app.py

"""
Script ini dibuat oleh __drat
Petunjuk:
1. Script ini digunakan untuk mengkonversi teks menjadi suara menggunakan teknologi Edge TTS dan Retrieval-based Voice Conversion (RVC).
2. Teknologi yang digunakan meliputi model text-to-speech (TTS) yang canggih dengan konversi teks ke fonem (G2P).
3. Model yang dipakai dilatih khusus untuk bahasa Indonesia, Jawa, dan Sunda.
4. Antarmuka dibuat dengan menggunakan Gradio dengan tema kustom bernama IndonesiaTheme.

Cara Menggunakan:
1. Pilih model suara dari dropdown yang tersedia.
2. Atur parameter seperti kecepatan bicara, metode ekstraksi pitch, dan tingkat perlindungan.
3. Masukkan teks yang ingin dikonversi menjadi suara.
4. Klik tombol "Convert" untuk memulai proses konversi.
5. Dengarkan hasil konversi melalui komponen audio yang tersedia.
"""

import asyncio
import datetime
import logging
import os
import time
import traceback
import warnings  # Untuk menangani peringatan

import edge_tts
import gradio as gr
import librosa
import torch
from fairseq import checkpoint_utils

from config import Config
from lib.infer_pack.models import (
    SynthesizerTrnMs256NSFsid,
    SynthesizerTrnMs256NSFsid_nono,
    SynthesizerTrnMs768NSFsid,
    SynthesizerTrnMs768NSFsid_nono,
)
from rmvpe import RMVPE
from vc_infer_pipeline import VC
from themes import IndonesiaTheme  # Impor tema custom dari themes.py

# Menonaktifkan semua peringatan
warnings.filterwarnings("ignore")

# Mengatur level logging untuk berbagai pustaka
logging.getLogger("fairseq").setLevel(logging.ERROR)
logging.getLogger("numba").setLevel(logging.ERROR)
logging.getLogger("markdown_it").setLevel(logging.ERROR)
logging.getLogger("urllib3").setLevel(logging.ERROR)
logging.getLogger("matplotlib").setLevel(logging.ERROR)

# Memeriksa apakah ada batasan sistem (contoh: menjalankan di HuggingFace Spaces)
limitation = os.getenv("SYSTEM") == "spaces"

# Memuat konfigurasi
config = Config()

# Edge TTS
edge_output_filename = "edge_output.mp3"
tts_voice_list = asyncio.get_event_loop().run_until_complete(edge_tts.list_voices())
tts_voices = [f"{v['ShortName']}-{v['Gender']}" for v in tts_voice_list]

# Memuat model RVC dari direktori "weights"
model_root = "weights"
models = [d for d in os.listdir(model_root) if os.path.isdir(f"{model_root}/{d}")]
models.sort()

# Fungsi untuk memuat data model berdasarkan nama model
def model_data(model_name):
    # Memuat file model (.pth)
    pth_path = [
        f"{model_root}/{model_name}/{f}"
        for f in os.listdir(f"{model_root}/{model_name}")
        if f.endswith(".pth")
    ][0]
    print(f"Memuat {pth_path}")
    cpt = torch.load(pth_path, map_location="cpu")
    tgt_sr = cpt["config"][-1]
    cpt["config"][-3] = cpt["weight"]["emb_g.weight"].shape[0]  # n_spk
    if_f0 = cpt.get("f0", 1)
    version = cpt.get("version", "v1")

    # Memilih model berdasarkan versi dan konfigurasi f0
    if version == "v1":
        if if_f0 == 1:
            net_g = SynthesizerTrnMs256NSFsid(*cpt["config"], is_half=config.is_half)
        else:
            net_g = SynthesizerTrnMs256NSFsid_nono(*cpt["config"])
    elif version == "v2":
        if if_f0 == 1:
            net_g = SynthesizerTrnMs768NSFsid(*cpt["config"], is_half=config.is_half)
        else:
            net_g = SynthesizerTrnMs768NSFsid_nono(*cpt["config"])
    else:
        raise ValueError("Versi tidak diketahui")
    
    # Menghapus bagian encoder
    del net_g.enc_q
    net_g.load_state_dict(cpt["weight"], strict=False)
    print("Model dimuat")
    net_g.eval().to(config.device)
    
    # Mengatur tipe data model
    if config.is_half:
        net_g = net_g.half()
    else:
        net_g = net_g.float()
    
    vc = VC(tgt_sr, config)

    # Memuat file indeks jika ada
    index_files = [
        f"{model_root}/{model_name}/{f}"
        for f in os.listdir(f"{model_root}/{model_name}")
        if f.endswith(".index")
    ]
    if len(index_files) == 0:
        print("Tidak ada file indeks ditemukan")
        index_file = ""
    else:
        index_file = index_files[0]
        print(f"File indeks ditemukan: {index_file}")

    return tgt_sr, net_g, vc, version, index_file, if_f0

# Fungsi untuk memuat model Hubert
def load_hubert():
    models, _, _ = checkpoint_utils.load_model_ensemble_and_task(
        ["hubert_base.pt"],
        suffix="",
    )
    hubert_model = models[0]
    hubert_model = hubert_model.to(config.device)
    if config.is_half:
        hubert_model = hubert_model.half()
    else:
        hubert_model = hubert_model.float()
    return hubert_model.eval()

# Fungsi utama TTS yang menggabungkan Edge TTS dan RVC
def tts(
    model_name,
    speed,
    tts_text,
    tts_voice,
    f0_up_key,
    f0_method,
    index_rate,
    protect,
    filter_radius=3,
    resample_sr=0,
    rms_mix_rate=0.25,
):
    print("------------------")
    print(datetime.datetime.now())
    print("Teks TTS:")
    print(tts_text)
    print(f"Suara TTS: {tts_voice}, kecepatan: {speed}")
    print(f"Nama model: {model_name}")
    print(f"F0: {f0_method}, Key: {f0_up_key}, Index: {index_rate}, Protect: {protect}")
    try:
        # Batasan panjang teks jika ada batasan sistem
        if limitation and len(tts_text) > 280:
            print("Error: Teks terlalu panjang")
            return (
                f"Teks harus kurang dari 120 karakter di space ini, tetapi didapatkan {len(tts_text)} karakter.",
                None,
                None,
            )
        
        t0 = time.time()
        # Mengatur kecepatan bicara
        if speed >= 0:
            speed_str = f"+{speed}%"
        else:
            speed_str = f"{speed}%"
        
        # Menggunakan Edge TTS untuk menghasilkan file suara sementara
        asyncio.run(
            edge_tts.Communicate(
                tts_text, "-".join(tts_voice.split("-")[:-1]), rate=speed_str
            ).save(edge_output_filename)
        )
        t1 = time.time()
        edge_time = t1 - t0
        
        # Memuat file suara dan menghitung durasi
        audio, sr = librosa.load(edge_output_filename, sr=16000, mono=True)
        duration = len(audio) / sr
        print(f"Durasi audio: {duration}s")
        
        # Batasan durasi audio jika ada batasan sistem
        if limitation and duration >= 20:
            print("Error: Audio terlalu panjang")
            return (
                f"Audio harus kurang dari 20 detik di space ini, tetapi didapatkan {duration}s.",
                edge_output_filename,
                None,
            )
        
        f0_up_key = int(f0_up_key)

        # Memuat model data
        tgt_sr, net_g, vc, version, index_file, if_f0 = model_data(model_name)
        if f0_method == "rmvpe":
            vc.model_rmvpe = rmvpe_model
        times = [0, 0, 0]
        
        # Menggunakan pipeline RVC untuk menghasilkan file suara akhir
        audio_opt = vc.pipeline(
            hubert_model,
            net_g,
            0,
            audio,
            edge_output_filename,
            times,
            f0_up_key,
            f0_method,
            index_file,
            index_rate,
            if_f0,
            filter_radius,
            tgt_sr,
            resample_sr,
            rms_mix_rate,
            version,
            protect,
            None,
        )
        
        # Meresample jika diperlukan
        if tgt_sr != resample_sr >= 16000:
            tgt_sr = resample_sr
        
        info = f"Berhasil. Waktu: edge-tts: {edge_time}s, npy: {times[0]}s, f0: {times[1]}s, infer: {times[2]}s"
        print(info)
        return (
            info,
            edge_output_filename,
            (tgt_sr, audio_opt),
        )
    except EOFError:
        info = (
            "Sepertinya output edge-tts tidak valid. "
            "Ini bisa terjadi jika teks input dan pembicara tidak cocok. "
            "Misalnya, mungkin Anda memasukkan teks dalam bahasa Jepang (tanpa huruf alfabet) tetapi memilih pembicara non-Jepang?"
        )
        print(info)
        return info, None, None
    except:
        info = traceback.format_exc()
        print(info)
        return info, None, None

# Memuat model Hubert
print("Memuat model hubert...")
hubert_model = load_hubert()
print("Model hubert dimuat.")

# Memuat model RMVPE
print("Memuat model rmvpe...")
rmvpe_model = RMVPE("rmvpe.pt", config.is_half, config.device)
print("Model rmvpe dimuat.")

# Initial markdown text untuk ditampilkan di antarmuka
initial_md = """
# TTS-RVC-Tokoh Indonesia

Pembuktian algoritma **Retrieval-based Voice Conversion (RVC)** dan teknologi **Edge TTS** yang dapat membuat clone dari suara tokoh-tokoh penting di Indonesia. 

**Perhatian:** Harap tidak menyalahgunakan teknologi ini. **Limitasi:** Teks 120, Audio 20 detik.
"""

# Membuat aplikasi Gradio
app = gr.Blocks(theme=IndonesiaTheme(), title="TTS-RVC-Tokoh Indonesia")
with app:
    # Tambahkan banner di bagian atas
    gr.HTML("""
    <div style="text-align: center; margin-top: 20px;">
        <img src="https://i.ibb.co.com/dm13YjJ/banner1.jpg" alt="Banner" style="width: 100%; max-width: 1200px; border-radius: 10px;">
    </div>
    """)
    gr.Markdown(initial_md)
    with gr.Row():
        with gr.Column():
            model_name = gr.Dropdown(
                label="Model",
                choices=models,
                value=models[0],
            )
            f0_key_up = gr.Number(
                label="Tune (+12 = 1 oktaf dari edge-tts, nilai terbaik tergantung pada model dan pembicara)",
                value=2,
            )
        with gr.Column():
            f0_method = gr.Radio(
                label="Metode ekstraksi pitch (pm: sangat cepat, kualitas rendah, rmvpe: sedikit lambat, kualitas tinggi)",
                choices=["pm", "rmvpe"],  # harvest and crepe terlalu lambat
                value="rmvpe",
                interactive=True,
            )
            index_rate = gr.Slider(
                minimum=0,
                maximum=1,
                label="Tingkat indeks",
                value=0.5,
                interactive=True,
            )
            protect0 = gr.Slider(
                minimum=0,
                maximum=0.5,
                label="Perlindungan",
                value=0.33,
                step=0.01,
                interactive=True,
            )
    with gr.Row():
        with gr.Column():
            tts_voice = gr.Dropdown(
                label="Pembicara Edge-tts (format: bahasa-Negara-Nama-Jenis Kelamin), pastikan jenis kelamin cocok dengan model",
                choices=tts_voices,
                allow_custom_value=False,
                value="id-ID-ArdiNeural-Male",  # Set nilai default
            )
            speed = gr.Slider(
                minimum=-100,
                maximum=100,
                label="Kecepatan bicara (%)",
                value=0,
                step=10,
                interactive=True,
            )
            tts_text = gr.Textbox(label="Teks Input", value="Konversi dari teks ke suara dalam bahasa Indonesia.")
        with gr.Column():
            but0 = gr.Button("Konversi", variant="primary")
            info_text = gr.Textbox(label="Informasi Output")
        with gr.Column():
            edge_tts_output = gr.Audio(label="Suara Edge", type="filepath")
            tts_output = gr.Audio(label="Hasil")
        but0.click(
            tts,
            [
                model_name,
                speed,
                tts_text,
                tts_voice,
                f0_key_up,
                f0_method,
                index_rate,
                protect0,
            ],
            [info_text, edge_tts_output, tts_output],
        )
    with gr.Row():
        examples = gr.Examples(
            examples_per_page=100,
            examples=[
                ["Ini adalah demo percobaan menggunakan Bahasa Indonesia untuk pria.", "id-ID-ArdiNeural-Male"],
                ["Ini adalah teks percobaan menggunakan Bahasa Indonesia pada wanita.", "id-ID-GadisNeural-Female"],
            ],
            inputs=[tts_text, tts_voice],
        )
    
    # Tambahkan footer di bagian bawah
    gr.HTML("""
    <footer style="text-align: center; margin-top: 20px; color:silver;">
        Energi Semesta Digital © 2024 __drat. | 🇮🇩 Untuk Indonesia Jaya!
    </footer>
    """)

# Meluncurkan aplikasi
app.launch()