Update app.py

app.py

@@ -336,53 +336,72 @@ def voice_conversion(source, target, diffusion_steps, length_adjust, inference_c
             ).export(format="mp3", bitrate=bitrate).read()
             yield mp3_bytes, None
 
-gallery_data = [
-    {"name": "sikokumetan", "webp": "default/sikokumetan.webp", "mp3": "default/sikokumetan.mp3"}
-]
+import gradio as gr
 
-def auto_set_reference(selected_image):
-    for item in gallery_data:
-        if item["webp"] == selected_image:
-            return item["mp3"]
-    return ""
+# 画像とMP3ファイルの対応を定義
+image_mp3_mapping = {
+    "sikokumetan": {
+        "webp": "default/sikokumetan.webp", 
+        "mp3": "default/sikokumetan.mp3"
+    }
+}
 
-def handle_gallery_selection(selected_image):
-    return auto_set_reference(selected_image)
+# ギャラリーで選択された画像に基づいて参考音声を設定する関数
+def update_reference_audio(selected_image):
+    if selected_image in image_mp3_mapping:
+        return image_mp3_mapping[selected_image]["mp3"]
+    return None
 
 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。")
-
-    with gr.Blocks() as demo:
-        gallery = gr.Gallery(
-            label="ギャラリー",
-            value=[item["webp"] for item in gallery_data],
-            interactive=True,
-            elem_id="gallery"
-        ).change(handle_gallery_selection, inputs=gr.Gallery, outputs="参考音声")  # Bind the correct inputs and outputs
-
-        inputs = [
-            gr.Audio(type="filepath", label="元音声"),
-            gr.Audio(type="filepath", label="参考音声"),
-            gallery,  # Add the gallery here
-            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')
-        ]
-
-        gr.Interface(fn=voice_conversion,
-                     description=description,
-                     inputs=inputs,
-                     outputs=outputs,
-                     title="Seed Voice Conversion",
-                     cache_examples=False,
-                     ).launch()
+    
+    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"),
+    ]
+
+    # ギャラリーとして画像を表示
+    image_gallery = gr.Image(
+        type="index",
+        label="画像ギャラリー",
+        source="upload",
+        choices=list(image_mp3_mapping.keys()),  # 画像のキーを選択肢として使用
+        interactive=True
+    )
+
+    # ギャラリー選択に基づいて参考音声を更新するコンポーネント
+    reference_audio = gr.Audio(type="filepath", label="参考音声")
+    
+    def update_audio(selected_image):
+        selected_mp3 = update_reference_audio(selected_image)
+        return selected_mp3
+
+    image_gallery.change(fn=update_audio, inputs=image_gallery, outputs=reference_audio)
+
+    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')]
+
+    gr.Interface(fn=voice_conversion,
+                 description=description,
+                 inputs=[*inputs, image_gallery, reference_audio],
+                 outputs=outputs,
+                 title="Seed Voice Conversion",
+                 examples=examples,
+                 cache_examples=False,
+                 ).launch()