Update app.py

app.py

@@ -338,67 +338,58 @@ def voice_conversion(source, target, diffusion_steps, length_adjust, inference_c
 
 import gradio as gr
 
-# 画像とMP3ファイルの対応を定義
-image_mp3_mapping = {
-    "sikokumetan": {
-        "webp": "default/sikokumetan.webp", 
+# ギャラリーの画像と対応するMP3ファイル
+gallery_data = [
+    {
+        "image": "default/sikokumetan.webp", 
         "mp3": "default/sikokumetan.mp3"
     }
-}
-
-# 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"]
+]
+
+# ギャラリーの画像が選択された際の処理
+def on_image_select(image_path):
+    # 画像に対応するMP3を取得
+    for item in gallery_data:
+        if item["image"] == image_path:
+            return item["mp3"]
     return None
 
-# Blocksコンテキストを使用してUIを作成
-with gr.Blocks() as demo:
+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。")
+    
+    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"),
+    ]
+
+    # ギャラリーコンポーネントの追加
+    gallery = gr.Gallery(
+        value=[item["image"] for item in gallery_data],  # ギャラリーに表示する画像を指定
+        label="参考音声選択画像",
+        interactive=True
+    ).style(grid=3)  # グリッド形式で表示
+
+    # ギャラリー画像が選択されたときにMP3を自動で設定
+    def update_reference_audio(selected_image):
+        mp3_path = on_image_select(selected_image)
+        return mp3_path
+
+    # 参考音声を選択するためのインターフェースを更新
+    gr.Interface(
+        fn=voice_conversion,
+        description=description,
+        inputs=[*inputs, gallery],  # ギャラリーを追加
+        outputs=outputs,
+        title="Seed Voice Conversion",
+        examples=examples,
+        cache_examples=False,
+    ).launch()
 
-    with gr.Column():
-        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 (画像URLを表示)
-        image_gallery = gr.Radio(
-            label="画像ギャラリー",
-            choices=["sikokumetan"],  # 画像のキーを選択肢として使用
-            type="index",  # 画像のインデックスを選択する形式
-            info="画像を選択してください"
-        )
-
-        # 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���")
-        
-        # ギャラリー選択に基づいて参考音声を更新する関数
-        def update_audio(selected_image):
-            selected_mp3 = update_reference_audio(selected_image)
-            return selected_mp3
-        
-        # 画像選択の変更イベントに反応
-        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')]
-
-    # インターフェースを起動
-    demo.launch()