNeuTTS import time print("⏳ Đang khởi động VieNeu-TTS...") # --- 1. SETUP MODEL --- print("📦 Đang tải model...") device = "cuda" if torch.cuda.is_available() else "cpu" print(f"🖥️ Sử dụng thiết bị: {device.upper()}") try: tts = VieNeuTTS( backbone_repo="pnnbao-ump/VieNeu-TTS", backbone_device=device, codec_repo="neuphonic/neucodec", codec_device=device ) print("✅ Model đã tải xong!") except Exception as e: print(f"⚠️ Không thể tải model (Chế độ UI Demo): {e}") class MockTTS: def encode_reference(self, path): return None def infer(self, text, ref, ref_text): import numpy as np time.sleep(1.5) return np.random.uniform(-0.5, 0.5, 24000*3) tts = MockTTS() # --- 2. DATA --- VOICE_SAMPLES = { "Tuyên (nam miền Bắc)": {"audio": "./sample/Tuyên (nam miền Bắc).wav", "text": "./sample/Tuyên (nam miền Bắc).txt"}, "Vĩnh (nam miền Nam)": {"audio": "./sample/Vĩnh (nam miền Nam).wav", "text": "./sample/Vĩnh (nam miền Nam).txt"}, "Bình (nam miền Bắc)": {"audio": "./sample/Bình (nam miền Bắc).wav", "text": "./sample/Bình (nam miền Bắc).txt"}, "Nguyên (nam miền Nam)": {"audio": "./sample/Nguyên (nam miền Nam).wav", "text": "./sample/Nguyên (nam miền Nam).txt"}, "Sơn (nam miền Nam)": {"audio": "./sample/Sơn (nam miền Nam).wav", "text": "./sample/Sơn (nam miền Nam).txt"}, "Đoan (nữ miền Nam)": {"audio": "./sample/Đoan (nữ miền Nam).wav", "text": "./sample/Đoan (nữ miền Nam).txt"}, "Ngọc (nữ miền Bắc)": {"audio": "./sample/Ngọc (nữ miền Bắc).wav", "text": "./sample/Ngọc (nữ miền Bắc).txt"}, "Ly (nữ miền Bắc)": {"audio": "./sample/Ly (nữ miền Bắc).wav", "text": "./sample/Ly (nữ miền Bắc).txt"}, "Dung (nữ miền Nam)": {"audio": "./sample/Dung (nữ miền Nam).wav", "text": "./sample/Dung (nữ miền Nam).txt"} } # --- 3. HELPER FUNCTIONS --- def load_reference_info(voice_choice): if voice_choice in VOICE_SAMPLES: audio_path = VOICE_SAMPLES[voice_choice]["audio"] text_path = VOICE_SAMPLES[voice_choice]["text"] try: if os.path.exists(text_path): with open(text_path, "r", encoding="utf-8") as f: ref_text = f.read() return audio_path, ref_text else: return audio_path, "⚠️ Không tìm thấy file text mẫu." except Exception as e: return None, f"❌ Lỗi: {str(e)}" return None, "" @spaces.GPU(duration=120) def synthesize_preset(text, voice_choice): """Tổng hợp giọng từ preset""" try: if not text or text.strip() == "": return None, "⚠️ Vui lòng nhập văn bản cần tổng hợp!" if len(text) > 250: return None, f"❌ Văn bản quá dài ({len(text)}/250 ký tự)!" if voice_choice not in VOICE_SAMPLES: return None, "⚠️ Vui lòng chọn một giọng mẫu." ref_audio_path = VOICE_SAMPLES[voice_choice]["audio"] ref_text_path = VOICE_SAMPLES[voice_choice]["text"] if not os.path.exists(ref_audio_path): return None, f"❌ Không tìm thấy file audio: {ref_audio_path}" with open(ref_text_path, "r", encoding="utf-8") as f: ref_text_raw = f.read() print(f"🎤 Preset Voice: {voice_choice}") print(f"📝 Text: {text[:50]}...") start_time = time.time() ref_codes = tts.encode_reference(ref_audio_path) wav = tts.infer(text, ref_codes, ref_text_raw) end_time = time.time() process_time = end_time - start_time with tempfile.NamedTemporaryFile(delete=False, suffix=".wav") as tmp_file: sf.write(tmp_file.name, wav, 24000) output_path = tmp_file.name return output_path, f"✅ Thành công! (Mất {process_time:.2f} giây)" except Exception as e: import traceback traceback.print_exc() return None, f"❌ Lỗi: {str(e)}" @spaces.GPU(duration=120) def synthesize_custom(text, custom_audio, custom_text): """Tổng hợp giọng custom""" try: if not text or text.strip() == "": return None, "⚠️ Vui lòng nhập văn bản cần tổng hợp!" if len(text) > 250: return None, f"❌ Văn bản quá dài ({len(text)}/250 ký tự)!" if custom_audio is None or not custom_text: return None, "⚠️ Vui lòng tải lên Audio và nhập nội dung Audio đó." print("🎨 Custom Voice") print(f"📝 Text: {text[:50]}...") start_time = time.time() ref_codes = tts.encode_reference(custom_audio) wav = tts.infer(text, ref_codes, custom_text) end_time = time.time() process_time = end_time - start_time with tempfile.NamedTemporaryFile(delete=False, suffix=".wav") as tmp_file: sf.write(tmp_file.name, wav, 24000) output_path = tmp_file.name return output_path, f"✅ Thành công! (Mất {process_time:.2f} giây)" except Exception as e: import traceback traceback.print_exc() return None, f"❌ Lỗi: {str(e)}" # --- 4. UI SETUP --- theme = gr.themes.Soft( primary_hue="indigo", secondary_hue="cyan", neutral_hue="slate", font=[gr.themes.GoogleFont('Inter'), 'ui-sans-serif', 'system-ui'], ).set( button_primary_background_fill="linear-gradient(90deg, #6366f1 0%, #0ea5e9 100%)", button_primary_background_fill_hover="linear-gradient(90deg, #4f46e5 0%, #0284c7 100%)", block_shadow="0 4px 6px -1px rgba(0, 0, 0, 0.1), 0 2px 4px -1px rgba(0, 0, 0, 0.06)", ) css = """ .container { max-width: 1200px; margin: auto; } .header-box { text-align: center; margin-bottom: 25px; padding: 25px; background: linear-gradient(135deg, #0f172a 0%, #1e293b 100%); border-radius: 12px; border: 1px solid #334155; box-shadow: 0 10px 15px -3px rgba(0, 0, 0, 0.3); } .header-title { font-size: 2.5rem; font-weight: 800; color: white; background: -webkit-linear-gradient(45deg, #60A5FA, #22D3EE); -webkit-background-clip: text; -webkit-text-fill-color: transparent; margin-bottom: 10px; } .header-desc { font-size: 1.1rem; color: #cbd5e1; margin-bottom: 15px; } .link-group a { text-decoration: none; margin: 0 10px; font-weight: 600; color: #94a3b8; transition: color 0.2s; } .link-group a:hover { color: #38bdf8; text-shadow: 0 0 5px rgba(56, 189, 248, 0.5); } .status-box { font-weight: bold; text-align: center; border: none; background: transparent; } """ EXAMPLES_LIST = [ ["Về miền Tây không chỉ để ngắm nhìn sông nước hữu tình, mà còn để cảm nhận tấm chân tình của người dân nơi đây. Cùng ngồi xuồng ba lá len lỏi qua rặng dừa nước, nghe câu vọng cổ ngọt ngào thì còn gì bằng.", "Vĩnh (nam miền Nam)"], ["Hà Nội những ngày vào thu mang một vẻ đẹp trầm mặc và cổ kính đến lạ thường. Đi dạo quanh Hồ Gươm vào sáng sớm, hít hà mùi hoa sữa nồng nàn và thưởng thức chút cốm làng Vòng là trải nghiệm khó quên.", "Bình (nam miền Bắc)"], ["Sự bùng nổ của trí tuệ nhân tạo đang định hình lại cách chúng ta làm việc và sinh sống. Từ xe tự lái đến trợ lý ảo thông minh, công nghệ đang dần xóa nhòa ranh giới giữa thực tại và những bộ phim viễn tưởng.", "Tuyên (nam miền Bắc)"], ] with gr.Blocks(theme=theme, css=css, title="VieNeu-TTS Studio") as demo: with gr.Column(elem_classes="container"): gr.HTML("""
🎙️ VieNeu-TTS Studio
Phiên bản: VieNeu-TTS-1000h (model mới nhất, train trên 1000 giờ dữ liệu)
🤗 Model Card • 📖 Dataset 1000h • 🦜 GitHub
""") # Shared text input with gr.Row(elem_classes="container"): with gr.Column(): gr.Markdown("### 📝 Văn bản đầu vào") text_input = gr.Textbox( label="Nhập văn bản", placeholder="Nhập nội dung tiếng Việt cần chuyển thành giọng nói...", lines=4, value="Sự bùng nổ của trí tuệ nhân tạo đang định hình lại cách chúng ta làm việc và sinh sống.", show_label=False ) with gr.Row(): char_count = gr.HTML("
0 / 250 ký tự
") with gr.Tabs() as tabs: # TAB 1: Preset Voices with gr.Tab("👤 Giọng có sẵn"): with gr.Row(elem_classes="container"): with gr.Column(scale=3): voice_select = gr.Dropdown( choices=list(VOICE_SAMPLES.keys()), value="Tuyên (nam miền Bắc)", label="Chọn giọng", interactive=True ) with gr.Accordion("Thông tin giọng mẫu", open=False): ref_audio_preview = gr.Audio(label="Audio mẫu", interactive=False) ref_text_preview = gr.Markdown("...") btn_preset = gr.Button("🎵 Tổng hợp giọng nói", variant="primary", size="lg") with gr.Column(scale=2): gr.Markdown("### 🎧 Kết quả") audio_preset = gr.Audio(label="Audio đầu ra", type="filepath") status_preset = gr.Textbox(label="Trạng thái", show_label=False, elem_classes="status-box", placeholder="Sẵn sàng...") # TAB 2: Custom Voice with gr.Tab("🎙️ Giọng tùy chỉnh"): with gr.Row(elem_classes="container"): with gr.Column(scale=3): gr.Markdown("Tải lên giọng của bạn (Zero-shot Cloning)") custom_audio = gr.File(label="File ghi âm (.wav)", file_types=[".wav"]) custom_text = gr.Textbox(label="Nội dung ghi âm", placeholder="Nhập chính xác lời thoại...", lines=3) btn_custom = gr.Button("🎵 Tổng hợp giọng nói", variant="primary", size="lg") with gr.Column(scale=2): gr.Markdown("### 🎧 Kết quả") audio_custom = gr.Audio(label="Audio đầu ra", type="filepath") status_custom = gr.Textbox(label="Trạng thái", show_label=False, elem_classes="status-box", placeholder="Sẵn sàng...") # Examples with gr.Row(elem_classes="container"): with gr.Column(): gr.Markdown("### 📚 Ví dụ mẫu") gr.Examples(examples=EXAMPLES_LIST, inputs=[text_input, voice_select], label="Thử nghiệm nhanh") # --- EVENT HANDLERS --- def update_count(text): l = len(text) if l > 250: color = "#dc2626" msg = f"⚠️ {l} / 250 - Quá giới hạn!" elif l > 200: color = "#ea580c" msg = f"{l} / 250" else: color = "#64748B" msg = f"{l} / 250 ký tự" return f"
{msg}
" text_input.change(update_count, text_input, char_count) def update_ref_preview(voice): audio, text = load_reference_info(voice) return audio, f"> *\"{text}\"*" voice_select.change(update_ref_preview, voice_select, [ref_audio_preview, ref_text_preview]) demo.load(update_ref_preview, voice_select, [ref_audio_preview, ref_text_preview]) btn_preset.click( fn=synthesize_preset, inputs=[text_input, voice_select], outputs=[audio_preset, status_preset], api_name="preset" ) btn_custom.click( fn=synthesize_custom, inputs=[text_input, custom_audio, custom_text], outputs=[audio_custom, status_custom], api_name="custom" ) if __name__ == "__main__": demo.queue().launch()