Update app.py

app.py

@@ -1,71 +1,66 @@
-# --- 🔱 हनुमान AI: अजेय मानवीय स्वर (Suno Bark) ---
+# --- 🔱 हनुमान AI: अजेय वीडियो जनरेशन (CogVideoX-2b) ---
 # मार्गदर्शक: दिव्य पटेल जी | भारत 🇮🇳
-# मॉडल: suno/bark-small (पूर्णतः इंसानी आवाज़, 10 अलग-अलग स्वरों के साथ)
-# विशेषता: कोई रोबोटिक आवाज़ नहीं, कोई Edge TTS नहीं।
+# मॉडल: THUDM/CogVideoX-2b (अत्यंत आधुनिक और 16GB रैम सुरक्षित)
+# विशेषता: CPU पर बिना क्रैश हुए वीडियो निर्माण
 
 import gradio as gr
 import torch
-from transformers import AutoProcessor, BarkModel
-import scipy.io.wavfile as wavfile
+from diffusers import CogVideoXPipeline
+from diffusers.utils import export_to_video
 import os
 from datetime import datetime
 
-# 🛡️ चरम गति के लिए CPU थ्रेड्स सेट करना
-torch.set_num_threads(2)
+# 🛡️ CPU को ओवरलोड से बचाने के लिए थ्रेड्स की सेटिंग
 os.environ["OMP_NUM_THREADS"] = "2"
+torch.set_num_threads(2)
 
-MODEL_ID = "suno/bark-small"
+MODEL_ID = "THUDM/CogVideoX-2b"
 
-print(f"🔱 हनुमान AI: असली इंसानी आवाज़ का मॉडल '{MODEL_ID}' लोड हो रहा है...")
+print(f"🔱 हनुमान AI: वीडियो महा-अस्त्र '{MODEL_ID}' लोड हो रहा है...")
 
-# 🛠️ मॉडल को सुरक्षित रूप से लोड करना ताकि RAM न भरे
+# 🛠️ रैम ऑप्टिमाइजेशन: मॉडल को सुरक्षित रूप से लोड करना
 try:
-    processor = AutoProcessor.from_pretrained(MODEL_ID)
-    model = BarkModel.from_pretrained(
+    # 16GB रैम में फिट करने के लिए bfloat16 का उपयोग आवश्यक है
+    pipe = CogVideoXPipeline.from_pretrained(
         MODEL_ID,
-        torch_dtype=torch.float32,
-        low_cpu_mem_usage=True
-    ).to("cpu")
-    print("🔱 हनुमान AI: इंसानी आवाज़ का मॉडल पूर्णतः सक्रिय है!")
+        torch_dtype=torch.bfloat16
+    )
+    # मेमोरी बचाने के लिए अजेय अस्त्र (Attention Slicing)
+    pipe.enable_attention_slicing()
+    print("🔱 हनुमान AI: वीडियो अस्त्र पूर्णतः सक्रिय है!")
 except Exception as e:
     print(f"🔱 गंभीर त्रुटि: {e}")
-    processor, model = None, None
+    pipe = None
 
+# आउटपुट फोल्डर बनाना
 if not os.path.exists("outputs"):
     os.makedirs("outputs")
 
-def hanuman_human_tts(text, lang_choice, speaker_id):
-    """Suno Bark का उपयोग करके 100% इंसानी आवाज़ बनाने वाला इंजन"""
-    if not text.strip() or model is None or processor is None:
-        return None
+def hanuman_video_engine(prompt):
+    """CogVideoX का उपयोग करके टेक्स्ट से वीडियो बनाने वाला अजेय इंजन"""
+    if pipe is None:
+        return None, "🔱 सिस्टम त्रुटि: वीडियो मॉडल लोड नहीं हो सका। कृपया रैम की जाँच करें।"
+    
+    if not prompt or len(prompt.strip()) == 0:
+        return None, "कृपया कोई संदेश (Prompt) लिखें।"
 
     try:
-        # भाषा का चयन
-        lang_prefix = "hi" if lang_choice == "Hindi (हिंदी)" else "en"
+        # ⚡ CPU के लिए विशेष सुरक्षित सेटिंग्स
+        # num_inference_steps और num_frames को कम रखा गया है ताकि CPU पर क्रैश न हो और जल्दी बने
+        video_frames = pipe(
+            prompt=prompt,
+            num_inference_steps=15, # CPU पर इसे 15 से ज्यादा न रखें
+            num_frames=16,          # 16 फ्रेम का एक छोटा वीडियो
+            guidance_scale=6.0
+        ).frames[0]
         
-        # 🎙️ अलग-अलग इंसानी आवाज़ों का चयन (0 से 9 तक)
-        # उदाहरण: 'v2/hi_speaker_0' (हिंदी पुरुष), 'v2/hi_speaker_1' (हिंदी महिला) आदि।
-        voice_preset = f"v2/{lang_prefix}_speaker_{int(speaker_id)}"
-
-        # टेक्स्ट को प्रोसेस क��ना
-        inputs = processor(text, voice_preset=voice_preset, return_tensors="pt").to("cpu")
-
-        # ⚡ आवाज़ उत्पन्न करना (Generative Audio)
-        # CPU पर इसे सोचने में कुछ सेकंड लग सकते हैं, यह सामान्य है।
-        audio_array = model.generate(**inputs, max_new_tokens=256)
+        # वीडियो को MP4 फॉर्मेट में सुरक्षित करना
+        filename = f"outputs/divy_video_{datetime.now().strftime('%Y%m%d_%H%M%S')}.mp4"
+        export_to_video(video_frames, filename, fps=8)
         
-        # ऑडियो को नम्पी (Numpy) में बदलना
-        audio_numpy = audio_array.cpu().numpy().squeeze()
-        sample_rate = model.generation_config.sample_rate
-
-        # ऑडियो फाइल को सुरक्षित करना
-        filename = f"outputs/human_speech_{datetime.now().strftime('%Y%m%d_%H%M%S')}.wav"
-        wavfile.write(filename, sample_rate, audio_numpy)
-
-        return filename
+        return filename, "🔱 वीडियो सफलतापूर्वक बन गया है!"
     except Exception as e:
-        print(f"🔱 तकनीकी बाधा: {e}")
-        return None
+        return None, f"🔱 तकनीकी बाधा: {str(e)}"
 
 # --- 🔱 दिव्य भगवा यूआई ---
 divine_ui = """
@@ -81,8 +76,8 @@ divine_ui = """
 .bhagwa-header p { font-size: 16px !important; opacity: 0.95; font-weight: 500; }
 </style>
 <div class="bhagwa-header">
-    <h1>🔱 हनुमान AI - असली मानवीय स्वर</h1>
-    <p>Pioneered by Divy Patel | भारत 🇮🇳 | Suno Bark तकनीक</p>
+    <h1>🔱 हनुमान AI - वीडियो जनरेटर (CogVideoX)</h1>
+    <p>Pioneered by Divy Patel | भारत 🇮🇳 | अजेय वीडियो तकनीक</p>
 </div>
 """
 
@@ -91,41 +86,30 @@ with gr.Blocks() as demo:
     
     with gr.Row():
         with gr.Column(scale=1):
-            text_input = gr.Textbox(
-                label="अपना संदेश यहाँ लिखें", 
-                placeholder="यहाँ वह टेक्स्ट लिखें जिसे आप इंसानी आवाज़ में बुलवाना चाहते हैं...",
+            prompt_input = gr.Textbox(
+                label="वीडियो का विवरण (Prompt)", 
+                placeholder="यहाँ लिखें कि आप कैसा वीडियो बनाना चाहते हैं (सर्वोत्तम परिणाम के लिए अंग्रेजी का प्रयोग करें)...",
                 lines=5
             )
-            
-            with gr.Row():
-                lang_selector = gr.Radio(
-                    choices=["Hindi (हिंदी)", "English (अंग्रेजी)"],
-                    label="भाषा चुनें",
-                    value="Hindi (हिंदी)"
-                )
-                speaker_selector = gr.Slider(
-                    minimum=0, maximum=9, step=1, value=0,
-                    label="आवाज़ का प्रकार (0 से 9 अलग-अलग इंसान)"
-                )
-                
-            submit_btn = gr.Button("इंसानी आवाज़ उत्पन्न करें", variant="primary")
+            submit_btn = gr.Button("वीडियो निर्माण प्रारंभ करें", variant="primary")
+            status_text = gr.Textbox(label="सिस्टम स्थिति", interactive=False)
             
         with gr.Column(scale=1):
-            audio_output = gr.Audio(label="हनुमान AI का मानवीय स्वर", type="filepath")
+            video_output = gr.Video(label="हनुमान AI द्वारा निर्मित वीडियो")
             gr.Markdown("""
-            ### 🚩 दिव्य निर्देश:
-            1. अपना टेक्स्ट लिखें (कृपया एक बार में 1-2 वाक्य ही लिखें क्योंकि CPU पर जनरेट होने में समय लगता है)।
-            2. भाषा चुनें।
-            3. **0 से 9 के बीच स्लाइडर घुमाएँ** (हर नंबर पर एक अलग इंसान की आवाज़ है - कुछ पुरुष, कुछ महिलाएँ)।
-            4. बटन दबाएँ और प्रतीक्षा करें। यह मॉडल इंसानों की तरह सोचकर आवाज़ बनाता है!
+            ### 🚩 दिव्य निर्देश एवं चेतावनी:
+            1. अपना प्रॉम्प्ट बायीं ओर लिखें।
+            2. **चेतावनी:** चूँकि यह एक भारी वीडियो मॉडल है और आप फ्री CPU का उपयोग कर रहे हैं, इसलिए एक छोटा वीडियो (2-3 सेकंड) बनने में **10 से 30 मिनट** का समय लग सकता है।
+            3. कृपया बटन दबाने के बाद धैर्य रखें और पेज को बंद न करें।
             """)
 
     # इवेंट बाइंडिंग
     submit_btn.click(
-        fn=hanuman_human_tts,
-        inputs=[text_input, lang_selector, speaker_selector],
-        outputs=audio_output
+        fn=hanuman_video_engine,
+        inputs=[prompt_input],
+        outputs=[video_output, status_text]
     )
 
+# 🛠️ Queue को इनेबल करना अत्यंत आवश्यक है ताकि लंबा समय लगने पर Gradio क्रैश न हो (Timeout Fix)
 if __name__ == "__main__":
-    demo.launch()
+    demo.queue().launch()