Update app.py

app.py

@@ -70,26 +70,38 @@ def resolve_audio_prompt(language_id: str, provided_path: str | None) -> str | N
     return LANGUAGE_CONFIG.get(language_id, {}).get("audio")
 
 
-# ============================
-#  SMART CHUNKING (TỐI ƯU)
-# ============================
+# ===========================================================
+#              ⭐ THÊM HÀM NGẮT NGHỈ TỰ NHIÊN ⭐
+# ===========================================================
 
-def smart_chunk_text(text: str, max_chars: int = 500) -> list[str]:
+def natural_pause_text(text: str) -> str:
     """
-    Chia text thành các đoạn (chunk) ngắn:
-    - Ưu tiên tách theo câu.
-    - Nếu câu quá dài thì tách tiếp theo từ.
-    - Gộp nhiều câu nhỏ vào 1 chunk để giảm số lần gọi model.
+    Thêm ngắt nghỉ tự nhiên để AI phát âm giống người thật.
+    - '...' = nghỉ dài
+    - '…'  = nghỉ ngắn
     """
-    # Normalize khoảng trắng
+    # Nghỉ dài sau dấu kết câu
+    text = re.sub(r"([\.!\?])\s+", r"\1 ... ", text)
+
+    # Nghỉ ngắn sau dấu phẩy
+    text = re.sub(r"(,)\s+", r"\1 … ", text)
+
+    return text.strip()
+
+
+# ===========================================================
+#                   SMART CHUNKING
+# ===========================================================
+
+def smart_chunk_text(text: str, max_chars: int = 500) -> list[str]:
+
     text = re.sub(r"\s+", " ", text.strip())
     if not text:
         return []
     if len(text) <= max_chars:
         return [text]
 
-    # Hỗ trợ nhiều dấu câu đa ngôn ngữ: . ! ? … ؟ ، : ؛ ।
-    sentences = re.split(r'(?<=[\.!\?…؟،:؛।])\s+', text)
+    sentences = re.split(r'(?<=[\.!\?…])\s+', text)
 
     chunks: list[str] = []
     current = ""
@@ -99,26 +111,10 @@ def smart_chunk_text(text: str, max_chars: int = 500) -> list[str]:
         if not sent:
             continue
 
-        # Nếu bản thân câu đã dài hơn max_chars -> chia mềm theo từ
-        if len(sent) > max_chars:
-            words = sent.split()
-            temp = ""
-            for w in words:
-                if len(temp) + len(w) + 1 > max_chars:
-                    if temp:
-                        chunks.append(temp.strip())
-                    temp = ""
-                temp += w + " "
-            if temp:
-                chunks.append(temp.strip())
-            continue
-
-        # Nếu gộp thêm câu mà vẫn không vượt max_chars -> gộp chung
         if len(current) + len(sent) + 1 <= max_chars:
             current += sent + " "
         else:
-            if current:
-                chunks.append(current.strip())
+            chunks.append(current.strip())
             current = sent + " "
 
     if current:
@@ -127,45 +123,32 @@ def smart_chunk_text(text: str, max_chars: int = 500) -> list[str]:
     return [c for c in chunks if c]
 
 
-def concat_audio_torch(chunks: list[torch.Tensor],
-                       crossfade_ms: int = 10,
-                       sr: int = 24000) -> torch.Tensor:
+# ===========================================================
+#     ⭐ HÀM GHÉP AUDIO CÓ CHÈN KHOẢNG LẶNG GIỐNG NGƯỜI ⭐
+# ===========================================================
+
+def concat_audio_with_pause(chunks, pause_ms: int = 220, sr: int = 24000):
     """
-    Nối nhiều đoạn audio (1D tensor) bằng crossfade nhẹ để tránh tiếng "click".
+    Chèn khoảng lặng (pause) tự nhiên giữa các câu/chunk.
     """
     if not chunks:
         return torch.empty(0)
 
-    if len(chunks) == 1 or crossfade_ms <= 0:
-        return torch.cat(chunks, dim=-1)
-
-    output = chunks[0]
-    crossfade = int(crossfade_ms * sr / 1000)
+    silence = torch.zeros(int(sr * pause_ms / 1000))
+    output = []
 
-    for i in range(1, len(chunks)):
-        a = output
-        b = chunks[i]
+    for i, ch in enumerate(chunks):
+        output.append(ch)
+        # chèn pause giữa các câu
+        if i < len(chunks) - 1:
+            output.append(silence.clone())
 
-        # Đảm bảo crossfade không lớn hơn độ dài đoạn
-        cf = min(crossfade, a.shape[-1], b.shape[-1])
-        if cf <= 0:
-            output = torch.cat([a, b], dim=-1)
-            continue
-
-        fade_out = torch.linspace(1.0, 0.0, steps=cf, device=a.device, dtype=a.dtype)
-        fade_in = torch.linspace(0.0, 1.0, steps=cf, device=b.device, dtype=b.dtype)
-
-        a_tail = a[..., -cf:] * fade_out
-        b_head = b[..., :cf] * fade_in
+    return torch.cat(output, dim=-1)
 
-        mixed = a_tail + b_head
-        a_main = a[..., :-cf]
-        b_rest = b[..., cf:]
-
-        output = torch.cat([a_main, mixed, b_rest], dim=-1)
-
-    return output
 
+# ===========================================================
+#                       TTS GENERATE
+# ===========================================================
 
 @spaces.GPU
 def generate_tts_audio(
@@ -182,55 +165,46 @@ def generate_tts_audio(
     if current_model is None:
         raise RuntimeError("TTS model not loaded.")
 
-    # --- SEED LOGIC ---
     if seed_num_input == 0:
         seed_num_input = random.randint(1, 2**32 - 1)
-        print(f"🌱 Random seed generated: {seed_num_input}")
-    else:
-        print(f"🌱 Using provided seed: {seed_num_input}")
-
     set_seed(int(seed_num_input))
 
+    # ⭐ Thêm ngắt nghỉ vào TEXT
+    text_input = natural_pause_text(text_input)
+
     chosen_prompt = audio_prompt_path_input or default_audio_for_ui(language_id)
     generate_kwargs = {
         "exaggeration": exaggeration_input,
         "temperature": temperature_input,
         "cfg_weight": cfgw_input,
+        "audio_prompt_path": chosen_prompt
     }
-    if chosen_prompt:
-        generate_kwargs["audio_prompt_path"] = chosen_prompt
 
-    # 💡 DÙNG SMART CHUNKING TỐI ƯU
     chunks = smart_chunk_text(text_input, max_chars=500)
-    print(f"📚 Total chunks: {len(chunks)}")
-
     all_audio: list[torch.Tensor] = []
 
-    for idx, chunk in enumerate(chunks, start=1):
-        print(f"🎧 Rendering chunk {idx}/{len(chunks)} (len={len(chunk)} chars)")
+    for chunk in chunks:
         wav = current_model.generate(chunk, language_id=language_id, **generate_kwargs)
         all_audio.append(wav.squeeze(0).cpu())
 
-    # 🔗 NỐI AUDIO VỚI CROSSFADE NHẸ
-    final_audio = concat_audio_torch(
+    # ⭐ Ghép audio có PAUSE giống người
+    final_audio = concat_audio_with_pause(
         all_audio,
-        crossfade_ms=12,
+        pause_ms=230,              # Điều chỉnh độ tự nhiên tại đây
         sr=current_model.sr
     )
 
-    # RETURN AUDIO + SEED
     return (current_model.sr, final_audio.numpy()), str(seed_num_input)
 
 
-
-# ============================
-#  GRADIO UI
-# ============================
+# ===========================================================
+#                       GRADIO UI
+# ===========================================================
 
 with gr.Blocks() as demo:
     gr.Markdown("""
-    # 🎙️ Multi Language Realistic Voice Cloner
-    Generate long-form multilingual speech with reference audio styling and smart chunking (crossfaded).
+    # 🎙️ Multi Language Realistic Voice Cloner  
+    Now with **Natural Human Pausing System** (Text + Audio Pause)
     """)
 
     gr.Markdown(get_supported_languages_display())
@@ -238,22 +212,16 @@ with gr.Blocks() as demo:
     with gr.Row():
         with gr.Column():
             initial_lang = "en"
-            text = gr.Textbox(
-                value=default_text_for_ui(initial_lang),
-                label="Text to synthesize",
-                lines=8
-            )
+            text = gr.Textbox(value=default_text_for_ui(initial_lang), label="Text to synthesize", lines=8)
             language_id = gr.Dropdown(
                 choices=list(ChatterboxMultilingualTTS.get_supported_languages().keys()),
                 value=initial_lang,
                 label="Language"
             )
-            ref_wav = gr.Audio(
-                sources=["upload", "microphone"],
-                type="filepath",
-                label="Reference Audio (Optional)",
-                value=default_audio_for_ui(initial_lang)
-            )
+            ref_wav = gr.Audio(sources=["upload","microphone"], type="filepath",
+                               label="Reference Audio (Optional)",
+                               value=default_audio_for_ui(initial_lang))
+
             exaggeration = gr.Slider(0.25, 2, step=.05, label="Exaggeration", value=.5)
             cfg_weight = gr.Slider(0.2, 1, step=.05, label="CFG Weight", value=0.5)
 
@@ -263,7 +231,6 @@ with gr.Blocks() as demo:
 
             run_btn = gr.Button("Generate", variant="primary")
 
-        # OUTPUT COLUMN
         with gr.Column():
             audio_output = gr.Audio(label="Output Audio")
             seed_output = gr.Textbox(label="Seed Used", interactive=False)
@@ -274,15 +241,13 @@ with gr.Blocks() as demo:
         language_id.change(
             fn=on_lang_change,
             inputs=[language_id, ref_wav, text],
-            outputs=[ref_wav, text],
-            show_progress=False
+            outputs=[ref_wav, text]
         )
 
-    # CONNECT BUTTON
     run_btn.click(
         fn=generate_tts_audio,
         inputs=[text, language_id, ref_wav, exaggeration, temp, seed_num, cfg_weight],
-        outputs=[audio_output, seed_output],
+        outputs=[audio_output, seed_output]
     )
 
 demo.launch(mcp_server=True, share=True)