Deploy MyanmarTTS ZeroGPU demo

README.md

@@ -4,10 +4,8 @@ emoji: 🎙️
 colorFrom: blue
 colorTo: green
 sdk: gradio
-sdk_version: 5.20.0
+sdk_version: 5.29.0
 app_file: app.py
 pinned: false
 license: cc0-1.0
 ---
-
-# MyanmarTTS ZeroGPU Demo

app.py

@@ -1,100 +1,54 @@
-import spaces  # MUST be first
-import os
+import spaces
 import tempfile
-import torch
 import soundfile as sf
 import gradio as gr
-from huggingface_hub import hf_hub_download
 
-from api import StableTTSAPI
-from text.burmese import burmese_to_ipa2
+_model = None
+_ref = None
 
-MODEL_REPO = "freococo/MyanmarTTS"
 
-print("[Space Startup] Downloading model weights...")
-model_path = hf_hub_download(repo_id=MODEL_REPO, filename="model_fp16.pt")
-vocos_path = hf_hub_download(repo_id=MODEL_REPO, filename="vocos.pt")
-default_ref = hf_hub_download(repo_id=MODEL_REPO, filename="samples/sample_0.wav")
+def _ensure_model():
+    global _model, _ref
+    if _model is None:
+        from myanmar_tts import MyanmarTTS
+        _model = MyanmarTTS(device="cuda")
+        _model._load()
+        _ref = _model._ref
 
-print("[Space Startup] Initializing StableTTSAPI...")
-device = "cuda" if torch.cuda.is_available() else "cpu"
-model = StableTTSAPI(model_path, vocos_path, "vocos").to(device)
-model.g2p_mapping["burmese"] = burmese_to_ipa2
-print("[Space Startup] Model ready!")
 
-
-@spaces.GPU(duration=30)
-def generate_speech(text, ref_audio, steps, solver, cfg):
+@spaces.GPU(duration=60)
+def generate_speech(text, step, cfg):
+    _ensure_model()
     if not text or not text.strip():
-        raise gr.Error("ကျေးဇူးပြု၍ မြန်မာစာသား ထည့်သွင်းပေးပါ (Please enter Burmese text).")
-
-    ref = ref_audio if ref_audio else default_ref
-
-    audio, _ = model.inference(
-        text=text.strip(),
-        ref_audio=ref,
-        language="burmese",
-        step=int(steps),
-        solver=solver,
-        cfg=float(cfg),
-    )
-
+        raise gr.Error("Please enter Burmese text.")
+    audio = _model.tts(text.strip(), solver="euler", step=int(step), cfg=float(cfg))
     tmp = tempfile.NamedTemporaryFile(suffix=".wav", delete=False)
-    sf.write(tmp.name, audio.squeeze(0).cpu().numpy(), 44100)
+    sf.write(tmp.name, audio, 44100)
     return tmp.name
 
 
 EXAMPLES = [
-    ["မြန်မာလူမျိုးများဟာ အလွန် ယဥ်ကျေးသိမ်မွေ့ပြီး ဧည့်သည်များကို ပျူပျူငှာငှာ လှိုက်လှိုက်လှဲလှဲနဲ့ ကြိုဆိုကြပါတယ်", 12, "euler", 3.0],
-    ["မင်္ဂလာပါရှင် ကျွန်မကတော့ မြန်မာလူမျိုး ကရင်တိုင်းရင်းသူ အမျိုးသမီးလေး တစ်ဦး ဖြစ်ပါတယ်", 12, "euler", 3.0],
-    ["ဒီနေ့ ကျွန်မတို့ရဲ့ တီတီအက်စ် စနစ်သစ်လေး မော်ဒယ်အသစ်လေးတစ်ခုကို အောင်မြင်စွာ လေ့ကျင့် သင်ကြားနိုင်ခဲ့ပါတယ်", 12, "euler", 3.0],
-    ["လူသားတိုင်း လူသားတိုင်း ကိုယ်စိတ်နှစ်ဖြာ ကျန်းမာရွှင်လန်းပြီး စီးပွားလာဘ်လာဘတွေ ဒီရေအလား ကြီးပွား တိုးတက်နိုင်ကြပါစေ", 12, "euler", 3.0],
-    ["ဒီအသံထုတ်စနစ်လေးကို အသုံးပြုသူတိုင်း ကျန်းမာချမ်းသာပြီး လိုရာဆန္ဒတွေ တလုံးတဝတည်း ပြည့်စုံနိုင်ကြပါစေ", 12, "euler", 3.0],
-    ["ဟယ်လို... ဒါလင်... မတွေ့ရတာ... ကြာပီနော်", 8, "euler", 3.0],
+    ["မင်္ဂလာပါ ကျွန်တော် မြန်မာ ဖြစ်ပါတယ်", 12, 3.0],
+    ["ဒီနေ့ ရာသီဥတု အလွန်ကောင်းမွန်ပါတယ်", 12, 3.0],
+    ["လူသားတွေ အားလုံးကို အရမ်း ချစ်ပါတယ်ရှင့်", 12, 3.0],
+    ["ဟယ်လို... ဒါလင်... မတွေ့ရတာ... ကြာပီနော်", 8, 3.0],
 ]
 
-with gr.Blocks(title="MyanmarTTS Demo") as demo:
-    gr.Markdown("""
-    # 🎙️ MyanmarTTS (မြန်မာ အသံထွက်စနစ်)
-    A from-scratch **31M parameter Burmese Text-to-Speech model** trained with Flow Matching and DiT.
-    - **Model Repository:** [freococo/MyanmarTTS](https://huggingface.co/freococo/MyanmarTTS)
-    - **License:** CC0 1.0 (Public Domain)
-    """)
-
+with gr.Blocks(title="MyanmarTTS") as demo:
+    gr.Markdown("# MyanmarTTS — Burmese TTS\n31M params, CC0 1.0")
     with gr.Row():
-        with gr.Column(scale=1):
-            text_input = gr.Textbox(
-                label="Burmese Text (မြန်မာစာ ထည့်ပါ)",
-                lines=4,
-                placeholder="ဒီမှာ မြ���်မာစာသား ရိုက်ထည့်ပါ...",
-            )
-            ref_input = gr.Audio(
-                label="Reference Voice (Leave empty for default voice)",
-                type="filepath",
-            )
+        with gr.Column():
+            text_input = gr.Textbox(label="Burmese Text", lines=4)
             with gr.Row():
-                steps_slider = gr.Slider(4, 32, value=12, step=4, label="ODE Steps")
-                solver_dropdown = gr.Dropdown(["euler", "dopri5", "midpoint"], value="euler", label="Solver")
-                cfg_slider = gr.Slider(1.0, 5.0, value=3.0, step=0.5, label="CFG Scale")
-
-            generate_btn = gr.Button("Generate Speech (အသံထုတ်မည်)", variant="primary")
-
-        with gr.Column(scale=1):
-            audio_output = gr.Audio(label="Synthesized Speech (ထွက်လာသည့်အသံ)", type="filepath")
-
-    gr.Examples(
-        examples=EXAMPLES,
-        inputs=[text_input, steps_slider, solver_dropdown, cfg_slider],
-        outputs=audio_output,
-        fn=generate_speech,
-        cache_examples=False,
-    )
-
-    generate_btn.click(
-        fn=generate_speech,
-        inputs=[text_input, ref_input, steps_slider, solver_dropdown, cfg_slider],
-        outputs=audio_output,
-    )
+                step_slider = gr.Slider(4, 32, value=12, step=4, label="Steps")
+                cfg_slider = gr.Slider(1.0, 5.0, value=3.0, step=0.5, label="CFG")
+            btn = gr.Button("Generate", variant="primary")
+        with gr.Column():
+            out = gr.Audio(label="Output", type="filepath")
+    gr.Examples(EXAMPLES, inputs=[text_input, step_slider, cfg_slider],
+                outputs=out, fn=generate_speech, cache_examples=False)
+    btn.click(fn=generate_speech,
+              inputs=[text_input, step_slider, cfg_slider], outputs=out)
 
 if __name__ == "__main__":
     demo.queue(max_size=20).launch()

requirements.txt

@@ -1,6 +1 @@
-torchdiffeq
-soundfile
-huggingface_hub
-unidecode
-pypinyin
-eng_to_ipa
+myanmartts>=1.0.3