File size: 5,636 Bytes
92c909e 4e82faa 92c909e 4e82faa 92c909e 4e82faa 92c909e 4e82faa 92c909e 4e82faa 92c909e 4e82faa 92c909e 4e82faa 92c909e 4e82faa 92c909e 4e82faa | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 | import os
import torch
import torchaudio
import gradio as gr
from TTS.api import TTS
# 1. إعداد البيئة والموافقة على شروط الاستخدام (مهم جداً لـ Hugging Face)
os.environ["COQUI_TOS_AGREED"] = "1"
os.environ["CUDA_VISIBLE_DEVICES"] = "" # إجبار النظام على تجاهل أي GPU إن وُجد خطأً
# 2. تحميل النموذج
# نستخدم كلاس TTS لأنه يتولى تحميل النموذج بأمان في مجلد الـ Cache الخاص بـ HF
print("جاري تحميل نموذج XTTS-v2 (قد يستغرق بضع دقائق عند أول تشغيل للسبيس)...")
device = "cpu"
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)
# استخراج النموذج الأساسي للتحكم العميق (الاستنساخ والدمج)
model = tts.synthesizer.tts_model
# ==========================================
# 3. وظيفة استنساخ الصوت (Voice Cloning)
# ==========================================
def clone_voice(text, language, ref_audio):
try:
# استخراج البصمة الصوتية
gpt_cond_latent, speaker_embedding = model.get_conditioning_latents(audio_path=[ref_audio])
# توليد الصوت (تم تقليل length_penalty لتسريع المعالجة على الـ CPU)
out = model.inference(
text,
language,
gpt_cond_latent,
speaker_embedding,
temperature=0.7,
length_penalty=1.0,
repetition_penalty=2.0
)
output_path = "output_cloned.wav"
torchaudio.save(output_path, torch.tensor(out["wav"]).unsqueeze(0), 24000)
return output_path
except Exception as e:
return f"حدث خطأ أثناء المعالجة: {str(e)}"
# ==========================================
# 4. وظيفة دمج البصمات (Voice Blending)
# ==========================================
def blend_voices(text, language, ref_audio_1, ref_audio_2, blend_ratio=0.5):
try:
# استخراج الخصائص للصوتين
gpt_cond_1, speaker_emb_1 = model.get_conditioning_latents(audio_path=[ref_audio_1])
gpt_cond_2, speaker_emb_2 = model.get_conditioning_latents(audio_path=[ref_audio_2])
# دمج البصمات رياضياً
blended_gpt_cond = (gpt_cond_1 * blend_ratio) + (gpt_cond_2 * (1.0 - blend_ratio))
blended_speaker_emb = (speaker_emb_1 * blend_ratio) + (speaker_emb_2 * (1.0 - blend_ratio))
# توليد الصوت المدمج
out = model.inference(
text,
language,
blended_gpt_cond,
blended_speaker_emb,
temperature=0.75,
length_penalty=1.0,
repetition_penalty=2.0
)
output_path = "output_blended.wav"
torchaudio.save(output_path, torch.tensor(out["wav"]).unsqueeze(0), 24000)
return output_path
except Exception as e:
return f"حدث خطأ أثناء المعالجة: {str(e)}"
# ==========================================
# 5. واجهة المستخدم (Gradio)
# ==========================================
with gr.Blocks(title="AI Voice Studio (CPU Edition)") as demo:
gr.Markdown("# 🎙️ نظام الذكاء الاصطناعي الصوتي (Hugging Face CPU)")
gr.Markdown("⚠️ **ملاحظة هامة:** بما أن النظام يعمل على معالج عادي (CPU)، يُرجى كتابة **نصوص قصيرة** (جملة أو جملتين) لتجنب انقطاع الاتصال (Timeout) أثناء التوليد.")
with gr.Tab("استنساخ الصوت"):
with gr.Row():
with gr.Column():
text_input_1 = gr.Textbox(label="النص", lines=3, placeholder="اكتب جملة قصيرة هنا...")
lang_1 = gr.Dropdown(choices=["en", "ar", "fr", "es", "de"], value="ar", label="اللغة")
ref_audio_1 = gr.Audio(type="filepath", label="عينة الصوت المرجعية (3 إلى 5 ثوانٍ)")
clone_btn = gr.Button("🎙️ توليد الصوت المستنسخ", variant="primary")
with gr.Column():
audio_output_1 = gr.Audio(label="النتيجة")
clone_btn.click(clone_voice, inputs=[text_input_1, lang_1, ref_audio_1], outputs=audio_output_1)
with gr.Tab("دمج البصمات الصوتية"):
with gr.Row():
with gr.Column():
text_input_2 = gr.Textbox(label="النص", lines=3, placeholder="اكتب جملة قصيرة هنا...")
lang_2 = gr.Dropdown(choices=["en", "ar", "fr", "es", "de"], value="ar", label="اللغة")
ref_1 = gr.Audio(type="filepath", label="الصوت الأول")
ref_2 = gr.Audio(type="filepath", label="الصوت الثاني")
ratio = gr.Slider(minimum=0.0, maximum=1.0, value=0.5, step=0.1, label="نسبة الدمج (0 = الثاني، 1 = الأول)")
blend_btn = gr.Button("🧬 دمج وتوليد صوت جديد", variant="primary")
with gr.Column():
audio_output_2 = gr.Audio(label="النتيجة المدمجة")
blend_btn.click(blend_voices, inputs=[text_input_2, lang_2, ref_1, ref_2, ratio], outputs=audio_output_2)
# تشغيل التطبيق (مع تفعيل طابور الانتظار لتجنب ضغط السيرفر)
if __name__ == "__main__":
demo.queue().launch()
|