app.py

import os
import gradio as gr
import torch
from fairseq.checkpoint_utils import load_model_ensemble_and_task_from_hf_hub
from huggingface_hub import login

# Obtener el token desde las variables de entorno
hf_token = os.getenv("HF_TOKEN")
if hf_token is None:
    raise ValueError("Debe proporcionar un token de Hugging Face en las variables de entorno.")

# Ingresar el token
login(hf_token)

# Intentar cargar el modelo

# Load model directly
processor = AutoProcessor.from_pretrained("ovieyra21/es_speecht5_tts_mabama")
model = AutoModelForTextToSpectrogram.from_pretrained("ovieyra21/es_speecht5_tts_mabama")


try:
    models, cfg, task = load_model_ensemble_and_task_from_hf_hub("ovieyra21/es_speecht5_tts_mabama")
    if not models:
        raise RuntimeError("No se pudo cargar el modelo. Asegúrate de que el nombre del modelo es correcto y que está disponible en Hugging Face Hub.")
    model = models[0]
except Exception as e:
    raise RuntimeError(f"Error al cargar el modelo: {e}")

# Función para generar la salida de texto a voz
def text_to_speech(text):
    try:
        # Preprocesamiento del texto
        tokens = task.source_dictionary.encode_line(text, add_if_not_exist=False)
        
        # Generar salida de audio
        with torch.no_grad():
            sample = {"net_input": {"src_tokens": tokens.unsqueeze(0).long()}}
            generator = task.build_generator([model], cfg.generation)
            audio = task.inference_step(generator, [model], sample)
        
        return audio[0][0].numpy()
    except Exception as e:
        return f"Error en la generación de audio: {e}"

# Crear interfaz de Gradio
iface = gr.Interface(
    fn=text_to_speech,
    inputs=gr.inputs.Textbox(lines=2, placeholder="Ingrese el texto aquí..."),
    outputs=gr.outputs.Audio(type="numpy", label="Output Audio"),
    title="Conversor de Texto a Voz",
    description="Ingrese texto para convertirlo a voz utilizando el modelo speecht5_tts_mabama_es."
)

if __name__ == "__main__":
    iface.launch()