app.py

import json
import logging
import os
import sys
import time
import argparse
import requests
from urllib.parse import urlparse
import warnings

# --- 抑制警告信息 ---
warnings.filterwarnings("ignore", category=FutureWarning)
warnings.filterwarnings("ignore", category=UserWarning)

# --- 设置系统路径 ---
current_dir = os.path.dirname(os.path.abspath(__file__))
sys.path.append(current_dir)
sys.path.append(os.path.join(current_dir, "indextts"))

# --- 导入本地模块 ---
from indextts.infer_v2 import IndexTTS2
from tools.download_files import download_model_from_huggingface

def download_file(url, save_dir="temp_audio"):
    """
    从 URL 下载文件，或者如果路径是本地文件则直接返回路径。
    """
    os.makedirs(save_dir, exist_ok=True)
    
    try:
        result = urlparse(url)
        is_url = all([result.scheme, result.netloc])
    except ValueError:
        is_url = False

    if not is_url:
        if os.path.exists(url):
            print(f"使用本地文件: {url}")
            return url
        else:
            raise FileNotFoundError(f"本地文件未找到: {url}")

    filename = os.path.basename(result.path)
    if not filename:
        filename = f"audio_{int(time.time())}.wav"
        
    save_path = os.path.join(save_dir, filename)
    
    print(f"正在从 {url} 下载音频到 {save_path}...")
    try:
        response = requests.get(url, stream=True, timeout=30)
        response.raise_for_status()
        
        with open(save_path, "wb") as f:
            for chunk in response.iter_content(chunk_size=8192):
                f.write(chunk)
        
        print("下载完成。")
        return save_path
    except requests.exceptions.RequestException as e:
        print(f"下载文件时出错: {e}")
        raise

def main():
    """
    运行命令行文本转语音应用的主函数。
    """
    parser = argparse.ArgumentParser(
        description="IndexTTS: 命令行文本转语音应用",
        formatter_class=argparse.RawTextHelpFormatter
    )
    
    parser.add_argument("--prompt", type=str, required=True, help="需要合成的文本。")
    parser.add_argument("--input_audio", type=str, required=True, help="音色参考音频的 URL 或本地路径 (.wav)。")
    parser.add_argument("--setting", type=int, choices=[1, 2, 3, 4], required=True, 
                        help="情感控制方法:\n"
                             "1: 与音色参考音频相同。\n"
                             "2: 使用单独的情感参考音频。\n"
                             "3: 使用情感向量。\n"
                             "4: 使用文本描述来控制情感。")
    
    parser.add_argument("--emo_audio", type=str, help="情感参考音频的 URL 或本地路径 (setting 2 必需)。")
    parser.add_argument("--emo_weight", type=float, default=0.8, help="情感权重 (setting 2, 默认: 0.8)。")
    parser.add_argument("--emo_vectors", type=float, nargs=8, 
                        metavar=('喜', '怒', '哀', '惧', '厌恶', '低落', '惊喜', '平静'), 
                        help="八个情感向量值，用空格分隔 (setting 3 必需)。")
    parser.add_argument("--emo_text", type=str, help="情感描述文本，例如 '高兴', '伤心' (setting 4 必需)。")

    parser.add_argument("--output_path", type=str, default=None, help="保存输出音频的路径。如果未提供，将使用默认名称。")
    parser.add_argument("--model_dir", type=str, default="checkpoints", help="模型检查点目录。")
    parser.add_argument("--is_fp16", action="store_true", default=False, help="启用 fp16 推理。")
    parser.add_argument("--verbose", action="store_true", default=False, help="启用详细日志记录。")
    
    args = parser.parse_args()

    print("正在检查模型文件...")
    download_model_from_huggingface(
        os.path.join(current_dir, "checkpoints"),
        os.path.join(current_dir, "checkpoints", "hf_cache")
    )

    print("正在加载 IndexTTS 模型...")
    tts = IndexTTS2(
        model_dir=args.model_dir,
        cfg_path=os.path.join(args.model_dir, "config.yaml"),
        is_fp16=args.is_fp16,
        use_cuda_kernel=False
    )
    print("模型加载成功。")

    # --- 主要修改 1 ---
    # 确保名为 "output" 的文件夹存在
    os.makedirs("output", exist_ok=True)
    
    # --- 主要修改 2 ---
    # 如果用户没有通过 --output_path 指定路径，则默认使用 'output/output.wav'
    output_path = args.output_path or os.path.join("output", "output.wav")
    
    prompt_audio_path = download_file(args.input_audio)

    emo_audio_prompt = None
    emo_alpha = 1.0
    emo_vector = None
    use_emo_text = False
    emo_text_val = ""
    emo_control_method = args.setting - 1

    if emo_control_method == 0:
        print("使用音色参考音频中的情感。")
        pass

    elif emo_control_method == 1:
        print("使用独立的情感参考音频。")
        if not args.emo_audio:
            parser.error("--emo_audio 参数在 setting 2 中是必需的。")
        emo_audio_prompt = download_file(args.emo_audio)
        emo_alpha = args.emo_weight
        print(f"情感参考: {emo_audio_prompt}, 权重: {emo_alpha}")

    elif emo_control_method == 2:
        print("使用情感向量进行控制。")
        if not args.emo_vectors:
            parser.error("--emo_vectors 参数在 setting 3 中是必需的。")
        vec_sum = sum(args.emo_vectors)
        if vec_sum > 1.5:
            raise ValueError(f"情感向量的总和不能超过1.5。当前总和: {vec_sum}")
        emo_vector = args.emo_vectors
        print(f"情感向量: {emo_vector}")

    elif emo_control_method == 3:
        print("使用文本描述来控制情感。")
        if not args.emo_text:
            parser.error("--emo_text 参数在 setting 4 中是必需的。")
        use_emo_text = True
        emo_text_val = args.emo_text
        print(f"情感文本: '{emo_text_val}'")

    print("\n开始 TTS 推理...")
    tts.infer(
        spk_audio_prompt=prompt_audio_path,
        text=args.prompt,
        output_path=output_path,
        emo_audio_prompt=emo_audio_prompt,
        emo_alpha=emo_alpha,
        emo_vector=emo_vector,
        use_emo_text=use_emo_text,
        emo_text=emo_text_val,
        verbose=args.verbose,
    )

    print(f"\n✨ 推理完成！音频已保存至: {output_path}")

if __name__ == "__main__":
    main()