Push version 1 F5-TTS-Vietnamese-100h spaces

app.py

@@ -0,0 +1,89 @@
+import gradio as gr
+from cached_path import cached_path
+import tempfile
+from vinorm import TTSnorm
+
+from f5_tts.model import DiT
+from f5_tts.infer.utils_infer import (
+    preprocess_ref_audio_text,
+    load_vocoder,
+    load_model,
+    infer_process,
+    save_spectrogram,
+)
+
+def post_process(text):
+    text = " " + text + " "
+    text = text.replace(" . . ", " . ")
+    text = " " + text + " "
+    text = text.replace(" .. ", " . ")
+    text = " " + text + " "
+    text = text.replace(" , , ", " , ")
+    text = " " + text + " "
+    text = text.replace(" ,, ", " , ")
+    return " ".join(text.split())
+
+# Load models
+vocoder = load_vocoder()
+model = load_model(
+    DiT,
+    dict(dim=1024, depth=22, heads=16, ff_mult=2, text_dim=512, conv_layers=4),
+    ckpt_path=str(cached_path("hf://hynt/F5-TTS-Vietnamese-100h/model_350000.pt")),
+    vocab_file=str(cached_path("hf://hynt/F5-TTS-Vietnamese-100h/vocab.txt")),
+)
+
+def infer_tts(ref_audio_orig: str, gen_text: str, speed: float = 1.0, request: gr.Request = None):
+
+    if not ref_audio_orig:
+        raise gr.Error("Vui lòng tải lên tệp âm thanh mẫu.")
+    if not gen_text.strip():
+        raise gr.Error("Vui lòng nhập nội dung cần sinh giọng.")
+    if len(gen_text.split()) > 1000:
+        raise gr.Error("Vui lòng nhập nội dung cần sinh giọng nhỏ hơn 100 từ.")
+    
+    try:
+        ref_audio, ref_text = preprocess_ref_audio_text(ref_audio_orig, "")
+        final_wave, final_sample_rate, spectrogram = infer_process(
+            ref_audio, ref_text, post_process(TTSnorm(gen_text)), model, vocoder, speed=speed
+        )
+        with tempfile.NamedTemporaryFile(suffix=".png", delete=False) as tmp_spectrogram:
+            spectrogram_path = tmp_spectrogram.name
+            save_spectrogram(spectrogram, spectrogram_path)
+
+        return (final_sample_rate, final_wave), spectrogram_path
+    except Exception as e:
+        raise gr.Error(f"Lỗi khi sinh giọng: {e}")
+
+# Gradio UI
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("""
+    # 🎤 F5-TTS: Tổng hợp giọng nói Tiếng Việt.
+    # Mô hình được huấn luyện 350.000 steps với bộ dữ liệu khoảng 100h trên 1 GPU RTX 3090. 
+    Nhập văn bản và tải lên một mẫu giọng để tạo âm thanh tự nhiên.
+    """)
+    
+    with gr.Row():
+        ref_audio = gr.Audio(label="🔊 Mẫu giọng", type="filepath")
+        gen_text = gr.Textbox(label="📝 Văn bản", placeholder="Nhập nội dung cần sinh giọng...", lines=3)
+    
+    speed = gr.Slider(0.3, 2.0, value=1.0, step=0.1, label="⚡ Tốc độ")
+    btn_synthesize = gr.Button("🔥 Sinh giọng")
+    
+    with gr.Row():
+        output_audio = gr.Audio(label="🎧 Âm thanh tạo ra", type="numpy")
+        output_spectrogram = gr.Image(label="📊 Spectrogram")
+    
+    model_limitations = gr.Textbox(
+        value="""1. Mô hình có thể hoạt động không tốt với các ký tự số, ngày tháng, ký tự đặc biệt, ... => cần bổ sung thêm một module text normalization (chuẩn hoá text).
+2. Nhịp điệu của một số audio có thể chưa được mạch lạc, giật cục.
+3. Audio reference text sử dụng model whisper-large-v3-turbo nên sẽ có một vài trường hợp không nhận diện chính xác Tiếng Việt, dẫn đến kết quả tổng hợp giọng nói rất tệ.
+4. Checkpoint của mô hình hiện tại dừng lại ở khoảng step thứ 350.000, được huấn luyện với 100 giờ dữ liệu public.""", 
+        label="❗ Hạn chế của mô hình",
+        lines=4,
+        interactive=False
+    )
+
+    btn_synthesize.click(infer_tts, inputs=[ref_audio, gen_text, speed], outputs=[output_audio, output_spectrogram])
+
+# Chạy Gradio với share=True để có link gradio.live
+demo.queue().launch()

packages.txt

@@ -0,0 +1,5 @@
+ffmpeg
+sox
+cmake
+gcc
+g++

requirements.txt

@@ -0,0 +1,2 @@
+f5-tts
+vinorm