Update app.py

app.py

@@ -8,76 +8,90 @@ from vinorm import TTSnorm
 from phonemizer import phonemize
 from scipy.io import wavfile
 
-# --- 1. TẢI MODEL & CONFIG ---
+# --- 1. TẢI CẤU HÌNH ---
 try:
     with open("config.json", "r", encoding="utf-8") as f:
         config = json.load(f)
-    # 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)
     
     sess = ort.InferenceSession("model.onnx", providers=['CPUExecutionProvider'])
-    print("✅ Hệ thống đã sẵn sàng")
+    print("✅ Hệ thống đồng bộ thời gian đã sẵn sàng")
 except Exception as e:
     print(f"❌ Lỗi khởi động: {e}")
 
-# --- 2. LÀM SẠCH VĂN BẢN & CHUYỂN ÂM VỊ ---
+# --- 2. XỬ LÝ VĂN BẢN ---
 def process_text(text):
-    # Loại bỏ thẻ HTML <i>, <b> thường có trong SRT
+    # Làm sạch HTML và chuẩn hóa tiếng Việt
     text = re.sub(r'<[^>]*>', '', text)
-    # Chuẩn hóa tiếng Việt (100k -> một trăm nghìn)
     text = TTSnorm(text.replace('\n', ' ').strip())
-    # Chuyển sang âm vị IPA (Piper yêu cầu)
+    # Chuyển sang âm vị (IPA) để model Piper có thể đọc
     phonemes = phonemize(text, language='vi', backend='espeak', strip=True)
     
-    ids = [phoneme_id_map.get("^", [1])[0]] # Bắt đầu
+    ids = [phoneme_id_map.get("^", [1])[0]]
     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("$", [2])[0]) # Kết thúc
+            ids.append(phoneme_id_map.get("_", [0])[0])
+    ids.append(phoneme_id_map.get("$", [2])[0])
     return ids
 
-# --- 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
+# --- 3. LOGIC ĐỒNG BỘ THỜI GIAN (SYNC) ---
+def srt_to_audio_sync(srt_file, speed=1.30, noise=0.667, noise_w=0.8):
+    if srt_file is None: return "Chưa chọn file SRT", None
     try:
         subs = pysrt.open(srt_file.name, encoding='utf-8')
-        combined_audio = []
-        
+        final_audio_stream = []
+        current_sample_index = 0
+
         for sub in subs:
+            # 1. Tính toán thời điểm bắt đầu tính bằng Sample
+            start_time_seconds = sub.start.ordinal / 1000.0
+            start_sample_target = int(start_time_seconds * sample_rate)
+
+            # 2. Nếu thời điểm hiện tại chưa tới thời điểm bắt đầu, chèn khoảng lặng
+            if start_sample_target > current_sample_index:
+                silence_len = start_sample_target - current_sample_index
+                final_audio_stream.append(np.zeros(silence_len, dtype=np.float32))
+                current_sample_index = start_sample_target
+
+            # 3. Tạo âm thanh cho câu phụ đề
             ids = process_text(sub.text)
             input_ids = np.array([ids], dtype=np.int64)
             input_lens = np.array([len(ids)], dtype=np.int64)
-            # Tốc độ 1.30 được đưa vào tham số scale cuối cùng
             scales = np.array([noise, noise_w, 1.0/speed], dtype=np.float32)
             
             outputs = sess.run(None, {
                 "input": input_ids, "input_lengths": input_lens, "scales": scales
             })
             
-            # 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))
+            # Làm phẳng mảng 4D thành 1D
+            audio_segment = outputs[0].flatten().astype(np.float32)
+            
+            # 4. Thêm audio vào luồng và cập nhật vị trí hiện tại
+            final_audio_stream.append(audio_segment)
+            current_sample_index += len(audio_segment)
 
-        final_wave = np.concatenate(combined_audio).astype(np.float32)
-        wavfile.write("output.wav", sample_rate, final_wave)
-        return "Thành công!", "output.wav"
+        # Kết hợp tất cả thành một file duy nhất
+        full_audio = np.concatenate(final_audio_stream)
+        wavfile.write("synced_dubbing.wav", sample_rate, full_audio)
+        
+        return "Đã tạo file dubbing khớp thời gian thành công!", "synced_dubbing.wav"
     except Exception as e:
-        return f"Lỗi: {str(e)}", None
+        return f"Lỗi xử lý: {str(e)}", None
 
 # --- 4. GIAO DIỆN ---
 demo = gr.Interface(
-    fn=srt_to_audio,
+    fn=srt_to_audio_sync,
     inputs=[
-        gr.File(label="Tải file SRT từ điện thoại/SDCard"),
+        gr.File(label="Chọn file SRT từ SD Card", file_types=[".srt"]),
         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")
+        gr.Slider(0.1, 1.0, value=0.667, label="Noise Scale"),
+        gr.Slider(0.1, 1.0, value=0.8, label="Noise W")
     ],
-    outputs=[gr.Textbox(label="Trạng thái"), gr.Audio(label="Kết quả lồng tiếng")],
-    title="SRT to Audio Tiếng Việt - Tốc độ 1.30"
+    outputs=[gr.Textbox(label="Trạng thái"), gr.Audio(label="Audio khớp chuẩn thời gian")],
+    title="SRT Dubbing - Đồng bộ thời gian chuẩn",
+    description="Tự động thêm khoảng lặng để âm thanh khớp hoàn toàn với mốc thời gian trong file SRT."
 )
 
 if __name__ == "__main__":