Hugging Face's logo

Spaces:
RXTIME
/
r7
Running

App Files Community
r7
File size: 4,861 Bytes 
bb64571
4667525
bb64571
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
6c3da4f
bb64571
 
 
 
39b8c2e
bb64571
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
6c3da4f
bb64571
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
 
import gradio as gr
import os
import torch
import torchaudio
from transformers import (
    WhisperProcessor, WhisperForConditionalGeneration,
    MarianMTModel, MarianTokenizer,
    SpeechT5Processor, SpeechT5ForTextToSpeech
)
import ffmpeg
import soundfile as sf
import numpy as np

# Configurações
UPLOAD_FOLDER = "uploads"
OUTPUT_FOLDER = "outputs"
os.makedirs(UPLOAD_FOLDER, exist_ok=True)
os.makedirs(OUTPUT_FOLDER, exist_ok=True)

# Configurar dispositivo (GPU se disponível)
device = "cuda" if torch.cuda.is_available() else "cpu"
torch.backends.cudnn.benchmark = True  # Acelera GPU NVIDIA

# Carregar modelos uma única vez (cache)
WHISPER_MODEL = "openai/whisper-tiny"  # Modelo mais rápido
TRANSLATION_MODEL = "Helsinki-NLP/opus-mt-tc-big-en-pt"  # Modelo alternativo
TTS_MODEL = "microsoft/speecht5_tts"

# Inicialização rápida dos modelos
print("Carregando modelos...")
whisper_processor = WhisperProcessor.from_pretrained(WHISPER_MODEL)
whisper_model = WhisperForConditionalGeneration.from_pretrained(WHISPER_MODEL).to(device)

translation_tokenizer = MarianTokenizer.from_pretrained(TRANSLATION_MODEL)
translation_model = MarianMTModel.from_pretrained(TRANSLATION_MODEL).to(device)

tts_processor = SpeechT5Processor.from_pretrained(TTS_MODEL)
tts_model = SpeechT5ForTextToSpeech.from_pretrained(TTS_MODEL).to(device)

# Funções otimizadas
def transcribe_audio(audio_path):
    waveform, sample_rate = torchaudio.load(audio_path)
    waveform = waveform.to(device)
    
    # Processamento em chunks para áudios longos
    inputs = whisper_processor(
        waveform.squeeze().cpu().numpy(), 
        sampling_rate=sample_rate, 
        return_tensors="pt",
        chunk_length_s=30  # Processar em chunks de 30 segundos
    ).to(device)
    
    with torch.inference_mode():
        predicted_ids = whisper_model.generate(**inputs)
    
    return whisper_processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]

def translate_text(text):
    inputs = translation_tokenizer(text, return_tensors="pt", truncation=True).to(device)
    with torch.inference_mode():
        translated_ids = translation_model.generate(**inputs)
    return translation_tokenizer.decode(translated_ids[0], skip_special_tokens=True)

def synthesize_speech(text, output_path):
    inputs = tts_processor(text, return_tensors="pt").to(device)
    with torch.inference_mode():
        speech = tts_model.generate_speech(inputs["input_ids"], tts_model.speaker_embeddings)
    
    # Converter para formato compatível com vídeo (44100 Hz, stereo)
    sf.write(output_path, np.tile(speech.cpu().numpy(), (2, 1)).T, 44100, subtype='PCM_16')

def process_video(video_path, output_path):
    # Processamento paralelizado com FFmpeg
    (
        ffmpeg
        .input(video_path)
        .output(output_path, vcodec='copy', acodec='aac', strict='experimental')
        .global_args('-loglevel', 'error')  # Reduzir logs
        .run(overwrite_output=True, cmd='ffmpeg')
    )

# Fluxo principal otimizado
def translate_video(video, progress=gr.Progress()):
    try:
        # Etapa 1: Extrair áudio
        progress(0.1, "Extraindo áudio...")
        audio_path = os.path.join(UPLOAD_FOLDER, "audio.wav")
        (
            ffmpeg
            .input(video)
            .output(audio_path, ac=1, ar=16000)
            .global_args('-loglevel', 'error')
            .run(overwrite_output=True)
        )

        # Etapa 2: Transcrição paralela
        progress(0.3, "Transcrevendo...")
        transcription = transcribe_audio(audio_path)

        # Etapa 3: Tradução em lote
        progress(0.5, "Traduzindo...")
        translated_text = translate_text(transcription)

        # Etapa 4: Síntese de voz acelerada
        progress(0.7, "Sintetizando voz...")
        synthesized_audio = os.path.join(UPLOAD_FOLDER, "synthesized_audio.wav")
        synthesize_speech(translated_text, synthesized_audio)

        # Etapa 5: Processamento final do vídeo
        progress(0.9, "Montando vídeo...")
        output_path = os.path.join(OUTPUT_FOLDER, "video_traduzido.mp4")
        (
            ffmpeg
            .input(video)
            .output(output_path, vcodec='copy', acodec='copy', map='0:v:0')
            .input(synthesized_audio)
            .global_args('-loglevel', 'error')
            .run(overwrite_output=True)
        )

        return output_path

    except Exception as e:
        return f"Erro: {str(e)}"

# Interface otimizada
iface = gr.Interface(
    fn=translate_video,
    inputs=gr.Video(label="Vídeo de Entrada"),
    outputs=gr.Video(label="Vídeo Traduzido"),
    title="🚀 Tradutor de Vídeo Ultra-Rápido",
    description="Carregue um vídeo e receba a versão em português com áudio traduzido!",
    allow_flagging="never"
)

if __name__ == "__main__":
    iface.launch(server_port=7860, show_error=True)