import gradio as gr
import torch
import torchaudio
import os
import tempfile
import logging
import traceback
from datetime import datetime
# 設定日誌系統
logging.basicConfig(
level=logging.INFO,
format='%(asctime)s - %(levelname)s - %(message)s'
)
logger = logging.getLogger(__name__)
# 檢查 Hugging Face 環境變數
if not os.getenv("SpeechSeparation"):
logger.warning("⚠️ 環境變數 SpeechSeparation 未設定！請在 Hugging Face Space 的 Secrets 中設定 HF_TOKEN")
# 載入模型模組
try:
logger.info("🔧 開始載入語音分離模型...")
from DPTNet_eval.DPTNet_quant_sep import load_dpt_model, dpt_sep_process
logger.info("✅ 模型模組載入成功")
except ImportError as e:
logger.error(f"❌ 模組載入失敗: {str(e)}")
raise RuntimeError("本地模組路徑配置錯誤") from e
# 全域模型初始化
try:
logger.info("🔄 初始化模型中...")
model = load_dpt_model()
logger.info(f"🧠 模型載入完成，運行設備: {'GPU' if torch.cuda.is_available() else 'CPU'}")
except Exception as e:
logger.error(f"💣 模型初始化失敗: {str(e)}")
raise RuntimeError("模型載入異常終止") from e
def validate_audio(path):
"""驗證音檔格式與內容有效性"""
try:
info = torchaudio.info(path)
logger.info(f"🔊 音檔資訊: 采樣率={info.sample_rate}Hz, 通道數={info.num_channels}")
if info.num_channels not in [1, 2]:
raise gr.Error("❌ 不支援的音檔通道數（僅支援單聲道或立體聲）")
if info.sample_rate < 8000 or info.sample_rate > 48000:
raise gr.Error("❌ 不支援的采樣率（需介於 8kHz~48kHz）")
return info.sample_rate
except Exception as e:
logger.error(f"⚠️ 音檔驗證失敗: {str(e)}")
raise gr.Error("❌ 無效的音訊檔案格式")
def convert_to_wav(input_path):
"""統一轉換為 16kHz WAV 格式"""
try:
# 使用 torchaudio 保持一致性
waveform, sample_rate = torchaudio.load(input_path)
# 單聲道轉換
if waveform.shape[0] > 1:
waveform = torch.mean(waveform, dim=0, keepdim=True)
# 重采樣至 16kHz
if sample_rate != 16000:
resampler = torchaudio.transforms.Resample(orig_freq=sample_rate, new_freq=16000)
waveform = resampler(waveform)
# 建立臨時 WAV 檔案
with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as tmpfile:
torchaudio.save(tmpfile.name, waveform, 16000, bits_per_sample=16)
logger.info(f"📝 已生成標準 WAV 檔案: {tmpfile.name}")
return tmpfile.name
except Exception as e:
logger.error(f"⚠️ 音檔轉換失敗: {str(e)}")
raise gr.Error("❌ 音訊格式轉換失敗")
def separate_audio(input_audio):
"""主處理函式"""
process_id = datetime.now().strftime("%Y%m%d%H%M%S%f")
temp_wav = None
try:
# 使用固定臨時目錄而非隨機生成
tmp_dir = "/tmp/gradio_outputs"
os.makedirs(tmp_dir, exist_ok=True)
# 建立唯一辨識子目錄
process_id = datetime.now().strftime("%Y%m%d%H%M%S%f")
output_dir = os.path.join(tmp_dir, process_id)
os.makedirs(output_dir)
# 輸出路徑改為固定結構
outfilename = os.path.join(output_dir, "output.wav")
# 執行分離
sep_files = dpt_sep_process(temp_wav, model=model, outfilename=outfilename)
# 確保輸出檔案存在
for f in sep_files:
if not os.path.exists(f):
raise gr.Error(f"❌ 缺失輸出檔案: {f}")
return sep_files
except Exception as e:
# 清理失敗時保留臨時資料夾以利除錯
logger.error(f"⚠️ 處理失敗: {str(e)}")
raise gr.Error("❌ 處理失敗，請檢查日誌") from e
# 🎯 description 內容（轉為 HTML）
description_html = """
"""
EXAMPLES = [
["examples/sample1.wav"],
["examples/sample2.mp3"]
]
AUDIO_INPUT = gr.Audio(
label="🔊 上傳混合音檔",
type="filepath",
sources=["upload", "microphone"],
show_label=True,
max_length=180 # 最大 3 分鐘
)
# 修改 Gradio 輸出設定
AUDIO_OUTPUTS = [
gr.Audio(label="🗣️ 語音軌道 1", type="filepath", format="wav"),
gr.Audio(label="🗣️ 語音軌道 2", type="filepath", format="wav")
]
# 🚀 啟動應用程式
interface = gr.Interface(
fn=separate_audio,
inputs=AUDIO_INPUT,
outputs=AUDIO_OUTPUTS,
title="🎙️ 語音分離，上傳一段混音音檔（支援.mp3, .wav），自動分離出兩個人的聲音；Deep Learning 101",
description=description_html,
examples=EXAMPLES,
allow_flagging="never",
cache_examples=False,
theme="default"
)
LAUNCH_CONFIG = {
"server_name": "0.0.0.0",
"server_port": 7860,
"share": False,
"debug": True,
"auth": None,
"inbrowser": True,
"quiet": False
}
if __name__ == "__main__":
logger.info("🚀 啟動 Gradio 服務...")
interface.launch(**LAUNCH_CONFIG)