File size: 12,841 Bytes
3e08670
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
b2105a3
3e08670
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
b2105a3
3e08670
 
 
 
 
b2105a3
 
 
3e08670
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
faeb342
 
 
 
 
 
 
 
 
 
 
 
 
 
3e08670
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
b2105a3
 
 
 
 
 
 
 
3e08670
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
3b67889
 
 
 
 
 
 
 
 
 
 
 
 
3e08670
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
b2105a3
3e08670
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
b2105a3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
import gradio as gr
import torch
from transformers import AutoModelForCTC, AutoProcessor, VitsModel, AutoTokenizer
import librosa
import numpy as np
import io
import soundfile as sf
import logging

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# Configuration
SAMPLE_RATE = 16000
MAX_AUDIO_LENGTH = 30

# Mapping des langues TTS
LANGUAGE_MAPPING = {
    "Biali (beh)": "facebook/mms-tts-beh",
    "Baatombu (bba)": "facebook/mms-tts-bba",
    "Dendi (ddn)": "facebook/mms-tts-ddn",
    "Éwé (ewe)": "facebook/mms-tts-ewe",
    "Mina (gej)": "facebook/mms-tts-gej",
    "Ditammari (tbz)": "facebook/mms-tts-tbz",
    "Yoruba (yor)": "facebook/mms-tts-yor",
    "Fon (fon)": "facebook/mms-tts-fon",
    "English (eng)": "facebook/mms-tts-eng",
}

# Cache des modèles
models_cache = {}

def get_device():
    """Retourne le device disponible"""
    return "cuda" if torch.cuda.is_available() else "cpu"

def load_asr_model():
    """Charge le modèle ASR"""
    if "asr" not in models_cache:
        device = get_device()
        logger.info("⏳ Chargement du modèle ASR...")
        processor = AutoProcessor.from_pretrained("facebook/mms-1b-all")
        model = AutoModelForCTC.from_pretrained("facebook/mms-1b-all").to(device)
        model.eval()
        models_cache["asr"] = {"model": model, "processor": processor}
        logger.info("✅ Modèle ASR chargé")
    return models_cache["asr"]["model"], models_cache["asr"]["processor"]

def load_tts_model(language_name):
    """Charge le modèle TTS pour une langue"""
    if language_name not in models_cache:
        device = get_device()
        model_id = LANGUAGE_MAPPING.get(language_name)
        if not model_id:
            raise ValueError(f"Langue non supportée: {language_name}")

        logger.info(f"⏳ Chargement du modèle TTS {language_name}...")
        model = VitsModel.from_pretrained(model_id).to(device)
        tokenizer = AutoTokenizer.from_pretrained(model_id)
        model.eval()
        models_cache[language_name] = {"model": model, "tokenizer": tokenizer}
        logger.info(f"✅ Modèle TTS {language_name} chargé")
    return models_cache[language_name]["model"], models_cache[language_name]["tokenizer"]

def process_audio(audio_data):
    """Traite l'audio"""
    try:
        if isinstance(audio_data, tuple):
            # Gradio retourne (sample_rate, audio_array)
            sr, audio = audio_data
        else:
            sr = SAMPLE_RATE
            audio = audio_data

        # Convertit en float32 si nécessaire
        audio = np.array(audio, dtype=np.float32)

        # Mono
        if len(audio.shape) > 1:
            audio = np.mean(audio, axis=1)

        # Rééchantillonne
        if sr != SAMPLE_RATE:
            audio = librosa.resample(audio, orig_sr=sr, target_sr=SAMPLE_RATE)

        # Normalise
        if np.max(np.abs(audio)) > 0:
            audio = audio / np.max(np.abs(audio))

        # Tronque
        max_samples = MAX_AUDIO_LENGTH * SAMPLE_RATE
        if len(audio) > max_samples:
            audio = audio[:max_samples]

        return audio
    except Exception as e:
        logger.error(f"Erreur traitement audio: {e}")
        raise

def transcribe_audio(audio, language_label):
    """Transcrit l'audio en texte (ASR)"""
    if audio is None:
        return "❌ Veuillez enregistrer ou uploader un fichier audio"

    try:
        # Extrait le code de langue du format "Langue (code)"
        language = language_label.split("(")[-1].rstrip(")")

        audio_processed = process_audio(audio)
        model, processor = load_asr_model()
        processor.current_lang = language

        device = get_device()
        with torch.no_grad():
            inputs = processor(audio_processed, sampling_rate=SAMPLE_RATE, return_tensors="pt").to(device)
            outputs = model(**inputs)
            ids = torch.argmax(outputs.logits, dim=-1)[0]
            transcription = processor.decode(ids)

        return f"✅ Transcription:\n{transcription}"
    except Exception as e:
        logger.error(f"Erreur ASR: {e}")
        return f"❌ Erreur: {str(e)}"

def synthesize_speech(text, language):
    """Synthétise le texte en audio (TTS)"""
    if not text or not text.strip():
        return None, "❌ Veuillez entrer du texte"

    try:
        text = text.strip()[:1000]  # Limite à 1000 chars
        model, tokenizer = load_tts_model(language)

        device = get_device()
        with torch.no_grad():
            inputs = tokenizer(text, return_tensors="pt").to(device)
            outputs = model(**inputs)
            waveform = outputs.waveform.cpu().numpy().flatten()

        # Récupère le taux d'échantillonnage réel du modèle
        sample_rate = model.config.sampling_rate

        # Normalise l'amplitude pour une meilleure qualité audio
        max_val = np.abs(waveform).max()
        if max_val > 0:
            # Normalise entre -0.95 et 0.95 pour éviter la saturation
            waveform = (waveform / max_val) * 0.95

        # Convertit en int16 pour une meilleure qualité
        waveform_int16 = (waveform * 32767).astype(np.int16)

        # Retourne au format (sample_rate, audio_array) pour Gradio
        return (sample_rate, waveform_int16), f"✅ Audio généré ({len(waveform_int16)} samples @ {sample_rate}Hz)!"

    except Exception as e:
        logger.error(f"Erreur TTS: {e}")
        return None, f"❌ Erreur: {str(e)}"

# ============= INTERFACE GRADIO =============

with gr.Blocks(title="🎙️ MMS ASR/TTS - Speech AI", theme=gr.themes.Soft()) as demo:
    gr.HTML("""
        <div style="text-align: center;">
            <h1>🎙️ Meta MMS Speech AI</h1>
            <p style="font-size: 16px; color: #666;">
                Reconnaissance vocale (ASR) + Synthèse vocale (TTS) multilingue
            </p>
            <p style="font-size: 14px; color: #999;">
                Utilise les modèles <strong>facebook/mms-1b-all</strong> et <strong>facebook/mms-tts</strong>
            </p>
        </div>
    """)

    with gr.Tabs():
        # ============= TAB 1: ASR =============
        with gr.TabItem("🔊 ASR (Audio → Texte)", id="asr"):
            gr.HTML("<h2>Reconnaissance Vocale Multilingue</h2>")
            gr.HTML("<p>Enregistre ou uploader un fichier audio pour obtenir la transcription.</p>")

            with gr.Row():
                with gr.Column():
                    audio_input = gr.Audio(
                        label="📁 Fichier audio",
                        type="numpy",
                        sources=["upload", "microphone"]
                    )
                    language_asr = gr.Dropdown(
                        choices=[
                            "Biali (beh)",
                            "Baatombu (bba)",
                            "Dendi (ddn)",
                            "Éwé (ewe)",
                            "Mina (gej)",
                            "Ditammari (tbz)",
                            "Yoruba (yor)",
                            "Fon (fon)",
                            "English (eng)",
                        ],
                        value="English (eng)",
                        label="🌐 Langue"
                    )
                    btn_asr = gr.Button("🎯 Transcrire", variant="primary", size="lg")

                with gr.Column():
                    output_asr = gr.Textbox(
                        label="📝 Transcription",
                        lines=6,
                        interactive=False
                    )

            btn_asr.click(
                fn=transcribe_audio,
                inputs=[audio_input, language_asr],
                outputs=output_asr
            )

        # ============= TAB 2: TTS =============
        with gr.TabItem("📢 TTS (Texte → Audio)", id="tts"):
            gr.HTML("<h2>Synthèse Vocale</h2>")
            gr.HTML("<p>Entre du texte et écoute la synthèse vocale dans la langue choisie.</p>")

            with gr.Row():
                with gr.Column():
                    text_input = gr.Textbox(
                        label="✍️ Texte à convertir",
                        placeholder="Écris du texte ici...",
                        lines=4
                    )
                    language_tts = gr.Dropdown(
                        choices=list(LANGUAGE_MAPPING.keys()),
                        value="English (eng)",
                        label="🌐 Langue"
                    )
                    btn_tts = gr.Button("🔊 Générer l'audio", variant="primary", size="lg")
                    info_tts = gr.Textbox(
                        label="📊 Info",
                        interactive=False,
                        value="Clique sur 'Générer l'audio' pour commencer"
                    )

                with gr.Column():
                    audio_output = gr.Audio(
                        label="🎵 Audio généré",
                        type="numpy"
                    )

            btn_tts.click(
                fn=synthesize_speech,
                inputs=[text_input, language_tts],
                outputs=[audio_output, info_tts]
            )

            # Exemples (optionnel - commenté pour éviter les erreurs)
            # Uncomment pour activer après test
            # gr.Examples(
            #     examples=[
            #         ["Hello world", "English (eng)"],
            #         ["Àbọ̀ wa", "Yoruba (yor)"],
            #         ["Bonjour", "English (eng)"],
            #     ],
            #     fn=synthesize_speech,
            #     inputs=[text_input, language_tts],
            #     outputs=[audio_output, info_tts],
            #     label="💡 Exemples"
            # )

        # ============= TAB 3: INFOS =============
        with gr.TabItem("ℹ️ À propos", id="about"):
            gr.HTML("""
                <h2>À propos de cette API</h2>

                <h3>🎙️ ASR (Automatic Speech Recognition)</h3>
                <ul>
                    <li><strong>Modèle:</strong> facebook/mms-1b-all (964M params)</li>
                    <li><strong>Langues:</strong> 100+ langues (ISO 639-3)</li>
                    <li><strong>Architecture:</strong> wav2vec2</li>
                    <li><strong>Taux d'échantillonnage:</strong> 16 kHz</li>
                    <li><strong>Limite:</strong> 30 secondes d'audio</li>
                </ul>

                <h3>📢 TTS (Text-to-Speech)</h3>
                <ul>
                    <li><strong>Modèle:</strong> facebook/mms-tts-* (VITS)</li>
                    <li><strong>Langues supportées:</strong> 8 langues</li>
                    <li><strong>Taux d'échantillonnage:</strong> 22050 Hz</li>
                    <li><strong>Limite:</strong> 1000 caractères</li>
                </ul>

                <h3>🌍 Langues TTS</h3>
                <ul>
                    <li>🇧🇯 Biali (beh)</li>
                    <li>🇧🇯 Baatombu (bba)</li>
                    <li>🇧🇯 Dendi (ddn)</li>
                    <li>🇬🇭 Éwé (ewe)</li>
                    <li>🇧🇯 Mina (gej)</li>
                    <li>🇧🇯 Ditammari (tbz)</li>
                    <li>🇳🇬 Yoruba (yor)</li>
                    <li>🇧🇯 Fon (fon)</li>
                    <li>🇬🇧 English (eng)</li>
                </ul>

                <h3>🚀 Déploiement</h3>
                <p>Cette application est déployée sur <strong>Hugging Face Spaces</strong></p>
                <p>Code source: <a href="https://huggingface.co/spaces" target="_blank">GitHub</a></p>

                <h3>📚 Ressources</h3>
                <ul>
                    <li><a href="https://arxiv.org/abs/2305.13516" target="_blank">Meta MMS Paper</a></li>
                    <li><a href="https://huggingface.co/facebook/mms-1b-all" target="_blank">facebook/mms-1b-all</a></li>
                    <li><a href="https://huggingface.co/facebook/mms-tts" target="_blank">facebook/mms-tts</a></li>
                </ul>

                <h3>⚖️ Licence</h3>
                <p>CC-BY-NC-4.0 (comme les modèles Meta MMS)</p>
            """)

    # Footer
    gr.HTML("""
        <hr>
        <div style="text-align: center; font-size: 12px; color: #999; margin-top: 20px;">
            <p>🏠 Powered by <strong>Gradio</strong> + <strong>Hugging Face</strong> |
               Device: <span id="device">Loading...</span></p>
        </div>
        <script>
            document.getElementById('device').innerText = document.body.innerText.includes('cuda') ? '🚀 GPU' : '💻 CPU';
        </script>
    """)

if __name__ == "__main__":
    logger.info(f"🚀 Démarrage de l'interface Gradio")
    logger.info(f"📊 Device: {get_device()}")
    demo.launch(share=False, debug=False)