Update app.py

app.py

@@ -1,5 +1,4 @@
 import torch
-import spaces
 import gradio as gr
 import os
 from pyannote.audio import Pipeline
@@ -60,7 +59,7 @@ def combine_audio_with_time(target_audio, mixed_audio):
     return {"start_time": target_start_time, "end_time": target_end_time}
 
 # 使用 pyannote/speaker-diarization 对拼接后的音频进行说话人分离
-@spaces.GPU(duration=60 * 2)  # 使用 GPU 加速，限制执行时间为 120 秒
+@gr.Interface(duration=60 * 2)  # 使用 GPU 加速，限制执行时间为 120 秒
 def diarize_audio(temp_file):
     if pipeline is None:
         return "错误: 模型未初始化"
@@ -74,7 +73,7 @@ def diarize_audio(temp_file):
     except Exception as e:
         return f"处理音频时出错: {e}"
 
-# 获取目标说话人的时间段（排除目标音频时间段）
+# 获取目标说话人的时间段并替换指定的SPEAKER_00
 def get_speaker_segments(diarization, target_start_time, target_end_time, final_audio_length):
     speaker_segments = {}
     
@@ -85,20 +84,17 @@ def get_speaker_segments(diarization, target_start_time, target_end_time, final_
         
         # 如果是目标说话人
         if speaker == 'SPEAKER_00':
-            # 如果时间段与目标音频有重叠，需要截断
+            # 替换目标音频的时间段
             if start < target_end_time and end > target_start_time:
-                # 记录被截断的时间段
-                if start < target_start_time:
-                    # 目标音频开始前的时间段
-                    speaker_segments.setdefault(speaker, []).append((start, min(target_start_time, end)))
-                
-                if end > target_end_time:
-                    # 目标音频结束后的时间段
-                    speaker_segments.setdefault(speaker, []).append((max(target_end_time, start), min(end, final_audio_length)))
-            else:
-                # 完全不与目标音频重叠的时间段
-                if end <= target_start_time or start >= target_end_time:
-                    speaker_segments.setdefault(speaker, []).append((start, end))
+                # 目标音频时间段被截断，重新计算其时间段
+                new_start = max(start, target_start_time)
+                new_end = min(end, target_end_time)
+                speaker_segments.setdefault(speaker, []).append((new_start, new_end))
+        
+        else:
+            # 完全不与目标音频重叠的时间段
+            if end <= target_start_time or start >= target_end_time:
+                speaker_segments.setdefault(speaker, []).append((start, end))
     
     return speaker_segments
 
@@ -122,7 +118,7 @@ def process_audio(target_audio, mixed_audio):
         # 获取拼接后的音频长度
         final_audio_length = len(AudioSegment.from_wav("final_output.wav")) / 1000  # 秒为单位
         
-        # 获取目标说话人的时间段（排除目标音频时间段）
+        # 获取目标说话人的时间段（已排除和截断目标音频时间段）
         speaker_segments = get_speaker_segments(
             diarization_result, 
             time_dict['start_time'], 
@@ -162,4 +158,4 @@ with gr.Blocks() as demo:
         outputs=[diarization_output]
     )
 
-demo.launch(share=True)
+demo.launch(share=True)