Update app.py

app.py

@@ -25,6 +25,24 @@ def timestamp_to_seconds(timestamp):
     h, m, s = map(float, timestamp.split(':'))
     return 3600 * h + 60 * m + s
 
+def convert_to_wav(audio_file):
+    try:
+        # 使用 pydub 打开上传的音频文件
+        audio = AudioSegment.from_file(audio_file)
+        
+        # 创建一个 BytesIO 对象以存储转换后的音频
+        wav_output = BytesIO()
+        
+        # 将音频转换为 wav 格式并存储在 BytesIO 对象中
+        audio.export(wav_output, format="wav")
+        
+        # 将 BytesIO 对象的位置重置为开始位置，以便之后可以读取
+        wav_output.seek(0)
+        
+        return wav_output  # 返回转换后的 wav 音频
+    except Exception as e:
+        return f"音频转换失败: {e}"
+
 # 音频拼接函数：拼接目标音频和混合音频，返回目标音频的起始时间和结束时间作为字典
 def combine_audio_with_time(target_audio, mixed_audio):
     if pipeline is None:
@@ -36,13 +54,13 @@ def combine_audio_with_time(target_audio, mixed_audio):
 
     # 加载目标说话人的样本音频
     try:
-        target_audio_segment = AudioSegment.from_wav(target_audio)
+        target_audio_segment = convert_to_wav(AudioSegment.from_wav(target_audio))
     except Exception as e:
         return f"加载目标音频时出错: {e}"
     
     # 加载混合音频
     try:
-        mixed_audio_segment = AudioSegment.from_wav(mixed_audio)
+        mixed_audio_segment = convert_to_wav(AudioSegment.from_wav(mixed_audio))
     except Exception as e:
         return f"加载混合音频时出错: {e}"