Update app.py

app.py

@@ -352,14 +352,21 @@ description = ("Zero-shot音声変換モデル（学習不要）。ローカル
 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:  # sourceがNoneでないかチェック
         raise ValueError("音声ファイルが提供されていません。")
+    
+    # 画像ファイルと同じ名前のmp3ファイルをソースとして設定
+    source_filename = os.path.splitext(os.path.basename(source))[0]  # 画像ファイル名から拡張子を除く
+    source_audio = os.path.join(default_dir, f"{source_filename}.mp3")
+    
+    if not os.path.isfile(source_audio):  # ソース音声ファイルが存在するかチェック
+        raise ValueError(f"ソース音声ファイルが見つかりません: {source_audio}")
 
     reference_file = os.path.join(default_dir, f"{selected_gallery_item}.mp3")
-
+    
     if not os.path.isfile(reference_file):  # 参照音声ファイルが存在するかチェック
         raise ValueError(f"参照音声ファイルが見つかりません: {reference_file}")
 
     # `voice_conversion` はジェネレーターなのでリスト化して2つの出力を明示的に取得
-    outputs = list(voice_conversion(source, reference_file, diffusion_steps, length_adjust, inference_cfg_rate, f0_condition, auto_f0_adjust, pitch_shift))
+    outputs = list(voice_conversion(source_audio, reference_file, diffusion_steps, length_adjust, inference_cfg_rate, f0_condition, auto_f0_adjust, pitch_shift))
 
     # 出力数が2つ未満ならエラー回避のため None を補填
     while len(outputs) < 2: