Create app.py

app.py

@@ -0,0 +1,145 @@
+import spaces
+import gradio as gr
+import torch
+from string import punctuation
+import re
+
+from parler_tts import ParlerTTSForConditionalGeneration
+from transformers import AutoTokenizer, AutoFeatureExtractor, set_seed
+from helpers.text_normalizer import BrazilianPortugueseTextNormalizer
+
+device = "cuda:0" if torch.cuda.is_available() else "cpu"
+
+repo_id = "GustavoNeneve/parler-ttsbr"  # Seu repositório no Hugging Face
+
+model = ParlerTTSForConditionalGeneration.from_pretrained(repo_id).to(device)
+tokenizer = AutoTokenizer.from_pretrained(repo_id)
+feature_extractor = AutoFeatureExtractor.from_pretrained(repo_id)
+
+SAMPLE_RATE = feature_extractor.sampling_rate
+SEED = 42
+
+number_normalizer = BrazilianPortugueseTextNormalizer()
+
+default_text = "Olá! Esta é a primeira versão do modelo em português brasileiro."
+default_description = "Francisca fala de forma clara e profissional com sotaque brasileiro neutro."
+examples = [
+    [
+        "Olá, como posso ajudar você hoje?",
+        "Francisca fala de forma acolhedora e profissional com sotaque brasileiro neutro."
+    ],
+    [
+        "Esta é uma mensagem importante para todos os usuários.",
+        "Francisca fala com ênfase e clareza em ritmo moderado.",
+    ],
+    [
+        "Seja bem-vindo ao nosso sistema automatizado.",
+        "Francisca fala de forma amigável em um ritmo natural.",
+    ]
+]
+
+
+def preprocess(text):
+    text = number_normalizer.normalize(text)
+    if text[-1] not in punctuation:
+        text = f"{text}."
+    return text
+
+
+@spaces.GPU
+def gen_tts(text, description):
+    inputs = tokenizer(description, return_tensors="pt").to(device)
+    prompt = tokenizer(preprocess(text), return_tensors="pt").to(device)
+
+    set_seed(SEED)
+    generation = model.generate(input_ids=inputs.input_ids, prompt_input_ids=prompt.input_ids)
+    audio_arr = generation.cpu().numpy().squeeze()
+
+    return SAMPLE_RATE, audio_arr
+
+
+css = """
+        #share-btn-container {
+            display: flex;
+            padding-left: 0.5rem !important;
+            padding-right: 0.5rem !important;
+            background-color: #000000;
+            justify-content: center;
+            align-items: center;
+            border-radius: 9999px !important; 
+            width: 13rem;
+            margin-top: 10px;
+            margin-left: auto;
+            flex: unset !important;
+        }
+        #share-btn {
+            all: initial;
+            color: #ffffff;
+            font-weight: 600;
+            cursor: pointer;
+            font-family: 'IBM Plex Sans', sans-serif;
+            margin-left: 0.5rem !important;
+            padding-top: 0.25rem !important;
+            padding-bottom: 0.25rem !important;
+            right:0;
+        }
+        #share-btn * {
+            all: unset !important;
+        }
+        #share-btn-container div:nth-child(-n+2){
+            width: auto !important;
+            min-height: 0px !important;
+        }
+        #share-btn-container .wrap {
+            display: none !important;
+        }
+"""
+with gr.Blocks(css=css) as block:
+    gr.HTML(
+        """
+            <div style="text-align: center; max-width: 700px; margin: 0 auto;">
+              <div style="display: inline-flex; align-items: center; gap: 0.8rem; font-size: 1.75rem;">
+                <h1 style="font-weight: 900; margin-bottom: 7px; line-height: normal;">
+                  Parler-TTS: Português Brasileiro 🇧🇷
+                </h1>
+              </div>
+            </div>
+        """
+    )
+    gr.HTML(
+        """
+        <p>Este é um modelo de text-to-speech (TTS) adaptado para português brasileiro.
+        Gere áudio de alta qualidade especificando a voz e o estilo desejado através de uma descrição em texto.</p>
+        
+        <p>Dicas para boas gerações:
+        <ul>
+            <li>Use a voz "Francisca" para resultados consistentes</li>
+            <li>Você pode especificar diferentes emoções como: "profissional", "acolhedora", "enfática"</li>
+            <li>Use pontuação para controlar as pausas na fala</li>
+        </ul>
+        </p>
+        """
+    )
+    with gr.Row():
+        with gr.Column():
+            input_text = gr.Textbox(label="Texto de Entrada", lines=2, value=default_text, elem_id="input_text")
+            description = gr.Textbox(label="Descrição", lines=2, value=default_description, elem_id="input_description")
+            run_button = gr.Button("Gerar Áudio", variant="primary")
+        with gr.Column():
+            audio_out = gr.Audio(label="Geração Parler-TTS", type="numpy", elem_id="audio_out")
+
+    inputs = [input_text, description]
+    outputs = [audio_out]
+    gr.Examples(examples=examples, fn=gen_tts, inputs=inputs, outputs=outputs, cache_examples=True)
+    run_button.click(fn=gen_tts, inputs=inputs, outputs=outputs, queue=True)
+    gr.HTML(
+        """
+        <p>Para melhorar a prosódia e a naturalidade da fala, estamos ampliando a quantidade de dados de treinamento.
+        A versão v1 do modelo será treinada com esses dados, além de otimizações de inferência que melhorarão a latência.
+        Se você quiser saber mais sobre como este modelo foi treinado e até mesmo ajustá-lo, confira o 
+        <a href="https://github.com/huggingface/parler-tts"> repositório Parler-TTS</a> no GitHub. O código e os checkpoints associados ao Parler-TTS estão licenciados sob <a href='https://github.com/huggingface/parler-tts?tab=Apache-2.0-1-ov-file#readme'> Apache 2.0</a>.</p>
+        """
+    )
+
+block.queue()
+block.launch(share=True)