app.py

import os
import gradio as gr
import torch
import torchaudio
import numpy as np
from denoiser.demucs import Demucs
from pydub import AudioSegment
import soundfile as sf
import librosa
 
modelpath = './denoiser/master64.th'
 
def transcribe(file_upload, microphone):
    file = microphone if microphone is not None else file_upload
    
    # 統一音訊預處理流程
    def preprocess_audio(input_path, output_path):
        # 用 pydub 處理格式轉換
        audio = AudioSegment.from_file(input_path)
        
        # 強制轉單聲道 + 16kHz 採樣率
        if audio.channels > 1:
            audio = audio.set_channels(1)
        if audio.frame_rate != 16000:
            audio = audio.set_frame_rate(16000)
        
        # 導出為 WAV 暫存檔
        audio.export(output_path, format="wav")
        return output_path
 
    # 處理 MP3 特殊流程
    if file.lower().endswith(".mp3"):
        temp_wav = "temp_input.wav"
        preprocess_audio(file, temp_wav)
        file = temp_wav
 
    # 載入模型
    model = Demucs(hidden=64)
    state_dict = torch.load(modelpath, map_location='cpu')
    model.load_state_dict(state_dict)
    model.eval()
 
    # 載入音訊並強制轉單聲道
    x, sr = torchaudio.load(file)
    if x.shape[0] > 1:
        x = torch.mean(x, dim=0, keepdim=True)
    
    # 音訊長度檢查
    MAX_AUDIO_SECONDS = 600
    if x.shape[1] / sr > MAX_AUDIO_SECONDS:
        raise ValueError(f"音訊過長！限制：{MAX_AUDIO_SECONDS} 秒，當前：{x.shape[1]/sr:.1f} 秒")
 
    # 執行降噪
    with torch.no_grad():
        out = model(x[None])[0]
 
    # 後處理
    out = out / max(out.abs().max().item(), 1)
    torchaudio.save('enhanced.wav', out, sr)
    
    # 轉 MP3 輸出
    enhanced_mp3 = 'enhanced.mp3'
    AudioSegment.from_wav('enhanced.wav').export(
        enhanced_mp3,
        format="mp3",
        bitrate="256k"
    )
    
    # 清理暫存檔
    if os.path.exists("temp_input.wav"):
        os.remove("temp_input.wav")
    
    return enhanced_mp3
 
# 👇 重要：修正 Gradio 類型推導問題
transcribe.__annotations__ = {
    "file_upload": str,
    "microphone": str,
    "return": str
}

# 🎯 你提供的 description 內容（已轉為 HTML）
description_html = """
<h1 align='center'><a href='https://www.twman.org/AI/ASR/SpeechEnhancement' target='_blank'>中文語音質檢/噪音去除 (語音增強)</a></h1>
<p align='center'><b>上傳一段音檔 （支援 .mp3, .wav），為了提升語音識別的效果，可以在識別前先進行噪音去除</b></p>
<div align='center'>
  <a href='https://www.twman.org' target='_blank'>TonTon Huang Ph.D.</a> | 
  <a href='https://www.twman.org/AI' target='_blank'> AI </a> |
  <a href='https://blog.twman.org/p/deeplearning101.html' target='_blank'>手把手帶你一起踩AI坑</a> |
  <a href='https://github.com/Deep-Learning-101' target='_blank'>GitHub</a> |
  <a href='http://deeplearning101.twman.org' target='_blank'>Deep Learning 101</a> |
  <a href='https://www.youtube.com/c/DeepLearning101' target='_blank'>YouTube</a>  
</div>
<br>
📘 相關技術文章：
<ul>
  <li><a href='https://blog.twman.org/2025/03/AIAgent.html' target='_blank'>避開 AI Agent 開發陷阱：常見問題、挑戰與解決方案 (那些 AI Agent 實戰踩過的坑)</a>：探討多種 AI Agent 工具的應用經驗與挑戰</li>
  <li><a href='https://blog.twman.org/2024/08/LLM.html' target='_blank'>白話文手把手帶你科普 GenAI</a>：淺顯介紹生成式人工智慧核心概念</li>
  <li><a href='https://blog.twman.org/2024/09/LLM.html' target='_blank'>大型語言模型直接就打完收工？</a>：回顧 LLM 領域探索歷程</li>
  <li><a href='https://blog.twman.org/2024/07/RAG.html' target='_blank'>檢索增強生成 (Retrieval-Augmented Generation, RAG) 不是萬靈丹之優化挑戰技巧</a>：探討 RAG 技術應用與挑戰</li>
  <li><a href='https://blog.twman.org/2024/02/LLM.html' target='_blank'>大型語言模型 (LLM) 入門完整指南：原理、應用與未來</a>：探討多種 LLM 工具的應用與挑戰</li>
  <li><a href='https://blog.twman.org/2023/04/GPT.html' target='_blank'>什麼是大語言模型，它是什麼？想要嗎？(Large Language Model，LLM)</a>：探討 LLM 的發展與應用</li>
  <li><a href='https://blog.twman.org/2024/11/diffusion.html' target='_blank'>ComfyUI + Stable Diffuision</a>：深入探討影像生成與分割技術的應用</li>
  <li><a href='https://blog.twman.org/2024/02/asr-tts.html' target='_blank'>ASR/TTS 開發避坑指南：語音辨識與合成的常見挑戰與對策</a>：探討 ASR 和 TTS 技術應用中的問題</li>
  <li><a href='https://blog.twman.org/2021/04/NLP.html' target='_blank'>那些自然語言處理 (NLP) 踩的坑</a>：分享 NLP 領域的實踐經驗</li>
  <li><a href='https://blog.twman.org/2021/04/ASR.html' target='_blank'>那些語音處理 (Speech Processing) 踩的坑</a>：分享語音處理領域的實務經驗</li>
  <li><a href='https://blog.twman.org/2023/07/wsl.html' target='_blank'>用PPOCRLabel來幫PaddleOCR做OCR的微調和標註</a></li>
  <li><a href='https://blog.twman.org/2023/07/HugIE.html' target='_blank'>基於機器閱讀理解和指令微調的統一信息抽取框架之診斷書醫囑資訊擷取分析</a></li>
</ul>
<br>
"""


demo = gr.Interface(
    fn=transcribe,
    inputs=[
        gr.Audio(type="filepath", label="上傳音訊檔案", sources=["upload", "microphone"])
    ],
    outputs=[
        gr.Audio(type="filepath", label="處理後音訊")
    ],
    live=True,
    allow_flagging="never",
    description=description_html    
)

demo.launch(debug=True, share=True)