app.py

import gradio as gr
import torchaudio
import torch
from fairseq import checkpoint_utils
import numpy as np
import tempfile
import os

# Verificar si CUDA está disponible
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"Usando {device} para la clonación de voz")

# Cargar el modelo en GPU si está disponible
models, cfg, task = checkpoint_utils.load_model_ensemble_and_task(["https://dl.fbaipublicfiles.com/vits/model.pt"])
model = models[0].to(device)
model.eval()

def clone_voice(reference_audio, text):
    # Convertir el audio de referencia a tensor
    waveform, sample_rate = torchaudio.load(reference_audio.name)
    
    # Normalizar el audio de referencia
    waveform = waveform.mean(dim=0)  # Convertir a mono
    waveform = torchaudio.transforms.Resample(sample_rate, 22050)(waveform)  # Asegurar 22.05 kHz
    
    # Convertir el audio a tensor en la GPU si está disponible
    waveform = waveform.unsqueeze(0).to(device)
    
    # Extraer la huella de voz del hablante
    speaker_embedding = model.get_speaker_embedding(waveform)
    
    # Generar la voz clonada
    synthesized_waveform = model.synthesize(text, speaker_embedding)
    
    # Pasar el audio generado a la CPU para guardarlo
    synthesized_waveform = synthesized_waveform.cpu()

    # Guardar temporalmente el audio generado
    output_file = tempfile.NamedTemporaryFile(delete=False, suffix=".wav")
    torchaudio.save(output_file.name, synthesized_waveform, 22050)
    
    return output_file.name

# Crear interfaz Gradio
interface = gr.Interface(
    fn=clone_voice,
    inputs=[gr.Audio(type="file"), gr.Textbox(label="Texto a sintetizar")],
    outputs=gr.Audio(label="Voz Clonada"),
    title="Clonación de Voz con GPU",
    description="Sube un audio de referencia y escribe un texto para clonarlo con aceleración en GPU (si está disponible)."
)

interface.launch()