Update app.py

app.py

@@ -1,77 +1,12 @@
-import gradio as gr
-import onnxruntime as ort
-import numpy as np
-import json
-from vinorm import TTSnorm
-from phonemizer import phonemize
-
-# 1. TẢI CẤU HÌNH
-with open("config.json", "r", encoding="utf-8") as f:
-    config = json.load(f)
-phoneme_id_map = config["phoneme_id_map"]
-
-# 2. KHỞI TẠO MODEL
-# Dùng tên file chính xác của bạn trên Hugging Face
-sess = ort.InferenceSession("model.onnx", providers=['CPUExecutionProvider'])
-
-def text_to_ids(text):
-    # Chuẩn hóa văn bản tiếng Việt
-    text = TTSnorm(text)
+# Thay đổi phần giao diện trong app.py
+with gr.Blocks() as demo:
+    gr.Markdown("# 📂 Chuyển đổi SRT sang Audio")
     
-    # CHUYỂN TEXT SANG ÂM VỊ (Sử dụng espeak-ng)
-    # Đây là bước quan trọng nhất để khớp với phoneme_id_map của bạn
-    phonemes = phonemize(text, language='vi', backend='espeak', strip=True)
+    # Thành phần cho phép chọn file từ bộ nhớ máy/SD Card
+    file_input = gr.File(
+        label="Nhấn để chọn file .srt từ SD Card", 
+        file_types=[".srt"], 
+        type="filepath" # Quan trọng: Để lấy đường dẫn tệp tạm thời
+    )
     
-    ids = []
-    # Thêm ký tự bắt đầu (^) thường có ID là 1 trong Piper
-    ids.extend(phoneme_id_map.get("^", [1]))
-    
-    for p in phonemes:
-        if p in phoneme_id_map:
-            ids.extend(phoneme_id_map[p])
-            # Thêm ký tự trống (_) giữa các âm nếu model yêu cầu
-            ids.extend(phoneme_id_map.get("_", [0]))
-            
-    # Thêm ký tự kết thúc ($) thường có ID là 2
-    ids.extend(phoneme_id_map.get("$", [2]))
-    return ids
-
-def tts_predict(text, speed, noise, noise_w):
-    try:
-        ids = text_to_ids(text)
-        input_ids = np.array([ids], dtype=np.int64)
-        input_lens = np.array([len(ids)], dtype=np.int64)
-        
-        # Scales: [noise, noise_w, length_scale] dựa trên ảnh Netron
-        scales = np.array([noise, noise_w, 1.0/speed], dtype=np.float32)
-
-        # Chạy model
-        outputs = sess.run(None, {
-            "input": input_ids,
-            "input_lengths": input_lens,
-            "scales": scales
-        })
-        
-        # Làm phẳng dữ liệu 4D từ model thành 1D âm thanh
-        audio = outputs[0].flatten().astype(np.float32)
-        
-        # Trả về kết quả với Sample Rate 22050 từ config của bạn
-        return "Tạo âm thanh thành công!", (22050, audio)
-    except Exception as e:
-        return f"Lỗi: {str(e)}", None
-
-# GIAO DIỆN
-demo = gr.Interface(
-    fn=tts_predict,
-    inputs=[
-        gr.Textbox(label="Nhập tiếng Việt", value="Xin chào bạn"),
-        gr.Slider(0.5, 2.0, 1.0, label="Tốc độ"),
-        gr.Slider(0.1, 1.0, 0.667, label="Noise Scale"),
-        gr.Slider(0.1, 1.0, 0.8, label="Noise W")
-    ],
-    outputs=[gr.Textbox(label="Trạng thái"), gr.Audio(label="Audio")],
-    title="Vietnamese Piper TTS Fixed"
-)
-
-if __name__ == "__main__":
-    demo.launch()
+    # ... (Các slider tốc độ 1.30 và nút bấm như cũ)