Update app.py

app.py

@@ -4,119 +4,81 @@ import numpy as np
 import json
 import pysrt
 import re
-import os
 from vinorm import TTSnorm
+from phonemizer import phonemize
 from scipy.io import wavfile
 
-# --- 1. CẤU HÌNH FILE ---
-# Tên file model và config phải khớp chính xác với file bạn đã upload
-MODEL_PATH = "model.onnx"
-CONFIG_PATH = "config.json" 
-
-# --- 2. LOAD MODEL & CONFIG ---
+# --- 1. TẢI MODEL & CONFIG ---
 try:
-    with open(CONFIG_PATH, "r", encoding="utf-8") as f:
+    with open("config.json", "r", encoding="utf-8") as f:
         config = json.load(f)
-    symbols = config.get("symbols", [])
-    symbol_to_id = {s: i for i, s in enumerate(symbols)}
+    # Lấy bản đồ ID âm vị từ config của bạn
+    phoneme_id_map = config["phoneme_id_map"]
     sample_rate = config.get("audio", {}).get("sample_rate", 22050)
-    print("✅ Đã tải Config và Symbols thành công.")
-
-    sess = ort.InferenceSession(MODEL_PATH, providers=['CPUExecutionProvider'])
-    print("✅ Đã tải Model ONNX thành công.")
+    
+    sess = ort.InferenceSession("model.onnx", providers=['CPUExecutionProvider'])
+    print("✅ Hệ thống đã sẵn sàng")
 except Exception as e:
-    print(f"❌ Lỗi khởi tạo: {e}")
+    print(f"❌ Lỗi khởi động: {e}")
 
-# --- 3. HÀM XỬ LÝ VĂN BẢN ---
-def clean_text(text):
-    # Loại bỏ thẻ HTML trong SRT (<i>, <b>...)
+# --- 2. LÀM SẠCH VĂN BẢN & CHUYỂN ÂM VỊ ---
+def process_text(text):
+    # Loại bỏ thẻ HTML <i>, <b> thường có trong SRT
     text = re.sub(r'<[^>]*>', '', text)
-    # Loại bỏ xuống dòng và khoảng trắng thừa
-    text = text.replace('\n', ' ').strip()
-    # Chuẩn hóa tiếng Việt (số, ngày tháng...)
-    return TTSnorm(text)
-
-def text_to_ids(text):
-    text = clean_text(text).lower()
-    ids = []
-    for char in text:
-        if char in symbol_to_id:
-            ids.append(symbol_to_id[char])
-        elif f" {char} " in symbol_to_id:
-            ids.append(symbol_to_id[f" {char} "])
-    return ids if ids else [1]
+    # Chuẩn hóa tiếng Việt (100k -> một trăm nghìn)
+    text = TTSnorm(text.replace('\n', ' ').strip())
+    # Chuyển sang âm vị IPA (Piper yêu cầu)
+    phonemes = phonemize(text, language='vi', backend='espeak', strip=True)
+    
+    ids = [phoneme_id_map.get("^", [1])[0]] # Bắt đầu
+    for p in phonemes:
+        if p in phoneme_id_map:
+            ids.extend(phoneme_id_map[p])
+            ids.append(phoneme_id_map.get("_", [0])[0]) # Ký tự trống
+    ids.append(phoneme_id_map.get("$", [2])[0]) # Kết thúc
+    return ids
 
-# --- 4. HÀM CHUYỂN SRT SANG AUDIO ---
-def process_srt(srt_file, speed, noise, noise_w):
+# --- 3. XỬ LÝ SRT TO AUDIO ---
+def srt_to_audio(srt_file, speed=1.30, noise=0.667, noise_w=0.8):
+    if srt_file is None: return "Chưa có file!", None
     try:
-        if srt_file is None:
-            return "Vui lòng chọn file SRT!", None
-        
-        # Đọc file phụ đề
         subs = pysrt.open(srt_file.name, encoding='utf-8')
         combined_audio = []
         
         for sub in subs:
-            ids = text_to_ids(sub.text)
+            ids = process_text(sub.text)
             input_ids = np.array([ids], dtype=np.int64)
             input_lens = np.array([len(ids)], dtype=np.int64)
-            
-            # Tốc độ mặc định 1.30 truyền vào scales
+            # Tốc độ 1.30 được đưa vào tham số scale cuối cùng
             scales = np.array([noise, noise_w, 1.0/speed], dtype=np.float32)
             
-            # Chạy model ONNX
             outputs = sess.run(None, {
-                "input": input_ids, 
-                "input_lengths": input_lens, 
-                "scales": scales
+                "input": input_ids, "input_lengths": input_lens, "scales": scales
             })
             
-            # Làm phẳng mảng 4D thành 1D (Sửa lỗi im lặng)
-            audio_segment = outputs[0].flatten().astype(np.float32)
-            combined_audio.append(audio_segment)
-            
-            # Thêm 0.2s im lặng giữa các câu cho tự nhiên
-            silence = np.zeros(int(sample_rate * 0.2), dtype=np.float32)
-            combined_audio.append(silence)
+            # Làm phẳng mảng 4D thành 1D âm thanh
+            combined_audio.append(outputs[0].flatten())
+            # Nghỉ 0.2s giữa các câu
+            combined_audio.append(np.zeros(int(sample_rate * 0.2), dtype=np.float32))
 
-        # Ghép tất cả các đoạn audio
-        final_audio = np.concatenate(combined_audio)
-        
-        # Xuất file wav
-        output_path = "output_srt_voice.wav"
-        wavfile.write(output_path, sample_rate, final_audio)
-        
-        return "Hoàn thành! Bạn có thể nghe hoặc tải audio bên dưới.", output_path
+        final_wave = np.concatenate(combined_audio).astype(np.float32)
+        wavfile.write("output.wav", sample_rate, final_wave)
+        return "Thành công!", "output.wav"
     except Exception as e:
-        return f"Lỗi xử lý: {str(e)}", None
-
-# --- 5. GIAO DIỆN GRADIO ---
-with gr.Blocks(title="SRT to Audio VN") as demo:
-    gr.Markdown("# 📂 Chuyển đổi SRT sang Audio Tiếng Việt")
-    gr.Markdown("Hỗ trợ làm sạch văn bản và đặt tốc độ nói tùy chỉnh.")
-    
-    with gr.Row():
-        with gr.Column():
-            # Thành phần cho phép chọn file từ SD Card trên Android
-            file_input = gr.File(label="Chọn file .srt từ thiết bị", file_types=[".srt"])
-            
-            with gr.Row():
-                speed_sld = gr.Slider(0.5, 2.0, value=1.30, label="Tốc độ nói (Speed)")
-                noise_sld = gr.Slider(0.1, 1.0, value=0.667, label="Noise Scale")
-            
-            noise_w_sld = gr.Slider(0.1, 1.0, value=0.8, label="Noise W")
-            btn = gr.Button("🚀 Bắt đầu chuyển đổi", variant="primary")
-            
-        with gr.Column():
-            status = gr.Textbox(label="Trạng thái hệ thống")
-            audio_out = gr.Audio(label="Audio hoàn chỉnh", type="filepath")
+        return f"Lỗi: {str(e)}", None
 
-    btn.click(
-        fn=process_srt, 
-        inputs=[file_input, speed_sld, noise_sld, noise_w_sld], 
-        outputs=[status, audio_out]
-    )
+# --- 4. GIAO DIỆN ---
+demo = gr.Interface(
+    fn=srt_to_audio,
+    inputs=[
+        gr.File(label="Tải file SRT từ điện thoại/SDCard"),
+        gr.Slider(0.5, 2.0, value=1.30, label="Tốc độ nói"),
+        gr.Slider(0.1, 1.0, value=0.667, label="Độ nhiễu (Noise)"),
+        gr.Slider(0.1, 1.0, value=0.8, label="Độ nhiễu W")
+    ],
+    outputs=[gr.Textbox(label="Trạng thái"), gr.Audio(label="Kết quả lồng tiếng")],
+    title="SRT to Audio Tiếng Việt - Tốc độ 1.30"
+)
 
 if __name__ == "__main__":
-    # server_name="0.0.0.0" là bắt buộc để chạy trên Hugging Face
     demo.launch(server_name="0.0.0.0")