import torch # isort:skip torch.manual_seed(42) import json import re import unicodedata from types import SimpleNamespace import gradio as gr import numpy as np import regex from models import DurationNet, SynthesizerTrn title = "LightSpeed: Vietnamese Male Voice TTS" description = "Vietnam Male Voice TTS." config_file = "config.json" duration_model_path = "vbx_duration_model.pth" lightspeed_model_path = "gen_141k.pth" phone_set_file = "vbx_phone_set.json" device = "cuda" if torch.cuda.is_available() else "cpu" with open(config_file, "rb") as f: hps = json.load(f, object_hook=lambda x: SimpleNamespace(**x)) # load phone set json file with open(phone_set_file, "r") as f: phone_set = json.load(f) assert phone_set[0][1:-1] == "SEP" assert "sil" in phone_set sil_idx = phone_set.index("sil") vietnamese_characters = [ "a", "à", "á", "ả", "ã", "ạ", "ă", "ằ", "ắ", "ẳ", "ẵ", "ặ", "â", "ầ", "ấ", "ẩ", "ẫ", "ậ", "e", "è", "é", "ẻ", "ẽ", "ẹ", "ê", "ề", "ế", "ể", "ễ", "ệ", "i", "ì", "í", "ỉ", "ĩ", "ị", "o", "ò", "ó", "ỏ", "õ", "ọ", "ô", "ồ", "ố", "ổ", "ỗ", "ộ", "ơ", "ờ", "ớ", "ở", "ỡ", "ợ", "u", "ù", "ú", "ủ", "ũ", "ụ", "ư", "ừ", "ứ", "ử", "ữ", "ự", "y", "ỳ", "ý", "ỷ", "ỹ", "ỵ", "b", "c", "d", "đ", "g", "h", "k", "l", "m", "n", "p", "q", "r", "s", "t", "v", "x", ] alphabet = "".join(vietnamese_characters) space_re = regex.compile(r"\s+") number_re = regex.compile("([0-9]+)") digits = ["không", "một", "hai", "ba", "bốn", "năm", "sáu", "bảy", "tám", "chín"] num_re = regex.compile(r"([0-9.,]*[0-9])") keep_text_and_num_re = regex.compile(rf"[^\s{alphabet}.,0-9]") keep_text_re = regex.compile(rf"[^\s{alphabet}]") def read_number(num: str) -> str: if len(num) == 1: return digits[int(num)] elif len(num) == 2 and num.isdigit(): n = int(num) end = digits[n % 10] if n == 10: return "mười" if n % 10 == 5: end = "lăm" if n % 10 == 0: return digits[n // 10] + " mươi" elif n < 20: return "mười " + end else: if n % 10 == 1: end = "mốt" return digits[n // 10] + " mươi " + end elif len(num) == 3 and num.isdigit(): n = int(num) if n % 100 == 0: return digits[n // 100] + " trăm" elif num[1] == "0": return digits[n // 100] + " trăm lẻ " + digits[n % 100] else: return digits[n // 100] + " trăm " + read_number(num[1:]) elif len(num) >= 4 and len(num) <= 6 and num.isdigit(): n = int(num) n1 = n // 1000 return read_number(str(n1)) + " ngàn " + read_number(num[-3:]) elif "," in num: n1, n2 = num.split(",") return read_number(n1) + " phẩy " + read_number(n2) elif "." in num: parts = num.split(".") if len(parts) == 2: if parts[1] == "000": return read_number(parts[0]) + " ngàn" elif parts[1].startswith("00"): end = digits[int(parts[1][2:])] return read_number(parts[0]) + " ngàn lẻ " + end else: return read_number(parts[0]) + " ngàn " + read_number(parts[1]) elif len(parts) == 3: return ( read_number(parts[0]) + " triệu " + read_number(parts[1]) + " ngàn " + read_number(parts[2]) ) return num def text_to_phone_idx(text): # lowercase text = text.lower() # unicode normalize text = unicodedata.normalize("NFKC", text) text = text.replace(".", " . ") text = text.replace(",", " , ") text = text.replace(";", " ; ") text = text.replace(":", " : ") text = text.replace("!", " ! ") text = text.replace("?", " ? ") text = text.replace("(", " ( ") text = num_re.sub(r" \1 ", text) words = text.split() words = [read_number(w) if num_re.fullmatch(w) else w for w in words] text = " ".join(words) # remove redundant spaces text = re.sub(r"\s+", " ", text) # remove leading and trailing spaces text = text.strip() # convert words to phone indices tokens = [] for c in text: # if c is "," or ".", add phone if c in ":,.!?;(": tokens.append(sil_idx) elif c in phone_set: tokens.append(phone_set.index(c)) elif c == " ": # add phone tokens.append(0) if tokens[0] != sil_idx: # insert phone at the beginning tokens = [sil_idx, 0] + tokens if tokens[-1] != sil_idx: tokens = tokens + [0, sil_idx] return tokens def text_to_speech(text): # prevent too long text if len(text) > 500: text = text[:500] phone_idx = text_to_phone_idx(text) batch = { "phone_idx": np.array([phone_idx]), "phone_length": np.array([len(phone_idx)]), } # predict phoneme duration duration_net = DurationNet(hps.data.vocab_size, 64, 4).to(device) duration_net.load_state_dict(torch.load(duration_model_path, map_location=device)) duration_net = duration_net.eval() phone_length = torch.from_numpy(batch["phone_length"].copy()).long().to(device) phone_idx = torch.from_numpy(batch["phone_idx"].copy()).long().to(device) with torch.inference_mode(): phone_duration = duration_net(phone_idx, phone_length)[:, :, 0] * 1000 phone_duration = torch.where( phone_idx == sil_idx, torch.clamp_min(phone_duration, 200), phone_duration ) phone_duration = torch.where(phone_idx == 0, 0, phone_duration) generator = SynthesizerTrn( hps.data.vocab_size, hps.data.filter_length // 2 + 1, hps.train.segment_size // hps.data.hop_length, **vars(hps.model), ).to(device) del generator.enc_q ckpt = torch.load(lightspeed_model_path, map_location=device) params = {} for k, v in ckpt["net_g"].items(): k = k[7:] if k.startswith("module.") else k params[k] = v generator.load_state_dict(params, strict=False) del ckpt, params generator = generator.eval() # mininum 1 frame for each phone # phone_duration = torch.clamp_min(phone_duration, hps.data.hop_length * 1000 / hps.data.sampling_rate) # phone_duration = torch.where(phone_idx == 0, 0, phone_duration) end_time = torch.cumsum(phone_duration, dim=-1) start_time = end_time - phone_duration start_frame = start_time / 1000 * hps.data.sampling_rate / hps.data.hop_length end_frame = end_time / 1000 * hps.data.sampling_rate / hps.data.hop_length spec_length = end_frame.max(dim=-1).values pos = torch.arange(0, spec_length.item(), device=device) attn = torch.logical_and( pos[None, :, None] >= start_frame[:, None, :], pos[None, :, None] < end_frame[:, None, :], ).float() with torch.inference_mode(): y_hat = generator.infer( phone_idx, phone_length, spec_length, attn, max_len=None, noise_scale=0.667 )[0] wave = y_hat[0, 0].data.cpu().numpy() return (wave * (2**15)).astype(np.int16) def speak(text): y = text_to_speech(text) return hps.data.sampling_rate, y gr.Interface( fn=speak, inputs="text", outputs="audio", title=title, examples=[ "Trăm năm trong cõi người ta, chữ tài chữ mệnh khéo là ghét nhau.", "Đoạn trường tân thanh, thường được biết đến với cái tên đơn giản là Truyện Kiều, là một truyện thơ của đại thi hào Nguyễn Du", "Lục Vân Tiên quê ở huyện Đông Thành, khôi ngô tuấn tú, tài kiêm văn võ. Nghe tin triều đình mở khoa thi, Vân Tiên từ giã thầy xuống núi đua tài.", "Lê Quý Đôn, tên thuở nhỏ là Lê Danh Phương, là vị quan thời Lê trung hưng, cũng là nhà thơ và được mệnh danh là nhà bác học lớn của Việt Nam trong thời phong kiến", "Tất cả mọi người đều sinh ra có quyền bình đẳng. Tạo hóa cho họ những quyền không ai có thể xâm phạm được; trong những quyền ấy, có quyền được sống, quyền tự do và quyền mưu cầu hạnh phúc.", ], description=description, theme="default", allow_screenshot=False, allow_flagging="never", ).launch(debug=False)