app.py

import tempfile
import time
import os

import gradio as gr
from scipy.io.wavfile import write as write_wav

# ---- VALL‑E‑X utility modules ----
from utils.prompt_making import make_prompt
from utils.generation import SAMPLE_RATE, generate_audio, preload_models

# モデルをメモリにロードしておく（初回だけ時間が掛かります）
preload_models()

def clone_and_generate(uploaded_audio_path, transcript, script):
    """グラディオのコールバック関数。
    1. アップロードされた音声ファイルパスを取得
    2. make_prompt() で話者プロンプトを生成
    3. generate_audio() で台本を合成
    4. 合成音声を一時 WAV として書き出し、そのパスを返す
    """
    if uploaded_audio_path is None or not transcript or not script:
        return None, "⚠️ 音声・文字起こし・台本をすべて入力してください"

    audio_path = uploaded_audio_path

    prompt_name = f"prompt_{int(time.time())}"
    make_prompt(name=prompt_name, audio_prompt_path=audio_path, transcript=transcript)

    audio_array = generate_audio(script, prompt=prompt_name)

    out_path = os.path.join(tempfile.gettempdir(), f"{prompt_name}_generated.wav")
    write_wav(out_path, SAMPLE_RATE, audio_array)

    return out_path, "✅ 生成完了しました！🎉"

# ---------------- Gradio UI 定義 ----------------
with gr.Blocks(title="VALL‑E‑X 音声クローン Web アプリ (Spaces向け)") as demo:
    gr.Markdown("""
    # 🐾 VALL‑E‑X 音声クローン Web アプリ (Hugging Face Spaces 向け)

    1. **クローン元音声**（1〜3秒の WAV 推奨）をアップロード
    2. **文字起こし**（クローン元音声に対応するテキスト）を入力
    3. **台本**（生成したいセリフ）を入力
    4. **▶️ 音声生成** ボタンを押すと自動で生成されます

    **📝 Hugging Face Spaces でのデプロイ方法**
    - このリポジトリを Spaces のコードタブにコピー
    - `app.py` を設定後、Spaces の `Settings` > `Hardware` で GPU を有効化（必要に応じて）
    - `requirements.txt` に `gradio`, `scipy`, `soundfile` を追加
    - 変更をコミットすると自動でビルド＆公開されます
    - 公開された URL から直接アクセス可能です
    """)

    with gr.Row():
        with gr.Column():
            audio_in = gr.Audio(label="① クローン元音声", type="filepath")
            transcript_in = gr.Textbox(label="② クローン元文字起こし", lines=2, placeholder="例）これはテストの音声です。")
            script_in = gr.Textbox(label="③ 台本（生成したいセリフ）", lines=4, placeholder="例）今日はいい天気ですね、ご主人様。")
            generate_btn = gr.Button("🎙️ 音声生成", variant="primary")

        with gr.Column():
            output_audio = gr.Audio(label="生成された音声", interactive=False)
            status = gr.Textbox(label="ステータス / ログ", interactive=False)

    generate_btn.click(fn=clone_and_generate,
                       inputs=[audio_in, transcript_in, script_in],
                       outputs=[output_audio, status])

if __name__ == "__main__":
    # Spaces 環境では share=True は不要です
    demo.launch()