Update app.py

app.py

@@ -5,60 +5,70 @@ from TTS.api import TTS
 import librosa
 import numpy as np
 import os
-import spaces
 
+# Establecer variable de entorno para Coqui TTS
 os.environ["COQUI_TOS_AGREED"] = "1"
 
+# Cargar el procesador y el modelo de MusicGen
 processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
 model_musicgen = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")
+
+# Cargar el modelo de TTS
 model_tts = TTS(model_name="tts_models/multilingual/multi-dataset/xtts_v2", progress_bar=False).to("cpu")
 
-@spaces.GPU()
 def generate_music(text_prompt, audio_file=None, tts_text=None):
+    # Procesar la descripción de la música
     inputs = processor(text=text_prompt, padding=True, return_tensors="pt")
+    
+    # Parámetros de duración máxima y mínima para la música generada
     max_duration_sec = 600
     min_duration_sec = 30
     max_new_tokens = int(max_duration_sec * model_musicgen.config.min_length)
     min_new_tokens = int(min_duration_sec * model_musicgen.config.min_length)
     
-    audio_values = model_musicgen.generate(**inputs.to("cpu"))
+    # Generar música
+    audio_values = model_musicgen.generate(**inputs)
     music = audio_values.cpu().numpy()[0]
 
-    audio_prompt = audio_file
-
-    if audio_prompt and tts_text:
-        cloned_audio = model_tts.tts_with_vc(tts_text, speaker_wav=audio_prompt, language="es")
+    # Si se proporciona un archivo de audio y texto para clonar la voz
+    if audio_file and tts_text:
+        try:
+            # Generar la voz clonada usando TTS
+            cloned_audio = model_tts.tts_with_vc(tts_text, speaker_wav=audio_file, language="es")
 
-        if model_tts.synthesizer.output_sample_rate != 44100:
-            cloned_audio, _ = librosa.resample(cloned_audio, model_tts.synthesizer.output_sample_rate, 44100)
+            # Asegurarse de que la tasa de muestreo sea la correcta (44.1kHz)
+            if model_tts.synthesizer.output_sample_rate != 44100:
+                cloned_audio, _ = librosa.resample(cloned_audio, model_tts.synthesizer.output_sample_rate, 44100)
 
-        try:
+            # Convertir música generada en un array de floats
             music_np = librosa.util.buf_to_float(music, n_bytes=2)
 
-            # Pad the shorter array
+            # Ajustar las longitudes de los arrays (rellenar el más corto)
             if len(music_np) > len(cloned_audio):
                 cloned_audio = np.pad(cloned_audio, (0, len(music_np) - len(cloned_audio)))
             else:
                 music_np = np.pad(music_np, (0, len(cloned_audio) - len(music_np)))
 
+            # Combinar la música y el audio clonado
             combined_audio = music_np + cloned_audio
-            
-            # Normalize and convert to int16
+
+            # Normalizar y convertir a formato int16
             combined_audio = combined_audio / np.max(np.abs(combined_audio))
             combined_audio_int16 = (combined_audio * 32767).astype(np.int16)
 
             return (44100, combined_audio_int16)
         except Exception as e:
-            print(f"Error combining audio: {e}")
+            print(f"Error combinando audio: {e}")
             return (44100, music)
 
     return (44100, music)
 
+# Crear la interfaz Gradio
 iface = gr.Interface(
     fn=generate_music,
     inputs=[
         gr.Textbox(label="Descripción de la música"),
-        gr.Audio(type="filepath", label="Subir audio de voz"),
+        gr.Audio(type="filepath", label="Subir audio de voz (Opcional)"),
         gr.Textbox(label="Texto para clonar la voz (Opcional)"),
     ],
     outputs=gr.Audio(label="Música generada", type="numpy"),
@@ -66,4 +76,5 @@ iface = gr.Interface(
     description="Introduce una descripción de la música que deseas generar y opcionalmente un audio de voz para clonar con texto.",
 )
 
+# Lanzar la interfaz
 iface.launch()