app.py

import gradio as gr
from transformers import AutoModelForTextToSpeech, AutoTokenizer
import soundfile as sf
import torch
import os

# 加载模型和Tokenizer（自动下载SoulX模型，首次构建会慢一点）
model_name = "Soul-AILab/SoulX-Podcast-1.7B"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTextToSpeech.from_pretrained(
    model_name,
    torch_dtype=torch.float16,  # 适配GPU，无GPU会自动切换CPU
    device_map="auto"  # 自动分配运行设备
)

# 语音生成函数（对接Gradio界面）
def generate_speech(text):
    if not text.strip():
        return None, "错误：请输入有效文本！"
    
    # 文本编码（模型要求的格式）
    inputs = tokenizer(text, return_tensors="pt").to(model.device)
    
    # 生成音频（核心逻辑）
    with torch.no_grad():  # 关闭梯度计算，节省内存
        audio_output = model.generate(**inputs)
    
    # 保存音频文件（临时存储，Gradio会自动读取）
    output_path = "output.wav"
    sf.write(output_path, audio_output[0].cpu().numpy(), samplerate=24000)
    
    return output_path, "语音生成成功！"

# 构建Gradio界面（可视化操作面板）
with gr.Blocks(title="SoulX-Podcast-1.7B 中英双语TTS") as demo:
    gr.Markdown("# 🎤 SoulX-Podcast-1.7B 文本转语音")
    gr.Markdown("支持中英双语输入，生成自然流畅的语音（采样率24000Hz）")
    
    with gr.Row():
        # 文本输入框
        text_input = gr.Textbox(
            label="输入文本",
            placeholder="请输入要转换的文本（建议≤500字），支持中英双语...",
            lines=5
        )
        # 音频输出框
        audio_output = gr.Audio(label="生成的语音", type="filepath")
    
    # 状态提示框
    status_text = gr.Textbox(label="状态", interactive=False)
    
    # 生成按钮
    generate_btn = gr.Button("🚀 开始生成", variant="primary")
    
    # 绑定按钮事件：点击后触发生成函数
    generate_btn.click(
        fn=generate_speech,
        inputs=text_input,
        outputs=[audio_output, status_text]
    )

# 启动应用（Hugging Face Space会自动运行）
if __name__ == "__main__":
    demo.launch()