app.py

import gradio as gr
from pydub import AudioSegment

# 处理音频函数
def combine_audio_with_time(target_audio, mixed_audio):
    # 加载目标说话人的样本音频
    target_audio_segment = AudioSegment.from_wav(target_audio.name)

    # 加载混合音频
    mixed_audio_segment = AudioSegment.from_wav(mixed_audio.name)

    # 记录目标说话人音频的时间点（精确到0.01秒）
    target_start_time = len(mixed_audio_segment) / 1000  # 秒为单位，精确到 0.01 秒

    # 将目标说话人的音频片段添加到混合音频的最后
    final_audio = mixed_audio_segment + target_audio_segment

    # 保存拼接后的音频并返回时间点
    final_audio.export("final_output.wav", format="wav")

    return "final_output.wav", target_start_time

# Gradio 接口
interface = gr.Interface(
    fn=combine_audio_with_time,
    inputs=[
        gr.File(label="目标说话人音频"),  # 上传目标说话人音频
        gr.File(label="混合音频")          # 上传混合音频
    ],
    outputs=[
        gr.Audio(label="输出音频"),          # 返回拼接后的音频文件
        gr.Textbox(label="目标音频起始时间")  # 显示目标音频的起始时间
    ],
    live=False
)

interface.launch()