Spaces:
Running
Running
| import os | |
| import time | |
| import gradio as gr | |
| import wave | |
| import numpy as np | |
| from io import BytesIO | |
| from huggingface_hub import login, hf_hub_download | |
| from piper import PiperVoice | |
| from vinorm import TTSnorm | |
| from vi_cleaner.vi_cleaner import ViCleaner | |
| login(os.environ["hf_token"]) | |
| def normalize_vietnamese_text(text): | |
| text = ( | |
| TTSnorm(text, unknown=False, lower=False, rule=True) | |
| .replace("..", ".") | |
| .replace("!.", "!") | |
| .replace("?.", "?") | |
| .replace(" .", ".") | |
| .replace(" ,", ",") | |
| .replace('"', "") | |
| .replace("'", "") | |
| .replace("AI", "Ây Ai") | |
| .replace("A.I", "Ây Ai") | |
| ) | |
| text_clean = ViCleaner(text).clean() | |
| return text_clean | |
| def synthesize_speech(text, sentence_silence, length_scale, normalize_text=True): | |
| model_path = hf_hub_download( | |
| repo_id="nam194/piper-tts-w5n", | |
| filename="tts_model.onnx" | |
| ) | |
| config_path = hf_hub_download( | |
| repo_id="nam194/piper-tts-w5n", | |
| filename="tts_model.onnx.json" | |
| ) | |
| if normalize_text: | |
| text = normalize_vietnamese_text(text) | |
| voice = PiperVoice.load(model_path, config_path) | |
| buffer = BytesIO() | |
| start = time.time() | |
| with wave.open(buffer, "wb") as wav_file: | |
| wav_file.setframerate(voice.config.sample_rate) | |
| wav_file.setsampwidth(2) | |
| wav_file.setnchannels(1) | |
| voice.synthesize( | |
| text, wav_file, sentence_silence=sentence_silence, length_scale=length_scale | |
| ) | |
| buffer.seek(0) | |
| audio_data = np.frombuffer(buffer.read(), dtype=np.int16) | |
| inference_time = time.time() - start | |
| metric_text = f"Time to generate audio: {round(inference_time*1000)} milliseconds\n" | |
| return (voice.config.sample_rate, audio_data), metric_text | |
| with gr.Blocks(analytics_enabled=False) as demo: | |
| with gr.Row(): | |
| with gr.Column(): | |
| gr.Markdown( | |
| """ | |
| # Vietnamese Text-to-speech Demo ✨ | |
| """ | |
| ) | |
| with gr.Column(): | |
| pass | |
| with gr.Row(): | |
| with gr.Column(): | |
| input_text = gr.Textbox( | |
| label="Text Prompt (Văn bản cần đọc)", | |
| info="Mỗi câu nên gồm 10 từ trở lên.", | |
| value="Xin chào, tôi là một mô hình chuyển đổi văn bản thành giọng nói tiếng Việt.", | |
| ) | |
| sentence_silence = gr.Slider( | |
| label="Khoảng lặng giữa câu (giây)", | |
| minimum=0.0, | |
| maximum=2.0, | |
| step=0.05, | |
| value=0.75, | |
| info="Điều chỉnh độ dài khoảng lặng giữa các câu." | |
| ) | |
| length_scale = gr.Slider( | |
| label="Tốc độ đọc", | |
| minimum=0.5, | |
| maximum=2.0, | |
| step=0.05, | |
| value=1.2, | |
| info="Điều chỉnh tốc độ đọc (1.0 là tốc độ bình thường)." | |
| ) | |
| normalize_text = gr.Checkbox( | |
| label="Chuẩn hóa văn bản tiếng Việt", | |
| info="Normalize Vietnamese text", | |
| value=True, | |
| ) | |
| submit_button = gr.Button( | |
| "Đọc 🗣️🔥", | |
| elem_id="send-btn", | |
| visible=True, | |
| variant="primary", | |
| ) | |
| with gr.Column(): | |
| output_audio = gr.Audio( | |
| label="Synthesised Audio", | |
| autoplay=True, | |
| ) | |
| out_text_gr = gr.Text(label="Metrics") | |
| submit_button.click( | |
| synthesize_speech, | |
| inputs=[input_text, | |
| sentence_silence, | |
| length_scale, | |
| normalize_text], | |
| outputs=[output_audio, out_text_gr], | |
| ) | |
| demo.launch() | |
| demo.launch(debug=True, show_api=True, share=True) |