app.py

import gradio as gr
import torch
# 使用 voxcpm 库中专属的类
from voxcpm import VoxCPM, VoxCPMFeatureExtractor
import scipy.io.wavfile
import os

# 检查是否有可用的 GPU，否则使用 CPU
device = "cuda" if torch.cuda.is_available() else "cpu"

# 模型 ID
model_id = "openbmb/VoxCPM-0.5B"

# 使用模型官方的 .from_pretrained 方法加载
model = VoxCPM.from_pretrained(model_id).to(device)
feature_extractor = VoxCPMFeatureExtractor.from_pretrained(model_id)

def generate_speech(text):
    """
    使用 VoxCPM 模型生成语音的函数。
    """
    if not text or text.strip() == "":
        return None

    # 使用模型自带的 generate 方法生成语音波形
    wav = model.generate(
        text=text,
        prompt_wav_path=None,
        prompt_text=None,
        cfg_value=2.0
    )

    # 从 feature_extractor 获取采样率
    sampling_rate = feature_extractor.sampling_rate

    # 确保波形数据是 CPU 上的 numpy 数组
    if isinstance(wav, torch.Tensor):
        wav = wav.cpu().numpy()

    # 将生成的波形保存为临时的 .wav 文件
    output_filename = "output.wav"
    scipy.io.wavfile.write(output_filename, rate=sampling_rate, data=wav)

    return output_filename

# 创建 Gradio 界面
iface = gr.Interface(
    fn=generate_speech,
    inputs=gr.Textbox(lines=5, label="输入文本", placeholder="在这里输入你想要转换为语音的中文或英文文本..."),
    outputs=gr.Audio(label="生成的语音"),
    title="🎙️ VoxCPM-0.5B 文本到语音转换",
    description="这是一个使用 openbmb/VoxCPM-0.5B 模型进行文本到语音合成的演示。",
    examples=[
        ["VoxCPM 是一个创新的端到端 TTS 模型，旨在生成高度富有表现力的语音。"],
        ["今天天气真不错，我们一起去散步吧！"],
        ["The quick brown fox jumps over the lazy dog."]
    ],
    allow_flagging="never"
)

# 启动 Gradio 应用
iface.launch()