main.py

import gradio as gr
import os
import requests
from tqdm import tqdm

from svc_inference import main
from whisper.inference import check_and_download_model


def run_main(audio_file,shift):
    # 固定の引数を設定
    class Args:
        pass
    
    args = Args()
    args.config = "configs/base.yaml"
    args.model = "./vits_pretrain/sovits5.0.pretrain.pth"
    args.spk = "./configs/singers/singer0001.npy"
    args.wave = audio_file
    args.shift = shift
    
    # オプショナルパラメータのデフォルト値設定
    args.ppg = None
    args.vec = None
    args.pit = None
    args.enable_retrieval = False
    args.retrieval_index_prefix = ""
    args.retrieval_ratio = 0.5
    args.n_retrieval_vectors = 3
    args.hubert_index_path = None
    args.whisper_index_path = None
    args.debug = False

    try:
        main(args)
        return "svc_out.wav"  # 音声ファイルのパスを返す
    except Exception as e:
        return None

# Gradio インターフェースの作成
with gr.Blocks() as demo:
    gr.Markdown("# SVC 音声変換システム")
    
    # 入力音声のアップロード
    input_audio = gr.Audio(
        label="変換したい音声をアップロード",
        type="filepath"  # ファイルパスとして取得
    )
    
    # Pitch シフトのスライダー
    shift = gr.Slider(
        minimum=-12,
        maximum=12,
        value=0,
        step=1,
        label="Pitch Shift（-12から+12の半音）"
    )
    
    # ボタン
    run_btn = gr.Button(value="音声変換を実行", variant="primary", size="lg")

    # 出力表示用
    output_audio = gr.Audio(label="変換後の音声")
    
    
    run_btn.click(
        fn=run_main,
        inputs=[input_audio, shift],
        outputs=[output_audio]
    )

# アプリケーションの起動
if __name__ == "__main__":
    demo.launch()