# 🚀 คู่มือการ Deploy F5-TTS Thai WebUI

## วิธีการ Deploy ไป Hugging Face Spaces

### ขั้นตอนที่ 1: เตรียม Account และ Repository

1. **สร้าง Hugging Face Account** (ถ้ายังไม่มี)
   - ไปที่ https://huggingface.co/join
   - สร้าง account ฟรี

2. **สร้าง Space ใหม่**
   - ไปที่ https://huggingface.co/new-space
   - ตั้งชื่อ Space (เช่น `f5-tts-thai`)
   - เลือก SDK: **Gradio**
   - เลือก Hardware: **CPU basic** (ฟรี) หรือ **GPU** (ต้องเสียเงิน)

### ขั้นตอนที่ 2: Upload โค้ด

**วิธีที่ 1: ใช้ Git (แนะนำ)**

```bash
# Clone repository ที่สร้างจาก HF Spaces
git clone https://huggingface.co/spaces/YOUR_USERNAME/f5-tts-thai
cd f5-tts-thai

# คัดลอกไฟล์จากโปรเจ็กต์ของคุณ
cp -r /path/to/F5-TTS-THAI/src .
cp /path/to/F5-TTS-THAI/app.py .
cp /path/to/F5-TTS-THAI/requirements.txt .

# สร้าง README.md จาก README_DEPLOYMENT.md
cp /path/to/F5-TTS-THAI/README_DEPLOYMENT.md README.md

# Commit และ push
git add .
git commit -m "Initial deployment"
git push
```

**วิธีที่ 2: อัปโหลดผ่าน Web Interface**

1. ไปที่ Space ที่คุณสร้าง
2. คลิก "Files and versions"
3. อัปโหลดไฟล์ทีละไฟล์:
   - `app.py`
   - `requirements.txt`
   - `README.md` (จาก README_DEPLOYMENT.md)
   - โฟลเดอร์ `src/` ทั้งหมด

### ขั้นตอนที่ 3: ตรวจสอบการ Deploy

1. **รอการ Build**
   - Hugging Face จะ build app อัตโนมัติ
   - ดู logs ได้ที่ "Logs" tab

2. **ทดสอบ App**
   - เมื่อ build สำเร็จ จะแสดง URL ของ app
   - ทดสอบ functionality ต่างๆ

### ขั้นตอนที่ 4: Configuration ขั้นสูง

**เปิดใช้งาน GPU (ต้องเสียเงิน)**

```yaml
# ใน README.md header
---
title: F5-TTS Thai
emoji: 🎤
colorFrom: blue
colorTo: purple
sdk: gradio
sdk_version: 4.44.0
app_file: app.py
pinned: false
license: mit
python_version: 3.10
hardware: gpu-t4-small  # เปลี่ยนจาก cpu-basic
---
```

**ปรับแต่ง Environment Variables**

ใน Space settings เพิ่ม variables:
- `CUDA_VISIBLE_DEVICES=0` (สำหรับ GPU)
- `TRANSFORMERS_CACHE=/tmp` (เพื่อประหยัด storage)

## วิธีการ Deploy ไป Gradio.app

### ขั้นตอนที่ 1: สร้าง Account

1. ไปที่ https://gradio.app
2. สร้าง account และ login

### ขั้นตอนที่ 2: Deploy

```bash
# ติดตั้ง gradio
pip install gradio

# Upload app
python app.py --share
```

## การ Optimize สำหรับ Production

### 1. ลดขนาด Model

```python
# ใน config.py เปลี่ยนเป็น
DEFAULT_MODEL_BASE = "hf://VIZINTZOR/F5-TTS-THAI/model_650000_FP16.pt"  # ใช้ FP16
```

### 2. เพิ่ม Caching

```python
# ใน model_manager.py
@lru_cache(maxsize=1)
def get_cached_model():
    return load_model(...)
```

### 3. ปรับแต่ง Memory Usage

```python
# ใน app.py
import torch
torch.set_num_threads(2)  # ลด CPU threads
```

### 4. เพิ่ม Error Handling

```python
# ใน app.py
import gc
import torch

def cleanup_memory():
    gc.collect()
    if torch.cuda.is_available():
        torch.cuda.empty_cache()
```

## Troubleshooting

### ปัญหา: Out of Memory

**แก้ไข:**
```python
# ใช้โมเดล FP16
# ลด NFE steps
# เพิ่ม memory cleanup
```

### ปัญหา: Slow Loading

**แก้ไข:**
```python
# Pre-load models
# ใช้ model caching
# ปรับ CPU/GPU settings
```

### ปัญหา: Import Errors

**แก้ไข:**
```python
# ตรวจสอบ requirements.txt
# เพิ่ม try-except สำหรับ imports
# ใช้ fallback interface
```

## การ Monitor และ Maintain

### 1. ดู Logs

```bash
# ดู logs ของ HF Spaces
# Monitor memory usage
# ตรวจสอบ error rates
```

### 2. Update App

```bash
# git pull latest changes
# test locally first
# deploy gradually
```

### 3. Scale Up/Down

```bash
# เปลี่ยน hardware specs
# ปรับ concurrent users
# optimize model loading
```

## Security Considerations

### 1. Input Validation

```python
def validate_audio_input(audio_file):
    # ตรวจสอบขนาดไฟล์
    # ตรวจสอบรูปแบบไฟล์
    # จำกัดความยาวเสียง
```

### 2. Rate Limiting

```python
import time
from functools import wraps

def rate_limit(calls_per_minute=10):
    # implement rate limiting
```

### 3. Content Filtering

```python
def filter_inappropriate_content(text):
    # กรองเนื้อหาที่ไม่เหมาะสม
    # ตรวจสอบ spam
```

## Cost Optimization

### Free Tier (CPU)
- **ข้อจำกัด**: ช้า, memory จำกัด
- **เหมาะสำหรับ**: demo, testing

### GPU Tier (T4/A10G)
- **ราคา**: ~$0.60-3.00/ชั่วโมง
- **เหมาะสำหรับ**: production, fast inference

### Tips ประหยัดค่าใช้จ่าย
1. ใช้ CPU สำหรับ development
2. เปิด GPU เฉพาะเวลาที่ต้องการ
3. ใช้ auto-shutdown
4. Monitor usage regularly

## สรุป

การ deploy F5-TTS Thai WebUI ไป cloud platforms ทำได้ง่ายและมีหลายทางเลือก:

✅ **Hugging Face Spaces**: ง่าย, มี free tier  
✅ **Gradio.app**: รวดเร็ว, เหมาะสำหรับ quick demos  
✅ **Cloud Platforms**: AWS, GCP, Azure สำหรับ enterprise  

เลือกตามความต้องการและงบประมาณของคุณ! 🚀