Upload 4 files

app.py

@@ -0,0 +1,101 @@
+import gradio as gr
+import onnxruntime as ort
+import numpy as np
+import json
+from vinorm import TTSnorm
+from underthesea import word_tokenize
+
+# --- 1. CẤU HÌNH & LOAD MODEL ---
+MODEL_PATH = "model.onnx"
+SAMPLE_RATE = 22050  # Thay đổi theo model của bạn (22050, 24000, hoặc 44100)
+
+# Khởi tạo session ONNX
+try:
+    sess = ort.InferenceSession(MODEL_PATH, providers=['CPUExecutionProvider'])
+    print("✅ Model ONNX đã tải thành công!")
+except Exception as e:
+    print(f"❌ Lỗi tải model: {e}")
+
+# --- 2. LOGIC CHUYỂN ĐỔI VĂN BẢN (PHONEMIZER) ---
+# LƯU Ý: Mỗi model TTS có một bộ từ điển (map ký tự -> số) riêng.
+# Bạn nên có file 'config.json' đi kèm model. Dưới đây là logic mẫu:
+
+def text_to_sequence(text):
+    """
+    Chuyển đổi văn bản tiếng Việt sang danh sách ID số nguyên.
+    """
+    # Bước A: Chuẩn hóa văn bản (Ví dụ: "100k" -> "một trăm nghìn đồng")
+    text = TTSnorm(text)
+    
+    # Bước B: Tách từ/âm tiết
+    # tokens = word_tokenize(text) # Có thể dùng nếu model học theo từ
+    
+    # Bước C: Chuyển ký tự thành ID (Đây là logic giả lập, bạn cần khớp với bộ vocab của model)
+    # Thông thường model sẽ có một dictionary như: {'a': 1, 'b': 2, 'tr': 50...}
+    # Ở đây tôi ví dụ chuyển từng ký tự thành mã ASCII đơn giản:
+    sequence = [ord(c) for c in text.lower() if ord(c) < 500] 
+    
+    return sequence
+
+# --- 3. HÀM XỬ LÝ CHÍNH (INFERENCE) ---
+def tts_predict(text, speed, noise, noise_w):
+    if not text.strip():
+        return "Vui lòng nhập văn bản", None
+
+    try:
+        # Chuyển text thành sequence IDs
+        sequence = text_to_sequence(text)
+        input_ids = np.array([sequence], dtype=np.int64)
+        input_lengths = np.array([len(sequence)], dtype=np.int64)
+        
+        # Scales: [noise_scale, noise_scale_w, length_scale (speed)]
+        # Lưu ý: Thứ tự 3 số này phải khớp với model của bạn (thường là vậy)
+        scales = np.array([noise, noise_w, 1.0/speed], dtype=np.float32)
+
+        # Chạy model
+        # Tên input phải khớp với ảnh Netron của bạn: 'input', 'input_lengths', 'scales'
+        inputs = {
+            "input": input_ids,
+            "input_lengths": input_lengths,
+            "scales": scales
+        }
+        
+        outputs = sess.run(None, inputs)
+        audio = outputs[0].squeeze() # Loại bỏ các chiều dư thừa
+
+        return "Tạo âm thanh thành công!", (SAMPLE_RATE, audio)
+
+    except Exception as e:
+        return f"Lỗi: {str(e)}", None
+
+# --- 4. GIAO DIỆN GRADIO ---
+with gr.Blocks(title="Vietnamese TTS ONNX") as demo:
+    gr.Markdown("# 🇻🇳 Vietnamese TTS với ONNX & Vinorm")
+    gr.Markdown("Ứng dụng sử dụng `vinorm` để xử lý số/ký hiệu và `underthesea` để tối ưu tiếng Việt.")
+
+    with gr.Row():
+        with gr.Column():
+            input_text = gr.Textbox(
+                label="Văn bản đầu vào", 
+                placeholder="Ví dụ: Giá của chiếc máy này là 5.000.000đ",
+                lines=4
+            )
+            with gr.Row():
+                speed = gr.Slider(0.5, 2.0, value=1.0, step=0.1, label="Tốc độ (Speed)")
+                noise = gr.Slider(0.1, 1.0, value=0.667, step=0.01, label="Độ nhiễu (Noise)")
+                noise_w = gr.Slider(0.1, 1.0, value=0.8, step=0.01, label="Noise W")
+            
+            run_btn = gr.Button("Tạo giọng nói", variant="primary")
+
+        with gr.Column():
+            status_msg = gr.Textbox(label="Trạng thái")
+            audio_out = gr.Audio(label="Kết quả Audio")
+
+    run_btn.click(
+        fn=tts_predict,
+        inputs=[input_text, speed, noise, noise_w],
+        outputs=[status_msg, audio_out]
+    )
+
+if __name__ == "__main__":
+    demo.launch()

config.json

@@ -0,0 +1,504 @@
+{
+  "audio": {
+    "sample_rate": 22050
+  },
+  "espeak": {
+    "voice": "vi"
+  },
+  "phoneme_type": "espeak",
+  "num_symbols": 256,
+  "num_speakers": 1,
+  "inference": {
+    "noise_scale": 0.667,
+    "length_scale": 1.0,
+    "noise_w": 0.8
+  },
+  "phoneme_id_map": {
+    "_": [
+      0
+    ],
+    "^": [
+      1
+    ],
+    "$": [
+      2
+    ],
+    " ": [
+      3
+    ],
+    "!": [
+      4
+    ],
+    "'": [
+      5
+    ],
+    "(": [
+      6
+    ],
+    ")": [
+      7
+    ],
+    ",": [
+      8
+    ],
+    "-": [
+      9
+    ],
+    ".": [
+      10
+    ],
+    ":": [
+      11
+    ],
+    ";": [
+      12
+    ],
+    "?": [
+      13
+    ],
+    "a": [
+      14
+    ],
+    "b": [
+      15
+    ],
+    "c": [
+      16
+    ],
+    "d": [
+      17
+    ],
+    "e": [
+      18
+    ],
+    "f": [
+      19
+    ],
+    "h": [
+      20
+    ],
+    "i": [
+      21
+    ],
+    "j": [
+      22
+    ],
+    "k": [
+      23
+    ],
+    "l": [
+      24
+    ],
+    "m": [
+      25
+    ],
+    "n": [
+      26
+    ],
+    "o": [
+      27
+    ],
+    "p": [
+      28
+    ],
+    "q": [
+      29
+    ],
+    "r": [
+      30
+    ],
+    "s": [
+      31
+    ],
+    "t": [
+      32
+    ],
+    "u": [
+      33
+    ],
+    "v": [
+      34
+    ],
+    "w": [
+      35
+    ],
+    "x": [
+      36
+    ],
+    "y": [
+      37
+    ],
+    "z": [
+      38
+    ],
+    "æ": [
+      39
+    ],
+    "ç": [
+      40
+    ],
+    "ð": [
+      41
+    ],
+    "ø": [
+      42
+    ],
+    "ħ": [
+      43
+    ],
+    "ŋ": [
+      44
+    ],
+    "œ": [
+      45
+    ],
+    "ǀ": [
+      46
+    ],
+    "ǁ": [
+      47
+    ],
+    "ǂ": [
+      48
+    ],
+    "ǃ": [
+      49
+    ],
+    "ɐ": [
+      50
+    ],
+    "ɑ": [
+      51
+    ],
+    "ɒ": [
+      52
+    ],
+    "ɓ": [
+      53
+    ],
+    "ɔ": [
+      54
+    ],
+    "ɕ": [
+      55
+    ],
+    "ɖ": [
+      56
+    ],
+    "ɗ": [
+      57
+    ],
+    "ɘ": [
+      58
+    ],
+    "ə": [
+      59
+    ],
+    "ɚ": [
+      60
+    ],
+    "ɛ": [
+      61
+    ],
+    "ɜ": [
+      62
+    ],
+    "ɞ": [
+      63
+    ],
+    "ɟ": [
+      64
+    ],
+    "ɠ": [
+      65
+    ],
+    "ɡ": [
+      66
+    ],
+    "ɢ": [
+      67
+    ],
+    "ɣ": [
+      68
+    ],
+    "ɤ": [
+      69
+    ],
+    "ɥ": [
+      70
+    ],
+    "ɦ": [
+      71
+    ],
+    "ɧ": [
+      72
+    ],
+    "ɨ": [
+      73
+    ],
+    "ɪ": [
+      74
+    ],
+    "ɫ": [
+      75
+    ],
+    "ɬ": [
+      76
+    ],
+    "ɭ": [
+      77
+    ],
+    "ɮ": [
+      78
+    ],
+    "ɯ": [
+      79
+    ],
+    "ɰ": [
+      80
+    ],
+    "ɱ": [
+      81
+    ],
+    "ɲ": [
+      82
+    ],
+    "ɳ": [
+      83
+    ],
+    "ɴ": [
+      84
+    ],
+    "ɵ": [
+      85
+    ],
+    "ɶ": [
+      86
+    ],
+    "ɸ": [
+      87
+    ],
+    "ɹ": [
+      88
+    ],
+    "ɺ": [
+      89
+    ],
+    "ɻ": [
+      90
+    ],
+    "ɽ": [
+      91
+    ],
+    "ɾ": [
+      92
+    ],
+    "ʀ": [
+      93
+    ],
+    "ʁ": [
+      94
+    ],
+    "ʂ": [
+      95
+    ],
+    "ʃ": [
+      96
+    ],
+    "ʄ": [
+      97
+    ],
+    "ʈ": [
+      98
+    ],
+    "ʉ": [
+      99
+    ],
+    "ʊ": [
+      100
+    ],
+    "ʋ": [
+      101
+    ],
+    "ʌ": [
+      102
+    ],
+    "ʍ": [
+      103
+    ],
+    "ʎ": [
+      104
+    ],
+    "ʏ": [
+      105
+    ],
+    "ʐ": [
+      106
+    ],
+    "ʑ": [
+      107
+    ],
+    "ʒ": [
+      108
+    ],
+    "ʔ": [
+      109
+    ],
+    "ʕ": [
+      110
+    ],
+    "ʘ": [
+      111
+    ],
+    "ʙ": [
+      112
+    ],
+    "ʛ": [
+      113
+    ],
+    "ʜ": [
+      114
+    ],
+    "ʝ": [
+      115
+    ],
+    "ʟ": [
+      116
+    ],
+    "ʡ": [
+      117
+    ],
+    "ʢ": [
+      118
+    ],
+    "ʲ": [
+      119
+    ],
+    "ˈ": [
+      120
+    ],
+    "ˌ": [
+      121
+    ],
+    "ː": [
+      122
+    ],
+    "ˑ": [
+      123
+    ],
+    "˞": [
+      124
+    ],
+    "β": [
+      125
+    ],
+    "θ": [
+      126
+    ],
+    "χ": [
+      127
+    ],
+    "ᵻ": [
+      128
+    ],
+    "ⱱ": [
+      129
+    ],
+    "0": [
+      130
+    ],
+    "1": [
+      131
+    ],
+    "2": [
+      132
+    ],
+    "3": [
+      133
+    ],
+    "4": [
+      134
+    ],
+    "5": [
+      135
+    ],
+    "6": [
+      136
+    ],
+    "7": [
+      137
+    ],
+    "8": [
+      138
+    ],
+    "9": [
+      139
+    ],
+    "̧": [
+      140
+    ],
+    "̃": [
+      141
+    ],
+    "̪": [
+      142
+    ],
+    "̯": [
+      143
+    ],
+    "̩": [
+      144
+    ],
+    "ʰ": [
+      145
+    ],
+    "ˤ": [
+      146
+    ],
+    "ε": [
+      147
+    ],
+    "↓": [
+      148
+    ],
+    "#": [
+      149
+    ],
+    "\"": [
+      150
+    ],
+    "↑": [
+      151
+    ],
+    "̺": [
+      152
+    ],
+    "̻": [
+      153
+    ],
+    "g": [
+      154
+    ],
+    "ʦ": [
+      155
+    ],
+    "X": [
+      156
+    ],
+    "̝": [
+      157
+    ],
+    "̊": [
+      158
+    ],
+    "ɝ": [
+      159
+    ],
+    "ʷ": [
+      160
+    ]
+  },
+  "speaker_id_map": {},
+  "hop_length": 256,
+  "piper_version": "1.3.0"
+}

requirements.txt

@@ -0,0 +1,11 @@
+# Thư viện chính để chạy model và giao diện
+onnxruntime-gpu
+numpy
+gradio
+
+# Thư viện xử lý ngôn ngữ tiếng Việt (NLP)
+underthesea
+vinorm
+
+# Thư viện hỗ trợ âm thanh
+scipy