app.py

import gradio as gr
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor
import torch

device = "cuda" if torch.cuda.is_available() else "cpu"
model_id = "facebook/mms-tts-ava"

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id).to(device)

def tts_fn(text):
    inputs = processor(text=text, return_tensors="pt").to(device)
    with torch.no_grad():
        waveform = model.generate(**inputs)
    audio = waveform.squeeze().cpu().numpy()
    return (16000, audio)

gr.Interface(fn=tts_fn,
             inputs=gr.Textbox(label="Nhập văn bản bằng tiếng Avar"),
             outputs=gr.Audio(label="Âm thanh (16kHz)"),
             title="Avar TTS - facebook/mms-tts-ava",
             description="Dùng thử TTS tiếng Avar bằng mô hình MMS từ Meta (facebook/mms-tts-ava). Chỉ để thử nghiệm, không thương mại.").launch()