Update app.py

app.py

@@ -336,65 +336,65 @@ def voice_conversion(source, target, diffusion_steps, length_adjust, inference_c
             ).export(format="mp3", bitrate=bitrate).read()
             yield mp3_bytes, None
 
-default_dir = "./default"
-reference_files = [
-    ("四国めたん", "sikokumetan"),
-]
 
-gallery_items = [[os.path.join(default_dir, f"{filename}.webp"), name] for name, filename in reference_files]
-default_reference = os.path.join(default_dir, f"{reference_files[0][1]}.mp3")
 
-description = ("Zero-shot音声変換モデル（学習不要）。ローカルでの利用方法は[GitHubリポジトリ](https://github.com/Plachtaa/seed-vc)をご覧ください。"
-               "参考音声が25秒を超える場合、自動的に25秒にクリップされます。"
-               "また、元音声と参考音声の合計時間が30秒を超える場合、元音声は分割処理されます。")
 
-# ギャラリーで選択された音声を `voice_conversion` に渡すプロキシ関数
-# ギャラリーで選択されたアイテムから名前を抽出
-def proxy_voice_conversion(source, selected_gallery_item, diffusion_steps, length_adjust, inference_cfg_rate, f0_condition, auto_f0_adjust, pitch_shift):
-    if not source or not os.path.isfile(source):
-        raise ValueError(f"音声ファイルが見つかりません: {source}")
-
-    # 選択されたギャラリーアイテムからファイル名を正しく抽出
-    if isinstance(selected_gallery_item, list) and len(selected_gallery_item) > 0:
-        selected_gallery_item = selected_gallery_item[0][0]  # ファイル名だけを取り出す
-
-    else:
-        raise ValueError("無効なギャラリー選択項目です。")
-
-    reference_file = os.path.join(default_dir, f"{selected_gallery_item}.mp3")
-    if not os.path.isfile(reference_file):
-        raise ValueError(f"参照音声ファイルが見つかりません: {reference_file}")
-
-
-    outputs = list(voice_conversion(source, reference_file, diffusion_steps, length_adjust, inference_cfg_rate, f0_condition, auto_f0_adjust, pitch_shift))
-
-    while len(outputs) < 2:
-        outputs.append(None)
-
-    return outputs[0], outputs[1]
-
-
-inputs = [
-    gr.Audio(type="filepath", label="元音声"),
-    gr.Gallery(label="参照音声を選択", value=gallery_items, columns=5, interactive=True),
-    gr.Slider(minimum=1, maximum=200, value=10, step=1, label="拡散ステップ数", info="デフォルトは10、50～100が最適な品質"),
-    gr.Slider(minimum=0.5, maximum=2.0, step=0.1, value=1.0, label="長さ調整", info="1.0未満で速度を上げ、1.0以上で速度を遅くします"),
-    gr.Slider(minimum=0.0, maximum=1.0, step=0.1, value=0.7, label="推論CFG率", info="わずかな影響があります"),
-    gr.Checkbox(label="F0条件付きモデルを使用", value=False, info="歌声変換には必須です"),
-    gr.Checkbox(label="F0自動調整", value=True, info="F0をおおよそ調整して目標音声に合わせます。F0条件付きモデル使用時にのみ有効です"),
-    gr.Slider(label='音程変換', minimum=-24, maximum=24, step=1, value=0, info="半音単位の音程変換。F0条件付きモデル使用時にのみ有効です"),
-]
-
-outputs = [
-    gr.Audio(label="ストリーム出力音声", streaming=True, format='mp3'),
-    gr.Audio(label="完全出力音声", streaming=False, format='wav')
-]
+# 画像とMP3の情報
+image_data = {
+    "sikokumetan": {
+        "webp": "default/sikokumetan.webp",
+        "mp3": "default/sikokumetan.mp3"
+    }
+}
 
-gr.Interface(
-    fn=proxy_voice_conversion,
-    description=description,
-    inputs=inputs,
-    outputs=outputs,
-    title="Seed Voice Conversion with Reference Gallery",
-    cache_examples=False,
-).launch()
+def on_image_select(image_name):
+    # 画像が選択されたとき、対応するMP3ファイルを返す
+    return image_data[image_name]["mp3"]
+
+if __name__ == "__main__":
+    description = ("Zero-shot音声変換モデル（学習不要）。ローカルでの利用方法は[GitHubリポジトリ](https://github.com/Plachtaa/seed-vc)をご覧ください。"
+                   "参考音声が25秒を超える場合、自動的に25秒にクリップされます。"
+                   "また、元音声と参考音声の合計時間が30秒を超える場合、元音声は分割処理されます。")
+    
+    # 入力欄の定義
+    inputs = [
+        gr.Audio(type="filepath", label="元音声"),
+        gr.Audio(type="filepath", label="参考音声"),
+        gr.Slider(minimum=1, maximum=200, value=10, step=1, label="拡散ステップ数", info="デフォルトは10、50～100が最適な品質"),
+        gr.Slider(minimum=0.5, maximum=2.0, step=0.1, value=1.0, label="長さ調整", info="1.0未満で速度を上げ、1.0以上で速度を遅くします"),
+        gr.Slider(minimum=0.0, maximum=1.0, step=0.1, value=0.7, label="推論CFG率", info="わずかな影響があります"),
+        gr.Checkbox(label="F0条件付きモデルを使用", value=False, info="歌声変換には必須です"),
+        gr.Checkbox(label="F0自動調整", value=True, info="F0をおおよそ調整して目標音声に合わせます。F0条件付きモデル使用時にのみ有効です"),
+        gr.Slider(label='音程変換', minimum=-24, maximum=24, step=1, value=0, info="半音単位の音程変換。F0条件付きモデル使用時にのみ有効です"),
+    ]
+
+    examples = [["examples/source/yae_0.wav", "examples/reference/dingzhen_0.wav", 25, 1.0, 0.7, False, True, 0],
+                ["examples/source/jay_0.wav", "examples/reference/azuma_0.wav", 25, 1.0, 0.7, True, True, 0],
+                ["examples/source/Wiz Khalifa,Charlie Puth - See You Again [vocals]_[cut_28sec].wav",
+                 "examples/reference/teio_0.wav", 100, 1.0, 0.7, True, False, 0],
+                ["examples/source/TECHNOPOLIS - 2085 [vocals]_[cut_14sec].wav",
+                 "examples/reference/trump_0.wav", 50, 1.0, 0.7, True, False, -12],
+                ]
+
+    outputs = [gr.Audio(label="ストリーム出力音声", streaming=True, format='mp3'),
+               gr.Audio(label="完全出力音声", streaming=False, format='wav')]
+
+    # 画像ギャラリーを追加
+    gallery = gr.Gallery(
+        value=[gr.Image(image_data["sikokumetan"]["webp"])],
+        label="選択した画像に基づく参考音声",
+        elem_id="image_gallery",
+        interactive=True
+    ).style(grid=2)
+
+    # ギャラリーの選択時にMP3ファイルを更新する処理
+    gallery.change(fn=on_image_select, inputs=gallery, outputs=inputs[1])  # 参考音声を更新
+
+    gr.Interface(fn=voice_conversion,
+                 description=description,
+                 inputs=inputs,
+                 outputs=outputs,
+                 title="Seed Voice Conversion",
+                 examples=examples,
+                 cache_examples=False,
+                 ).launch()