import spaces # PHẢI import TRƯỚC mọi thứ trên HF Spaces ZeroGPU import os os.environ['SPACES_ZERO_GPU'] = '1' # Set environment variable explicitly import gradio as gr import soundfile as sf import tempfile import torch from vieneu_tts import VieNeuTTS import time print("⏳ Đang khởi động VieNeu-TTS...") # --- 1. SETUP MODEL --- print("📦 Đang tải model...") device = "cuda" if torch.cuda.is_available() else "cpu" print(f"🖥️ Sử dụng thiết bị: {device.upper()}") try: tts = VieNeuTTS( backbone_repo="pnnbao-ump/VieNeu-TTS", backbone_device=device, codec_repo="neuphonic/neucodec", codec_device=device ) print("✅ Model đã tải xong!") except Exception as e: print(f"⚠️ Không thể tải model (Chế độ UI Demo): {e}") class MockTTS: def encode_reference(self, path): return None def infer(self, text, ref, ref_text): import numpy as np # Giả lập độ trễ để test tính năng đo thời gian time.sleep(1.5) return np.random.uniform(-0.5, 0.5, 24000*3) tts = MockTTS() # --- 2. DATA --- VOICE_SAMPLES = { "Tuyên (nam miền Bắc)": {"audio": "./sample/Tuyên (nam miền Bắc).wav", "text": "./sample/Tuyên (nam miền Bắc).txt"}, "Vĩnh (nam miền Nam)": {"audio": "./sample/Vĩnh (nam miền Nam).wav", "text": "./sample/Vĩnh (nam miền Nam).txt"}, "Bình (nam miền Bắc)": {"audio": "./sample/Bình (nam miền Bắc).wav", "text": "./sample/Bình (nam miền Bắc).txt"}, "Nguyên (nam miền Nam)": {"audio": "./sample/Nguyên (nam miền Nam).wav", "text": "./sample/Nguyên (nam miền Nam).txt"}, "Sơn (nam miền Nam)": {"audio": "./sample/Sơn (nam miền Nam).wav", "text": "./sample/Sơn (nam miền Nam).txt"}, "Đoan (nữ miền Nam)": {"audio": "./sample/Đoan (nữ miền Nam).wav", "text": "./sample/Đoan (nữ miền Nam).txt"}, "Ngọc (nữ miền Bắc)": {"audio": "./sample/Ngọc (nữ miền Bắc).wav", "text": "./sample/Ngọc (nữ miền Bắc).txt"}, "Ly (nữ miền Bắc)": {"audio": "./sample/Ly (nữ miền Bắc).wav", "text": "./sample/Ly (nữ miền Bắc).txt"}, "Dung (nữ miền Nam)": {"audio": "./sample/Dung (nữ miền Nam).wav", "text": "./sample/Dung (nữ miền Nam).txt"} } # --- 3. HELPER FUNCTIONS --- def load_reference_info(voice_choice): if voice_choice in VOICE_SAMPLES: audio_path = VOICE_SAMPLES[voice_choice]["audio"] text_path = VOICE_SAMPLES[voice_choice]["text"] try: if os.path.exists(text_path): with open(text_path, "r", encoding="utf-8") as f: ref_text = f.read() return audio_path, ref_text else: return audio_path, "⚠️ Không tìm thấy file text mẫu." except Exception as e: return None, f"❌ Lỗi: {str(e)}" return None, "" @spaces.GPU(duration=120) def synthesize_speech(text, voice_choice, custom_audio, custom_text, mode_tab): try: if not text or text.strip() == "": return None, "⚠️ Vui lòng nhập văn bản cần tổng hợp!" # --- LOGIC CHECK LIMIT 250 --- if len(text) > 250: return None, f"❌ Văn bản quá dài ({len(text)}/250 ký tự)! Vui lòng cắt ngắn lại để đảm bảo chất lượng." # Logic chọn Reference if mode_tab == "custom_mode": if custom_audio is None or not custom_text: return None, "⚠️ Vui lòng tải lên Audio và nhập nội dung Audio đó." ref_audio_path = custom_audio ref_text_raw = custom_text print("🎨 Mode: Custom Voice") else: # Preset if voice_choice not in VOICE_SAMPLES: return None, "⚠️ Vui lòng chọn một giọng mẫu." ref_audio_path = VOICE_SAMPLES[voice_choice]["audio"] ref_text_path = VOICE_SAMPLES[voice_choice]["text"] if not os.path.exists(ref_audio_path): return None, f"❌ Không tìm thấy file audio: {ref_audio_path}" with open(ref_text_path, "r", encoding="utf-8") as f: ref_text_raw = f.read() print(f"🎤 Mode: Preset Voice ({voice_choice})") # Inference & Đo thời gian print(f"📝 Text: {text[:50]}...") start_time = time.time() ref_codes = tts.encode_reference(ref_audio_path) wav = tts.infer(text, ref_codes, ref_text_raw) end_time = time.time() process_time = end_time - start_time # Save with tempfile.NamedTemporaryFile(delete=False, suffix=".wav") as tmp_file: sf.write(tmp_file.name, wav, 24000) output_path = tmp_file.name return output_path, f"✅ Thành công! (Thời gian: {process_time:.2f}s)" except Exception as e: import traceback traceback.print_exc() return None, f"❌ Lỗi hệ thống: {str(e)}" # --- 4. UI SETUP --- theme = gr.themes.Soft( primary_hue="indigo", secondary_hue="cyan", neutral_hue="slate", font=[gr.themes.GoogleFont('Inter'), 'ui-sans-serif', 'system-ui'], ).set( button_primary_background_fill="linear-gradient(90deg, #6366f1 0%, #0ea5e9 100%)", button_primary_background_fill_hover="linear-gradient(90deg, #4f46e5 0%, #0284c7 100%)", block_shadow="0 4px 6px -1px rgba(0, 0, 0, 0.1), 0 2px 4px -1px rgba(0, 0, 0, 0.06)", ) css = """ .container { max-width: 1200px; margin: auto; } .header-box { text-align: center; margin-bottom: 25px; padding: 25px; background: linear-gradient(135deg, #0f172a 0%, #1e293b 100%); border-radius: 12px; border: 1px solid #334155; box-shadow: 0 10px 15px -3px rgba(0, 0, 0, 0.3); } .header-title { font-size: 2.5rem; font-weight: 800; color: white; background: -webkit-linear-gradient(45deg, #60A5FA, #22D3EE); -webkit-background-clip: text; -webkit-text-fill-color: transparent; margin-bottom: 10px; } .header-desc { font-size: 1.1rem; color: #cbd5e1; margin-bottom: 15px; } .link-group a { text-decoration: none; margin: 0 10px; font-weight: 600; color: #94a3b8; transition: color 0.2s; } .link-group a:hover { color: #38bdf8; text-shadow: 0 0 5px rgba(56, 189, 248, 0.5); } .status-box { font-weight: bold; text-align: center; border: none; background: transparent; } .warning-banner { background: linear-gradient(135deg, #fef3c7 0%, #fde68a 100%); border: 2px solid #f59e0b; border-radius: 8px; padding: 15px 20px; margin: 15px 0; box-shadow: 0 4px 6px rgba(0, 0, 0, 0.1); } .warning-banner-title { font-size: 1.1rem; font-weight: 700; color: #92400e; margin-bottom: 8px; display: flex; align-items: center; gap: 8px; } .warning-banner-content { color: #78350f; font-size: 0.95rem; line-height: 1.6; } .warning-banner-content strong { color: #92400e; font-weight: 600; } .warning-banner-content code { background: #fef3c7; padding: 2px 6px; border-radius: 3px; font-family: monospace; color: #92400e; font-weight: 500; } """ EXAMPLES_LIST = [ ["Về miền Tây không chỉ để ngắm nhìn sông nước hữu tình, mà còn để cảm nhận tấm chân tình của người dân nơi đây. Cùng ngồi xuồng ba lá len lỏi qua rặng dừa nước, nghe câu vọng cổ ngọt ngào thì còn gì bằng.", "Vĩnh (nam miền Nam)"], ["Hà Nội những ngày vào thu mang một vẻ đẹp trầm mặc và cổ kính đến lạ thường. Đi dạo quanh Hồ Gươm vào sáng sớm, hít hà mùi hoa sữa nồng nàn và thưởng thức chút cốm làng Vòng là trải nghiệm khó quên.", "Bình (nam miền Bắc)"], ["Sự bùng nổ của trí tuệ nhân tạo đang định hình lại cách chúng ta làm việc và sinh sống. Từ xe tự lái đến trợ lý ảo thông minh, công nghệ đang dần xóa nhòa ranh giới giữa thực tại và những bộ phim viễn tưởng.", "Tuyên (nam miền Bắc)"], ["Sài Gòn hối hả là thế, nhưng chỉ cần tấp vào một quán cà phê ven đường, gọi ly bạc xỉu đá và ngắm nhìn dòng người qua lại, bạn sẽ thấy thành phố này cũng có những khoảng lặng thật bình yên và đáng yêu.", "Nguyên (nam miền Nam)"], ["Ngày xửa ngày xưa, ở một ngôi làng nọ có cô Tấm xinh đẹp, nết na nhưng sớm mồ côi mẹ. Dù bị mẹ kế và Cám hãm hại đủ đường, Tấm vẫn giữ được tấm lòng lương thiện và cuối cùng tìm được hạnh phúc xứng đáng.", "Đoan (nữ miền Nam)"], ["Dạ em chào anh chị, hiện tại bên em đang có chương trình ưu đãi đặc biệt cho căn hộ hướng sông này. Với thiết kế hiện đại và không gian xanh mát, đây chắc chắn là tổ ấm lý tưởng mà gia đình mình đang tìm kiếm.", "Ly (nữ miền Bắc)"], ] with gr.Blocks(theme=theme, css=css, title="VieNeu-TTS Studio") as demo: with gr.Column(elem_classes="container"): # Header gr.HTML("""
🦜 VieNeu-TTS Studio
Phiên bản: VieNeu-TTS (model mới nhất, train trên 1000 giờ dữ liệu)
🤗 Model Card • 📖 Dataset 1000h • 🦜 GitHub
""") # Performance Warning Banner gr.HTML("""
⚠️ Lưu ý về hiệu năng
Demo này chạy trên HF Spaces với ZeroGPU (shared GPU) nên tốc độ sẽ chậm hơn và bị giới hạn 250 ký tự vì không thể triển khai lmdeploy trên HF space.

💡 Muốn tốc độ cực nhanh và không giới hạn ký tự? Hãy clone mã nguồn từ GitHub và cài lmdeploy để chạy trên GPU của bạn:
🚀 Với LMDeploy + GPU local, tốc độ sẽ nhanh hơn 5-10 lần so với demo này!
""") with gr.Row(elem_classes="container", equal_height=False): # --- LEFT: INPUT --- with gr.Column(scale=3, variant="panel"): gr.Markdown("### 📝 Văn bản đầu vào") text_input = gr.Textbox( label="Nhập văn bản", placeholder="Nhập nội dung tiếng Việt cần chuyển thành giọng nói...", lines=4, value="Sự bùng nổ của trí tuệ nhân tạo đang định hình lại cách chúng ta làm việc và sinh sống. Từ xe tự lái đến trợ lý ảo thông minh, công nghệ đang dần xóa nhòa ranh giới giữa thực tại và những bộ phim viễn tưởng.", show_label=False ) # Counter with gr.Row(): char_count = gr.HTML("
0 / 250 ký tự
") gr.Markdown("### 🗣️ Chọn giọng đọc") with gr.Tabs() as tabs: with gr.TabItem("👤 Giọng có sẵn (Preset)", id="preset_mode"): voice_select = gr.Dropdown( choices=list(VOICE_SAMPLES.keys()), value="Tuyên (nam miền Bắc)", label="Danh sách giọng", interactive=True ) with gr.Accordion("Thông tin giọng mẫu", open=False): ref_audio_preview = gr.Audio(label="Audio mẫu", interactive=False, type="filepath") ref_text_preview = gr.Markdown("...") with gr.TabItem("🎙️ Giọng tùy chỉnh (Custom)", id="custom_mode"): gr.Markdown("Tải lên giọng của bạn (Zero-shot Cloning)") custom_audio = gr.Audio(label="File ghi âm (.wav)", type="filepath") custom_text = gr.Textbox(label="Nội dung ghi âm", placeholder="Nhập chính xác lời thoại...") current_mode = gr.State(value="preset_mode") btn_generate = gr.Button("Tổng hợp giọng nói", variant="primary", size="lg") # --- RIGHT: OUTPUT --- with gr.Column(scale=2): gr.Markdown("### 🎧 Kết quả") with gr.Group(): audio_output = gr.Audio(label="Audio đầu ra", type="filepath", autoplay=True) status_output = gr.Textbox(label="Trạng thái", show_label=False, elem_classes="status-box", placeholder="Sẵn sàng...") # --- EXAMPLES --- with gr.Row(elem_classes="container"): with gr.Column(): gr.Markdown("### 📚 Ví dụ mẫu") gr.Examples(examples=EXAMPLES_LIST, inputs=[text_input, voice_select], label="Thử nghiệm nhanh") # --- LOGIC --- def update_count(text): l = len(text) if l > 250: color = "#dc2626" msg = f"⚠️ {l} / 250 - Quá giới hạn!" elif l > 200: color = "#ea580c" msg = f"{l} / 250" else: color = "#64748B" msg = f"{l} / 250 ký tự" return f"
{msg}
" text_input.change(update_count, text_input, char_count) def update_ref_preview(voice): audio, text = load_reference_info(voice) return audio, f"> *\"{text}\"*" voice_select.change(update_ref_preview, voice_select, [ref_audio_preview, ref_text_preview]) demo.load(update_ref_preview, voice_select, [ref_audio_preview, ref_text_preview]) # Tab handling def set_preset_mode(): return "preset_mode" def set_custom_mode(): return "custom_mode" tabs.children[0].select(fn=set_preset_mode, outputs=current_mode) tabs.children[1].select(fn=set_custom_mode, outputs=current_mode) btn_generate.click( fn=synthesize_speech, inputs=[text_input, voice_select, custom_audio, custom_text, current_mode], outputs=[audio_output, status_output] ) if __name__ == "__main__": demo.queue().launch( server_name="0.0.0.0", server_port=7860 )