Update app.py

app.py

@@ -1,33 +1,72 @@
 import gradio as gr
-import torch
-from speechbrain.pretrained import Tacotron2, HIFIGAN
-import soundfile as sf
+import edge_tts
+import asyncio
+import tempfile
+import os
 
-device = "cuda" if torch.cuda.is_available() else "cpu"
+# دریافت و فیلتر صداهای فارسی (fa-IR)
+async def get_voices():
+    voices = await edge_tts.list_voices()
+    persian_voices = [v for v in voices if v['Locale'] == 'fa-IR']
+    return {f"{v['ShortName']} - {v['Locale']} ({v['Gender']})": v['ShortName'] for v in persian_voices}
 
-# Load the Tacotron2 model
-tacotron2 = Tacotron2.from_hparams(source="speechbrain/tts-tacotron2-ljspeech", savedir="tmpdir_tts").to(device)
+# تبدیل متن به گفتار به زبان فارسی
+async def text_to_speech(text, voice, rate, pitch):
+    if not text.strip():
+        return None, "لطفاً متنی جهت تبدیل وارد کنید."
+    if not voice:
+        return None, "لطفاً یک صدا انتخاب کنید."
+    
+    voice_short_name = voice.split(" - ")[0]
+    rate_str = f"{rate:+d}%"
+    pitch_str = f"{pitch:+d}Hz"
+    communicate = edge_tts.Communicate(text, voice_short_name, rate=rate_str, pitch=pitch_str)
+    with tempfile.NamedTemporaryFile(delete=False, suffix=".mp3") as tmp_file:
+        tmp_path = tmp_file.name
+        await communicate.save(tmp_path)
+    return tmp_path, None
 
-# Load the HIFIGAN vocoder
-hifi_gan = HIFIGAN.from_hparams(source="speechbrain/tts-hifigan-ljspeech", savedir="tmpdir_vocoder").to(device)
+async def tts_interface(text, voice, rate, pitch):
+    audio, warning = await text_to_speech(text, voice, rate, pitch)
+    if warning:
+        return audio, gr.Warning(warning)
+    return audio, None
 
-def text_to_speech(text):
-    # Process the text with Tacotron2
-    mel_output, mel_length, alignment = tacotron2.encode_text(text)
-    # Generate the waveform with HIFIGAN
-    waveforms = hifi_gan.decode_mel(mel_output)
-    # Move the waveform to CPU and convert to numpy array
-    waveform = waveforms.squeeze(1).detach().cpu().numpy()
-    # Save the waveform to a file
-    sf.write("output.wav", waveform, samplerate=22050)
-    return "output.wav"
+async def create_demo():
+    voices = await get_voices()
+    
+    description = """
+    متن فارسی خود را وارد کنید تا به صدای طبیعی تبدیل شود.
+    این برنامه از Microsoft Edge TTS برای تبدیل متن به گفتار فارسی استفاده می‌کند.
+    سرعت و تن صدا قابل تنظیم است: مقدار 0 پیش‌فرض است؛ مقادیر مثبت سرعت یا تن را افزایش و مقادیر منفی کاهش می‌دهند.
+    توجه: این برنامه تنها از صداهای فارسی پشتیبانی می‌کند.
+    """
+    
+    demo = gr.Interface(
+        fn=tts_interface,
+        inputs=[
+            gr.Textbox(label="متن ورودی (فارسی)", lines=5),
+            gr.Dropdown(choices=[""] + list(voices.keys()), label="انتخاب صدا", value=""),
+            gr.Slider(minimum=-50, maximum=50, value=0, label="تنظیم سرعت گفتار (%)", step=1),
+            gr.Slider(minimum=-20, maximum=20, value=0, label="تنظیم تن صدا (Hz)", step=1)
+        ],
+        outputs=[
+            gr.Audio(label="صدای تولید شده", type="filepath"),
+            gr.Markdown(label="هشدار", visible=False)
+        ],
+        title="تبدیل متن به گفتار فارسی (Microsoft Edge TTS)",
+        description=description,
+        article="این برنامه از Microsoft Edge TTS برای تبدیل متن فارسی به گفتار استفاده می‌کند.",
+        analytics_enabled=False,
+        allow_flagging="manual",
+        api_name=None
+    )
+    return demo
 
-iface = gr.Interface(
-    fn=text_to_speech,
-    inputs=gr.Textbox(lines=2, placeholder="متن خود را اینجا وارد کنید..."),
-    outputs="audio",
-    title="تبدیل متن فارسی به صدا",
-    description="متن فارسی خود را وارد کنید تا صدای آن را دریافت کنید.",
-)
+async def main():
+    demo = await create_demo()
+    demo.queue(default_concurrency_limit=5)
+    demo.launch(show_api=False)
 
-iface.launch()
+if __name__ == "__main__":
+    asyncio.run(main())