app.py

import gradio as gr
from TTS.api import TTS

model_id = "tts_models/multilingual/multi-dataset/xtts_v1"
device = "cuda"

tts = TTS(model_id)
tts.to(device)


def predict(prompt, audio_file_pth):
    
    tts.tts_to_file(
        text=prompt,
        file_path="output.wav",
        speaker_wav=audio_file_pth,
        language="es"
    )

    return (
        gr.make_waveform(
            audio="output.wav",
        ),
        "output.wav",
    )


title = "Coqui 🐸 XTTS - Spanish Demo"

description = """
<a href="https://huggingface.co/coqui/XTTS-v1">XTTS</a> es un modelo de generación de voz que te permite clonar voces en diferentes idiomas usando solo un clip de audio rápido de 3 segundos.
<br/>
Construido sobre Tortoise, XTTS ha sufrido cambios importantes en el modelo que facilitan la clonación de voz entre idiomas y la generación de voz multilingüe.
<br/>
Este es el mismo modelo que alimenta Coqui Studio y Coqui API, sin embargo, aplicamos algunos trucos para hacerlo más rápido y soportar inferencia en streaming.
<br/>
<br/>
"""


article = """
<div style='margin:20px auto;'>
<p>By using this demo you agree to the terms of the Coqui Public Model License at https://coqui.ai/cpml</p>
</div>
"""

gr.Interface(
    fn=predict,
    inputs=[
        gr.Textbox(
            label="Texto",
            info="Una o dos frases es suficiente-",
            value="Clibrain es una empresa que desarrolla soluciones basadas en inteligencia artificial en español.",
        ),
        gr.Audio(
            label="Audio de referencia",
            info="Haz clic en el botón ✎ para subir tu propio audio o del hablante objetivo",
            type="filepath",
            #value="examples/female_es.wav",
        ),
    ],
    outputs=[
        gr.Video(label="Waveform Visual"),
        gr.Audio(label="Synthesised Audio"),
    ],
    title=title,
    description=description,
    article=article,
    #examples=examples,
).queue().launch(debug=True)