app.py

import os
import torch
import torchaudio
import gradio as gr
from TTS.api import TTS

# 1. إعداد البيئة والموافقة على شروط الاستخدام (مهم جداً لـ Hugging Face)
os.environ["COQUI_TOS_AGREED"] = "1"
os.environ["CUDA_VISIBLE_DEVICES"] = "" # إجبار النظام على تجاهل أي GPU إن وُجد خطأً

# 2. تحميل النموذج
# نستخدم كلاس TTS لأنه يتولى تحميل النموذج بأمان في مجلد الـ Cache الخاص بـ HF
print("جاري تحميل نموذج XTTS-v2 (قد يستغرق بضع دقائق عند أول تشغيل للسبيس)...")
device = "cpu"
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

# استخراج النموذج الأساسي للتحكم العميق (الاستنساخ والدمج)
model = tts.synthesizer.tts_model

# ==========================================
# 3. وظيفة استنساخ الصوت (Voice Cloning)
# ==========================================
def clone_voice(text, language, ref_audio):
    try:
        # استخراج البصمة الصوتية
        gpt_cond_latent, speaker_embedding = model.get_conditioning_latents(audio_path=[ref_audio])
        
        # توليد الصوت (تم تقليل length_penalty لتسريع المعالجة على الـ CPU)
        out = model.inference(
            text,
            language,
            gpt_cond_latent,
            speaker_embedding,
            temperature=0.7,
            length_penalty=1.0,
            repetition_penalty=2.0
        )
        
        output_path = "output_cloned.wav"
        torchaudio.save(output_path, torch.tensor(out["wav"]).unsqueeze(0), 24000)
        return output_path
    except Exception as e:
        return f"حدث خطأ أثناء المعالجة: {str(e)}"

# ==========================================
# 4. وظيفة دمج البصمات (Voice Blending)
# ==========================================
def blend_voices(text, language, ref_audio_1, ref_audio_2, blend_ratio=0.5):
    try:
        # استخراج الخصائص للصوتين
        gpt_cond_1, speaker_emb_1 = model.get_conditioning_latents(audio_path=[ref_audio_1])
        gpt_cond_2, speaker_emb_2 = model.get_conditioning_latents(audio_path=[ref_audio_2])
        
        # دمج البصمات رياضياً
        blended_gpt_cond = (gpt_cond_1 * blend_ratio) + (gpt_cond_2 * (1.0 - blend_ratio))
        blended_speaker_emb = (speaker_emb_1 * blend_ratio) + (speaker_emb_2 * (1.0 - blend_ratio))
        
        # توليد الصوت المدمج
        out = model.inference(
            text,
            language,
            blended_gpt_cond,
            blended_speaker_emb,
            temperature=0.75,
            length_penalty=1.0,
            repetition_penalty=2.0
        )
        
        output_path = "output_blended.wav"
        torchaudio.save(output_path, torch.tensor(out["wav"]).unsqueeze(0), 24000)
        return output_path
    except Exception as e:
        return f"حدث خطأ أثناء المعالجة: {str(e)}"

# ==========================================
# 5. واجهة المستخدم (Gradio)
# ==========================================
with gr.Blocks(title="AI Voice Studio (CPU Edition)") as demo:
    gr.Markdown("# 🎙️ نظام الذكاء الاصطناعي الصوتي (Hugging Face CPU)")
    gr.Markdown("⚠️ **ملاحظة هامة:** بما أن النظام يعمل على معالج عادي (CPU)، يُرجى كتابة **نصوص قصيرة** (جملة أو جملتين) لتجنب انقطاع الاتصال (Timeout) أثناء التوليد.")
    
    with gr.Tab("استنساخ الصوت"):
        with gr.Row():
            with gr.Column():
                text_input_1 = gr.Textbox(label="النص", lines=3, placeholder="اكتب جملة قصيرة هنا...")
                lang_1 = gr.Dropdown(choices=["en", "ar", "fr", "es", "de"], value="ar", label="اللغة")
                ref_audio_1 = gr.Audio(type="filepath", label="عينة الصوت المرجعية (3 إلى 5 ثوانٍ)")
                clone_btn = gr.Button("🎙️ توليد الصوت المستنسخ", variant="primary")
            with gr.Column():
                audio_output_1 = gr.Audio(label="النتيجة")
                
        clone_btn.click(clone_voice, inputs=[text_input_1, lang_1, ref_audio_1], outputs=audio_output_1)

    with gr.Tab("دمج البصمات الصوتية"):
        with gr.Row():
            with gr.Column():
                text_input_2 = gr.Textbox(label="النص", lines=3, placeholder="اكتب جملة قصيرة هنا...")
                lang_2 = gr.Dropdown(choices=["en", "ar", "fr", "es", "de"], value="ar", label="اللغة")
                ref_1 = gr.Audio(type="filepath", label="الصوت الأول")
                ref_2 = gr.Audio(type="filepath", label="الصوت الثاني")
                ratio = gr.Slider(minimum=0.0, maximum=1.0, value=0.5, step=0.1, label="نسبة الدمج (0 = الثاني، 1 = الأول)")
                blend_btn = gr.Button("🧬 دمج وتوليد صوت جديد", variant="primary")
            with gr.Column():
                audio_output_2 = gr.Audio(label="النتيجة المدمجة")
                
        blend_btn.click(blend_voices, inputs=[text_input_2, lang_2, ref_1, ref_2, ratio], outputs=audio_output_2)

# تشغيل التطبيق (مع تفعيل طابور الانتظار لتجنب ضغط السيرفر)
if __name__ == "__main__":
    demo.queue().launch()