File size: 4,051 Bytes
d347764 814f850 d347764 814f850 d347764 814f850 d347764 ca365d2 814f850 d347764 814f850 773e132 814f850 f805e49 b78ea10 814f850 b78ea10 814f850 b78ea10 814f850 c737803 b78ea10 814f850 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 |
import gradio as gr
import numpy as np
import torch
from datasets import load_dataset
from transformers import AutoTokenizer, VitsModel, pipeline
device = "cuda:0" if torch.cuda.is_available() else "cpu"
asr_pipe = pipeline("automatic-speech-recognition", model="openai/whisper-tiny", device=device) #Тут добавил tiny, потому что модель станет более компактной
translater = pipeline("translation", model="Helsinki-NLP/opus-mt-en-ru") # Инициализация модели для перевода текста на русский язык
model = VitsModel.from_pretrained("facebook/mms-tts-rus") # Загрузка модели для генерации речи на русском языке
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-rus") # Загрузка токенизатора для модели
def translate(audio, translater: pipeline = translater): # Определение функции для перевода аудио в текст
outputs = asr_pipe(audio, max_new_tokens=256, generate_kwargs={"task": "translate"}) # Получение текстового представления аудио
return translater(outputs['text'])[0]['translation_text'] # Возврат переведенного текста
def synthesise(text: str, tokenizer: AutoTokenizer = tokenizer, model: VitsModel = model): # Определение функции для синтеза речи из текста
inputs = tokenizer(text, return_tensors="pt") # Создание токенизированного представления текста
# print(inputs)
with torch.no_grad():
output = model(**inputs).waveform # Генерация аудиофайла из текста
return output.cpu() # Возврат полученной речи
def speech_to_speech_translation(audio): # Определение функции для перевода и синтеза речи
translated_text = translate(audio) # Перевод аудио в текст
synthesised_speech = synthesise(translated_text) # Генерация речи на русском языке из переведенного текста
synthesised_speech = (synthesised_speech.numpy() * 32767).astype(np.int16) # Преобразование и нормализация речи
return 16000, synthesised_speech[0] # Возврат частоты дискретизации и синтезированной речи
title = "Cascaded STST"
description = """
Demo for cascaded speech-to-speech translation (STST), mapping from source speech in multi language to target speech in Russian. Demo uses OpenAI's [Whisper Tiny](https://huggingface.co/openai/whisper-tiny) model for speech translation, and Facebook's
[mms-tts-rus](https://huggingface.co/acebook/mms-tts-rus) model for text-to-speech:
"""
demo = gr.Blocks() # Создание блока для интерфейса
mic_translate = gr.Interface( # Создание интерфейса для микрофона
fn=speech_to_speech_translation, # Используемая функция
inputs=gr.Audio(source="microphone", type="filepath"), # Ввод с микрофона
outputs=gr.Audio(label="Generated Speech", type="numpy"), # Вывод сгенерированной речи
title=title,
description=description,
)
file_translate = gr.Interface( # Создание интерфейса для загрузки аудиофайла
fn=speech_to_speech_translation,
inputs=gr.Audio(source="upload", type="filepath"),
outputs=gr.Audio(label="Generated Speech", type="numpy"),
examples=[["./test_2.wav"]],
title=title,
description=description,
)
with demo:
gr.TabbedInterface([mic_translate, file_translate], ["Microphone", "Audio File"])
demo.launch() |