Spaces:
Running
Running
Push version 1 F5-TTS-Vietnamese-100h spaces
Browse files- app.py +89 -0
- packages.txt +5 -0
- requirements.txt +2 -0
app.py
ADDED
@@ -0,0 +1,89 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
import gradio as gr
|
2 |
+
from cached_path import cached_path
|
3 |
+
import tempfile
|
4 |
+
from vinorm import TTSnorm
|
5 |
+
|
6 |
+
from f5_tts.model import DiT
|
7 |
+
from f5_tts.infer.utils_infer import (
|
8 |
+
preprocess_ref_audio_text,
|
9 |
+
load_vocoder,
|
10 |
+
load_model,
|
11 |
+
infer_process,
|
12 |
+
save_spectrogram,
|
13 |
+
)
|
14 |
+
|
15 |
+
def post_process(text):
|
16 |
+
text = " " + text + " "
|
17 |
+
text = text.replace(" . . ", " . ")
|
18 |
+
text = " " + text + " "
|
19 |
+
text = text.replace(" .. ", " . ")
|
20 |
+
text = " " + text + " "
|
21 |
+
text = text.replace(" , , ", " , ")
|
22 |
+
text = " " + text + " "
|
23 |
+
text = text.replace(" ,, ", " , ")
|
24 |
+
return " ".join(text.split())
|
25 |
+
|
26 |
+
# Load models
|
27 |
+
vocoder = load_vocoder()
|
28 |
+
model = load_model(
|
29 |
+
DiT,
|
30 |
+
dict(dim=1024, depth=22, heads=16, ff_mult=2, text_dim=512, conv_layers=4),
|
31 |
+
ckpt_path=str(cached_path("hf://hynt/F5-TTS-Vietnamese-100h/model_350000.pt")),
|
32 |
+
vocab_file=str(cached_path("hf://hynt/F5-TTS-Vietnamese-100h/vocab.txt")),
|
33 |
+
)
|
34 |
+
|
35 |
+
def infer_tts(ref_audio_orig: str, gen_text: str, speed: float = 1.0, request: gr.Request = None):
|
36 |
+
|
37 |
+
if not ref_audio_orig:
|
38 |
+
raise gr.Error("Vui lòng tải lên tệp âm thanh mẫu.")
|
39 |
+
if not gen_text.strip():
|
40 |
+
raise gr.Error("Vui lòng nhập nội dung cần sinh giọng.")
|
41 |
+
if len(gen_text.split()) > 1000:
|
42 |
+
raise gr.Error("Vui lòng nhập nội dung cần sinh giọng nhỏ hơn 100 từ.")
|
43 |
+
|
44 |
+
try:
|
45 |
+
ref_audio, ref_text = preprocess_ref_audio_text(ref_audio_orig, "")
|
46 |
+
final_wave, final_sample_rate, spectrogram = infer_process(
|
47 |
+
ref_audio, ref_text, post_process(TTSnorm(gen_text)), model, vocoder, speed=speed
|
48 |
+
)
|
49 |
+
with tempfile.NamedTemporaryFile(suffix=".png", delete=False) as tmp_spectrogram:
|
50 |
+
spectrogram_path = tmp_spectrogram.name
|
51 |
+
save_spectrogram(spectrogram, spectrogram_path)
|
52 |
+
|
53 |
+
return (final_sample_rate, final_wave), spectrogram_path
|
54 |
+
except Exception as e:
|
55 |
+
raise gr.Error(f"Lỗi khi sinh giọng: {e}")
|
56 |
+
|
57 |
+
# Gradio UI
|
58 |
+
with gr.Blocks(theme=gr.themes.Soft()) as demo:
|
59 |
+
gr.Markdown("""
|
60 |
+
# 🎤 F5-TTS: Tổng hợp giọng nói Tiếng Việt.
|
61 |
+
# Mô hình được huấn luyện 350.000 steps với bộ dữ liệu khoảng 100h trên 1 GPU RTX 3090.
|
62 |
+
Nhập văn bản và tải lên một mẫu giọng để tạo âm thanh tự nhiên.
|
63 |
+
""")
|
64 |
+
|
65 |
+
with gr.Row():
|
66 |
+
ref_audio = gr.Audio(label="🔊 Mẫu giọng", type="filepath")
|
67 |
+
gen_text = gr.Textbox(label="📝 Văn bản", placeholder="Nhập nội dung cần sinh giọng...", lines=3)
|
68 |
+
|
69 |
+
speed = gr.Slider(0.3, 2.0, value=1.0, step=0.1, label="⚡ Tốc độ")
|
70 |
+
btn_synthesize = gr.Button("🔥 Sinh giọng")
|
71 |
+
|
72 |
+
with gr.Row():
|
73 |
+
output_audio = gr.Audio(label="🎧 Âm thanh tạo ra", type="numpy")
|
74 |
+
output_spectrogram = gr.Image(label="📊 Spectrogram")
|
75 |
+
|
76 |
+
model_limitations = gr.Textbox(
|
77 |
+
value="""1. Mô hình có thể hoạt động không tốt với các ký tự số, ngày tháng, ký tự đặc biệt, ... => cần bổ sung thêm một module text normalization (chuẩn hoá text).
|
78 |
+
2. Nhịp điệu của một số audio có thể chưa được mạch lạc, giật cục.
|
79 |
+
3. Audio reference text sử dụng model whisper-large-v3-turbo nên sẽ có một vài trường hợp không nhận diện chính xác Tiếng Việt, dẫn đến kết quả tổng hợp giọng nói rất tệ.
|
80 |
+
4. Checkpoint của mô hình hiện tại dừng lại ở khoảng step thứ 350.000, được huấn luyện với 100 giờ dữ liệu public.""",
|
81 |
+
label="❗ Hạn chế của mô hình",
|
82 |
+
lines=4,
|
83 |
+
interactive=False
|
84 |
+
)
|
85 |
+
|
86 |
+
btn_synthesize.click(infer_tts, inputs=[ref_audio, gen_text, speed], outputs=[output_audio, output_spectrogram])
|
87 |
+
|
88 |
+
# Chạy Gradio với share=True để có link gradio.live
|
89 |
+
demo.queue().launch()
|
packages.txt
ADDED
@@ -0,0 +1,5 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
ffmpeg
|
2 |
+
sox
|
3 |
+
cmake
|
4 |
+
gcc
|
5 |
+
g++
|
requirements.txt
ADDED
@@ -0,0 +1,2 @@
|
|
|
|
|
|
|
1 |
+
f5-tts
|
2 |
+
vinorm
|