新增 api

.env.example

@@ -0,0 +1,2 @@
+# OpenAI API Key for TTS
+OPENAI_API_KEY=your_openai_api_key_here

README.md

@@ -21,6 +21,9 @@ short_description: 原tbdavid2019/PDF2podcast拆出的語音生成(2)
 - 🎚️ **模型選擇**：支援標準(tts-1)和高清(tts-1-hd)音頻模型
 - 🌐 **友好界面**：基於Gradio的簡潔網頁界面，易於使用
 - 💾 **自動文件管理**：自動保存生成的音頻並清理過期文件
+- 🔊 **音量調整**：內建音量增益功能，可調整輸出音頻音量
+- 🌍 **API支援**：提供獨立的API服務，支援外部應用程式呼叫
+- 🔑 **環境變量**：支援通過.env文件配置API金鑰
 
 ## 安裝說明
 
@@ -28,6 +31,7 @@ short_description: 原tbdavid2019/PDF2podcast拆出的語音生成(2)
 
 - Python 3.7+
 - OpenAI API金鑰（需要啟用TTS功能）
+- 可選：創建`.env`文件存儲API金鑰（從`.env.example`複製並修改）
 
 ### 安裝步驟
 
@@ -40,7 +44,22 @@ pip install -r requirements.txt
 
 ## 使用方法
 
-1. 運行應用程式：
+### 環境設置
+
+```bash
+# 複製環境變量範本
+cp .env.example .env
+
+# 編輯 .env 文件，添加您的 OpenAI API Key
+nano .env  # 或使用其他編輯器
+
+# 安裝依賴項
+pip install -r requirements.txt
+```
+
+### 通過網頁界面使用 (app.py)
+
+1. 運行Gradio應用程式：
 
 ```bash
 python app.py
@@ -48,10 +67,62 @@ python app.py
 
 2. 在瀏覽器中打開顯示的URL（通常是 http://127.0.0.1:7860）
 3. 在文本框中輸入您的腳本
-4. 輸入您的OpenAI API金鑰
+4. 輸入您的OpenAI API金鑰（或預先在`.env`文件中配置）
 5. 選擇所需的音頻模型和說話者聲音
-6. 點擊「生成音頻」按鈕
-7. 等待處理完成後，您可以播放或下載生成的音頻
+6. 調整音量增益（建議值：6-10 dB）
+7. 點擊「生成音頻」按鈕
+8. 等待處理完成後，您可以播放或下載生成的音頻
+
+### 通過API使用 (api.py)
+
+如果您需要從外部應用程式呼叫TTS功能，可以使用API：
+
+1. 運行API服務：
+
+```bash
+python api.py
+```
+
+2. API服務將在 http://localhost:8000 啟動
+
+#### API端點
+
+##### 生成音頻
+
+```
+POST /generate-audio
+```
+
+請求體示例：
+```json
+{
+  "script": "speaker-1: 你好，歡迎來到播客！\nspeaker-2: 謝謝邀請，很高興來到這裡。",
+  "api_key": "your_openai_api_key",
+  "model": "tts-1",
+  "speaker1_voice": "onyx",
+  "speaker2_voice": "nova",
+  "volume_boost": 6.0,
+  "return_url": false
+}
+```
+
+- 如果`return_url`為`false`，將直接返回音頻文件
+- 如果`return_url`為`true`，將返回音頻文件的URL
+
+##### 獲取可用選項
+
+```
+GET /options
+```
+
+返回可用的音頻模型和聲音選項。
+
+##### API文檔
+
+啟動API服務後，可以訪問自動生成的API文檔：
+
+- Swagger UI: http://localhost:8000/docs
+- ReDoc: http://localhost:8000/redoc
 
 ## 腳本格式
 
@@ -73,6 +144,7 @@ speaker-1: 繼續對話...
 | 音頻模型 | 選擇TTS模型：標準(tts-1)或高清(tts-1-hd) |
 | 說話者1聲音 | 第一位說話者使用的聲音 |
 | 說話者2聲音 | 第二位說話者使用的聲音 |
+| 音量增益 | 增加音頻音量的分貝值（dB），建議值：6-10 dB |
 | OpenAI API Key | 您的OpenAI API金鑰 |
 
 ## 聲音選項
@@ -89,14 +161,20 @@ speaker-1: 繼續對話...
 ## 技術細節
 
 - 使用OpenAI的TTS API進行語音合成
-- 使用Gradio建立網頁界面
+- 使用Gradio建立網頁界面（app.py）
+- 使用FastAPI提供RESTful API（api.py）
 - 自動管理臨時音頻文件（24小時後自動清理）
 - 支援流式處理大型音頻文件
+- 使用pydub處理音頻音量調整
 
 ## 依賴項
 
 - gradio: 網頁界面
 - openai: OpenAI API客戶端
+- fastapi: API框架
+- uvicorn: ASGI服務器
+- pydub: 音頻處理
+- python-dotenv: 環境變量管理
 - pathlib: 文件路徑處理
 - io: 二進制數據處理
 
@@ -105,6 +183,8 @@ speaker-1: 繼續對話...
 - 使用此應用程式需要有效的OpenAI API金鑰
 - API使用會產生費用，請參考OpenAI的[價格頁面](https://openai.com/pricing)
 - 生成的臨時音頻文件會在24小時後自動刪除
+- 在Hugging Face Space上運行時，app.py會自動啟動，提供Gradio界面
+- 如需API功能，需要單獨運行api.py
 
 ## 授權信息
 

api.py

@@ -0,0 +1,283 @@
+import os
+import io
+from pathlib import Path
+from tempfile import NamedTemporaryFile
+import time
+from typing import Optional
+import uvicorn
+from fastapi import FastAPI, HTTPException, Body
+from fastapi.middleware.cors import CORSMiddleware
+from fastapi.responses import FileResponse, JSONResponse
+from pydantic import BaseModel
+from dotenv import load_dotenv
+from openai import OpenAI
+from pydub import AudioSegment
+
+# 加載環境變量
+load_dotenv()
+
+# 獲取 OpenAI API Key
+OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
+
+# 標準音頻模型和聲音選項
+STANDARD_AUDIO_MODELS = [
+    "tts-1",
+    "tts-1-hd",
+]
+STANDARD_VOICES = [
+    "alloy",
+    "echo",
+    "fable",
+    "onyx",
+    "nova",
+    "shimmer",
+]
+
+# 創建 FastAPI 應用
+app = FastAPI(
+    title="TTS API",
+    description="API for generating audio from text using OpenAI TTS",
+    version="1.0.0"
+)
+
+# 添加 CORS 中間件
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["*"],  # 允許所有來源，可以根據需要限制
+    allow_credentials=True,
+    allow_methods=["*"],  # 允許所有方法
+    allow_headers=["*"],  # 允許所有頭部
+)
+
+# 優化腳本處理 - 合併相同說話者連續文本
+def optimize_script(script):
+    lines = [line.strip() for line in script.splitlines() if line.strip()]
+    optimized = []
+    current_speaker = None
+    current_text = ""
+    
+    for line in lines:
+        if line.lower().startswith("speaker-1:"):
+            speaker = "speaker-1"
+            text = line.split(":", 1)[1].strip()
+        elif line.lower().startswith("speaker-2:"):
+            speaker = "speaker-2"
+            text = line.split(":", 1)[1].strip()
+        else:
+            speaker = "speaker-1"  # 默認使用說話者1
+            text = line
+        
+        # 如果說話者變了，保存之前的文本並開始新的
+        if speaker != current_speaker and current_text:
+            optimized.append((current_speaker, current_text))
+            current_text = text
+            current_speaker = speaker
+        else:
+            # 相同說話者，合併文本（加空格）
+            if current_text:
+                current_text += " " + text
+            else:
+                current_text = text
+                current_speaker = speaker
+                
+    # 添加最後一個說話者的文本
+    if current_text:
+        optimized.append((current_speaker, current_text))
+        
+    return optimized
+
+def get_mp3(text: str, voice: str, audio_model: str, api_key: str) -> bytes:
+    """使用 OpenAI TTS API 生成音頻"""
+    client = OpenAI(api_key=api_key)
+    try:
+        with client.audio.speech.with_streaming_response.create(
+            model=audio_model,
+            voice=voice,
+            input=text,
+        ) as response:
+            with io.BytesIO() as file:
+                for chunk in response.iter_bytes():
+                    file.write(chunk)
+                return file.getvalue()
+    except Exception as e:
+        print(f"Error generating audio: {e}")
+        raise
+
+def generate_audio_from_script(
+    script: str,
+    audio_api_key: str,
+    audio_model: str = "tts-1",
+    speaker1_voice: str = "onyx",
+    speaker2_voice: str = "nova",
+    volume_boost: float = 0,
+) -> tuple[bytes, list]:
+    """從腳本生成音頻，支持兩個說話者，並優化 API 調用"""
+    combined_audio = b""
+    status_log = []
+    
+    # 優化腳本處理
+    optimized_script = optimize_script(script)
+    
+    # 處理每一段
+    for speaker, text in optimized_script:
+        voice_to_use = speaker1_voice if speaker == "speaker-1" else speaker2_voice
+        status_log.append(f"[{speaker}] {text}")
+        
+        try:
+            # 生成這一段的音頻
+            audio_chunk = get_mp3(
+                text,
+                voice_to_use,
+                audio_model,
+                audio_api_key
+            )
+            combined_audio += audio_chunk
+        except Exception as e:
+            status_log.append(f"[錯誤] 無法生成音頻: {str(e)}")
+            raise HTTPException(status_code=500, detail=f"無法生成音頻: {str(e)}")
+    
+    # 如果需要調整音量
+    if volume_boost > 0:
+        try:
+            # 將二進制數據轉換為 AudioSegment
+            with NamedTemporaryFile(suffix=".mp3", delete=False) as temp_file:
+                temp_file.write(combined_audio)
+                temp_file_path = temp_file.name
+            
+            # 讀取音頻並調整音量
+            audio = AudioSegment.from_mp3(temp_file_path)
+            audio = audio + volume_boost  # 增加音量 (dB)
+            
+            # 將調整後的音頻轉換回二進制數據
+            output = io.BytesIO()
+            audio.export(output, format="mp3")
+            combined_audio = output.getvalue()
+            
+            # 刪除臨時文件
+            os.unlink(temp_file_path)
+            
+            status_log.append(f"[音量] 已增加 {volume_boost} dB")
+        except Exception as e:
+            status_log.append(f"[警告] 音量調整失敗: {str(e)}")
+    
+    return combined_audio, status_log
+
+def save_audio_file(audio_data: bytes) -> str:
+    """將音頻數據保存為臨時文件"""
+    temp_dir = Path("./temp_audio")
+    temp_dir.mkdir(exist_ok=True)
+    # 清理舊文件
+    for old_file in temp_dir.glob("*.mp3"):
+        if old_file.stat().st_mtime < (time.time() - 24*60*60):  # 24小時前的文件
+            old_file.unlink()
+    # 創建新的臨時文件
+    temp_file = NamedTemporaryFile(
+        dir=temp_dir,
+        delete=False,
+        suffix=".mp3"
+    )
+    temp_file.write(audio_data)
+    temp_file.close()
+    return temp_file.name
+
+# 定義請求模型
+class TTSRequest(BaseModel):
+    script: str
+    api_key: Optional[str] = None
+    model: Optional[str] = "tts-1"
+    speaker1_voice: Optional[str] = "onyx"
+    speaker2_voice: Optional[str] = "nova"
+    volume_boost: Optional[float] = 6.0
+    return_url: Optional[bool] = False
+
+# API 端點
+@app.post("/generate-audio")
+async def generate_audio(request: TTSRequest):
+    """
+    生成音頻 API 端點
+    
+    - **script**: 腳本內容，格式為 "speaker-1: 文本" 或 "speaker-2: 文本"
+    - **api_key**: OpenAI API Key (可選，如果未提供則使用環境變量)
+    - **model**: 音頻模型 (可選，默認為 "tts-1")
+    - **speaker1_voice**: 說話者1的聲音 (可選，默認為 "onyx")
+    - **speaker2_voice**: 說話者2的聲音 (可選，默認為 "nova")
+    - **volume_boost**: 音量增益 dB (可選，默認為 6.0)
+    - **return_url**: 是否返回音頻文件的 URL (可選，默認為 False)
+    """
+    # 使用提供的 API Key 或環境變量中的 API Key
+    api_key = request.api_key or OPENAI_API_KEY
+    
+    if not api_key:
+        raise HTTPException(status_code=400, detail="未提供 OpenAI API Key")
+    
+    try:
+        # 生成音頻
+        audio_data, status_log = generate_audio_from_script(
+            request.script,
+            api_key,
+            request.model,
+            request.speaker1_voice,
+            request.speaker2_voice,
+            request.volume_boost
+        )
+        
+        # 保存音頻文件
+        audio_path = save_audio_file(audio_data)
+        
+        # 根據請求返回不同的響應
+        if request.return_url:
+            # 構建文件 URL (相對路徑)
+            file_name = os.path.basename(audio_path)
+            file_url = f"/audio/{file_name}"
+            
+            return {
+                "status": "success",
+                "message": "音頻生成成功",
+                "audio_url": file_url,
+                "logs": status_log
+            }
+        else:
+            # 直接返回文件
+            return FileResponse(
+                audio_path,
+                media_type="audio/mpeg",
+                filename="generated_audio.mp3"
+            )
+            
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"生成音頻時發生錯誤: {str(e)}")
+
+# 獲取音頻文件的端點
+@app.get("/audio/{file_name}")
+async def get_audio(file_name: str):
+    """獲取生成的音頻文件"""
+    file_path = Path(f"./temp_audio/{file_name}")
+    
+    if not file_path.exists():
+        raise HTTPException(status_code=404, detail="音頻文件不存在")
+    
+    return FileResponse(
+        file_path,
+        media_type="audio/mpeg",
+        filename="generated_audio.mp3"
+    )
+
+# 獲取可用的音頻模型和聲音選項
+@app.get("/options")
+async def get_options():
+    """獲取可用的音頻模型和聲音選項"""
+    return {
+        "models": STANDARD_AUDIO_MODELS,
+        "voices": STANDARD_VOICES
+    }
+
+# 健康檢查端點
+@app.get("/health")
+async def health_check():
+    """API 健康檢查"""
+    return {"status": "healthy", "api_version": "1.0.0"}
+
+# 主程序
+if __name__ == "__main__":
+    # 啟動 API 服務器
+    uvicorn.run("api:app", host="0.0.0.0", port=8000, reload=True)

app.py

@@ -6,6 +6,13 @@ import time
 import gradio as gr
 from openai import OpenAI
 from pydub import AudioSegment
+from dotenv import load_dotenv
+
+# 加載環境變量
+load_dotenv()
+
+# 獲取 OpenAI API Key (如果在環境變量中設置了)
+OPENAI_API_KEY = os.getenv("OPENAI_API_KEY", "")
 
 # 标准音频模型和声音选项
 STANDARD_AUDIO_MODELS = [

requirements.txt

@@ -5,4 +5,7 @@ loguru
 promptic
 tenacity
 bs4
-pydub
+pydub
+fastapi
+uvicorn
+python-dotenv