app.py

import os
import gradio as gr
from gradio_client import Client, handle_file
import shutil
from groq import Groq

groq_client = Groq()

def run_tts(ref_audio_file, ref_text, gen_text):
    """
    调用 TTS 模型并保存结果
    """
    try:
        if ref_audio_file is None:
            return "请上传参考音频文件。", None  # 返回错误消息和None
        
        ref_audio_path = ref_audio_file.name  # 获取上传文件的路径

        # 初始化客户端，不使用 token
        client = Client("abidlabs/E2-F5-TTS")

        # 调用 /infer 端点
        print("调用 /infer 端点...")
        result = client.predict(
            ref_audio_orig=handle_file(ref_audio_path),  # 使用上传的音频文件
            ref_text=ref_text,
            gen_text=gen_text,
            exp_name="F5-TTS",
            remove_silence=False,
            cross_fade_duration=0.15,
            api_name="/infer"
        )
        print("infer端点返回结果:", result)

        # 处理返回结果，将文件保存到当前目录
        output_file = None
        if isinstance(result, tuple):
            for item in result:
                if isinstance(item, str) and item.lower().endswith(".wav"):
                    if os.path.exists(item): # 确保item是一个文件路径且存在
                       # 获取文件名
                        filename = os.path.basename(item)
                        # 构造新的保存路径，保持在当前目录
                        new_path = os.path.join(".", filename)
                        # 复制文件到新路径
                        shutil.copy2(item, new_path)
                        print(f"音频文件 '{filename}' 已保存到: {new_path}")
                        output_file = new_path
                        break #只保留一个音频文件路径
                    else:
                      print(f"文件路径不存在，跳过: {item}")
                elif isinstance(item,str):
                     print(f"跳过非音频文件: {item}")
        elif isinstance(result, str) and result.lower().endswith(".wav"):
              if os.path.exists(result):
                    # 获取文件名
                  filename = os.path.basename(result)
                    # 构造新的保存路径，保持在当前目录
                  new_path = os.path.join(".", filename)
                    # 复制文件到新路径
                  shutil.copy2(result, new_path)
                  print(f"音频文件 '{filename}' 已保存到: {new_path}")
                  output_file = new_path
              else:
                  print(f"文件路径不存在，跳过: {result}")
        elif isinstance(result,str):
           print(f"跳过非音频文件: {result}")
        else:
            print(f"跳过非字符串/元组类型的返回值: {result}")
        
        if output_file:
            return output_file , ref_text # 返回音频文件路径字符串和修改后的参考文本
        else:
            return "未生成音频文件。", ref_text # 返回错误提示和修改后的参考文本
    except FileNotFoundError as e:
         return f"发生错误：{e}", ref_text
    except Exception as e:
         return f"发生未知错误：{e}", ref_text


def transcribe_audio(audio_file):
     """
     使用 Groq 进行语音识别
     """
     try:
        if audio_file is None:
            return "请上传参考音频文件。", None
        
        audio_path = audio_file.name
        with open(audio_path, "rb") as file:
            transcription = groq_client.audio.transcriptions.create(
            file=(audio_path, file.read()),
            model="whisper-large-v3-turbo",
            language="zh",
            )
        return transcription.text, audio_file # 返回识别文本和音频文件
     except Exception as e:
        return f"语音识别失败: {e}", None
    

def update_ref_text(audio_file, ref_text_box):
    """
    语音识别并更新参考文本
    """
    transcribed_text, audio_file = transcribe_audio(audio_file)
    return transcribed_text, audio_file
    

with gr.Blocks(title="快速语音合成") as iface:
    gr.Markdown("上传参考语音和输入参考及生成文本，生成相应的语音。")
    ref_audio_input = gr.File(file_types=["audio"], label="参考语音 (上传音频自动识别)")
    ref_text_input = gr.Textbox(label="参考语言 (文本)")
    gen_text_input = gr.Textbox(label="生成语言 (文本)")
    
    audio_output = gr.Audio(label="生成的语音 (下载)")
    
    ref_audio_input.upload(
        update_ref_text,
        inputs=[ref_audio_input, ref_text_input],
        outputs=[ref_text_input, ref_audio_input]
    )


    btn = gr.Button("合成")
    btn.click(
      run_tts,
      inputs=[ref_audio_input, ref_text_input, gen_text_input],
      outputs=[audio_output,ref_text_input],
   )
    
if __name__ == "__main__":
    iface.launch(share=True)