Update app.py

app.py

@@ -6,15 +6,17 @@ from gradio_client import Client, handle_file
 import torch
 from transformers import VitsModel, AutoTokenizer
 import scipy.io.wavfile as wavfile
+import traceback
 
-# Загружаем TTS модель при старте
+# Загрузка моделей при старте
 device = "cuda" if torch.cuda.is_available() else "cpu"
 print(f"Using device: {device}")
 
 try:
-    tts_model = VitsModel.from_pretrained("facebook/mms-tts-rus").to(device)
-    tts_tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-rus")
-    print("TTS модель загружена успешно!")
+    # TTS модель для казахского (исправлено с rus на kaz)
+    tts_model = VitsModel.from_pretrained("facebook/mms-tts-kaz").to(device)
+    tts_tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-kaz")
+    print("TTS модель (kaz) загружена успешно!")
 except Exception as e:
     raise RuntimeError(f"Ошибка загрузки TTS модели: {str(e)}")
 
@@ -26,42 +28,31 @@ def inference(image: Image.Image, text: str):
     video_path = None
     audio_path = None
     img_path = None
-    
     try:
         # Валидация входных данных
         if image is None:
             raise ValueError("Загрузите изображение лектора!")
-        
         if not text or not text.strip():
             raise ValueError("Введите текст лекции!")
-        
         if len(text) > 500:
             raise ValueError("Текст слишком длинный! Используйте до 500 символов.")
-        
         print(f"Генерация TTS для текста: '{text[:50]}...'")
-        
         # Шаг 1: Генерация аудио через TTS
         torch.manual_seed(42)
         inputs = tts_tokenizer(text, return_tensors="pt").to(device)
-        
         with torch.no_grad():
             output = tts_model(**inputs)
             waveform = output.waveform.squeeze().cpu().numpy()
-        
         if waveform.size == 0:
             raise ValueError("TTS сгенерировал пустое аудио! Попробуйте другой текст.")
-        
         # Конвертация в int16 для WAV
         audio = (waveform * 32767).astype("int16")
         sampling_rate = tts_model.config.sampling_rate
-        
         # Сохранение аудио
         with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as audio_file:
             wavfile.write(audio_file.name, sampling_rate, audio)
             audio_path = audio_file.name
-        
         print(f"TTS аудио сохранено: {audio_path} (длина: {len(waveform)/sampling_rate:.1f} сек)")
-        
         # Шаг 2: Сохранение изображения
         with tempfile.NamedTemporaryFile(suffix=".png", delete=False) as img_file:
             # Конвертация в RGB если нужно
@@ -69,27 +60,21 @@ def inference(image: Image.Image, text: str):
                 image = image.convert('RGB')
             image.save(img_file.name, format='PNG')
             img_path = img_file.name
-        
         print(f"Изображение сохранено: {img_path}")
-        
         # Шаг 3: Вызов talking-head API
         print(f"Подключение к {TALKING_HEAD_SPACE}...")
         client = Client(TALKING_HEAD_SPACE)
-        
         # Проверяем доступные API endpoints
         print("Доступные API методы:", client.view_api())
-        
         # Вызов API с правильными параметрами
         result = client.predict(
-            image=handle_file(img_path),
-            audio=handle_file(audio_path),
+            image_path=handle_file(img_path),
+            audio_path=handle_file(audio_path),
             guidance_scale=3.0,
-            inference_steps=10,
+            steps=10,
             api_name="/process_image_audio"
         )
-        
         print(f"Результат API: {type(result)}")
-        
         # Обработка результата
         if isinstance(result, tuple) and len(result) > 0:
             video_data = result[0]
@@ -103,16 +88,12 @@ def inference(image: Image.Image, text: str):
                 video_path = video_data
         else:
             video_path = result
-        
         print(f"Видео сгенерировано: {video_path}")
         error_msg = "✅ Видео успешно сгенерировано!"
-        
     except Exception as e:
         error_msg = f"❌ Ошибка: {str(e)}"
         print(f"ОШИБКА: {error_msg}")
-        import traceback
         traceback.print_exc()
-        
     finally:
         # Очистка временных файлов
         if audio_path and os.path.exists(audio_path):
@@ -121,41 +102,28 @@ def inference(image: Image.Image, text: str):
                 print(f"Удален временный файл: {audio_path}")
             except:
                 pass
-        
         if img_path and os.path.exists(img_path):
             try:
                 os.remove(img_path)
                 print(f"Удален временный файл: {img_path}")
             except:
                 pass
-    
     return video_path, error_msg
 
 # Интерфейс Gradio
 title = "🎓 Видео-лектор с TTS (Русский)"
-description = """
-Загрузите фото лектора и введите текст лекции. 
-Система сгенерирует видео, где лектор "произносит" ваш текст!
-
+description = """Загрузите фото лектора и введите текст лекции. Система сгенерирует видео, где лектор "произносит" ваш текст!
 **Требования:**
 - Фото: фронтальное изображение лица
-- Текст: до 500 символов на русском языке
-"""
-
-examples = [
-    [
-        "example_image.png",
-        "Добрый день! Сегодня мы рассмотрим основы машинного обучения."
-    ]
-]
+- Текст: до 500 символов на русском языке"""
 
 iface = gr.Interface(
     fn=inference,
     inputs=[
         gr.Image(type="pil", label="📸 Фото лектора"),
         gr.Textbox(
-            lines=5, 
-            placeholder="Введите текст лекции на русском языке (до 500 символов)...", 
+            lines=5,
+            placeholder="Введите текст лекции на русском языке (до 500 символов)...",
             label="📝 Текст лекции"
         )
     ],
@@ -165,8 +133,6 @@ iface = gr.Interface(
     ],
     title=title,
     description=description,
-    flagging_mode="never",
-    examples=None,  # Добавьте примеры, если есть тестовые изображения
     cache_examples=False
 )