Update app.py

app.py

@@ -14,7 +14,7 @@ import shutil
 import re
 import gradio as gr
 
-# --- 1. نصب و تنظیمات اولیه ---
+# --- 1. نصب و تنظیمات اولیه (بدون تغییر) ---
 
 def install_espeak():
     try:
@@ -204,6 +204,84 @@ def get_pipeline():
     inference_pipelines["timbre"] = pipeline
     return pipeline
 
+
+# --- تابع جدید برش هوشمند با قابلیت افزایش داینامیک بازه جستجو ---
+def smart_split_audio_vevo(y, sr, min_segment=4):
+    total_samples = len(y)
+    current_sample = 0
+    chunks = []
+    
+    # اگر طول کل فایل کمتر از حد مجاز اولیه (8 ثانیه) باشد، نیازی به برش نیست
+    if total_samples <= 8 * sr:
+        return [y]
+        
+    while current_sample < total_samples:
+        # اگر حجم نمونه‌های باقی‌مانده کمتر از حداقل زمان قطعه (4 ثانیه) باشد، بقیه فایل را یکجا بردار
+        if total_samples - current_sample <= min_segment * sr:
+            chunks.append(y[current_sample:])
+            break
+            
+        # بازه‌های گام‌به‌گام برای جستجوی سکوت: ابتدا ۸، سپس ۱۲، ۱۵ و نهایتاً ۲۰ ثانیه
+        steps = [8, 12, 15, 20]
+        silence_threshold = 0.015  # آستانه شدت انرژی سیگنال برای پذیرش به عنوان سکوت واقعی
+        
+        best_split_point = None
+        best_rms_val = float('inf')
+        
+        for max_sec in steps:
+            start_search = current_sample + int(min_segment * sr)
+            end_search = current_sample + int(max_sec * sr)
+            
+            if start_search >= total_samples:
+                best_split_point = total_samples
+                break
+            
+            if end_search > total_samples:
+                end_search = total_samples
+                
+            search_region = y[start_search:end_search]
+            if len(search_region) == 0:
+                best_split_point = total_samples
+                break
+                
+            # محاسبه میزان انرژی (RMS) قطعه
+            rms = librosa.feature.rms(y=search_region, frame_length=2048, hop_length=512)[0]
+            if len(rms) == 0:
+                continue
+                
+            min_rms_idx = np.argmin(rms)
+            min_rms_val = rms[min_rms_idx]
+            candidate_point = start_search + (min_rms_idx * 512)
+            
+            # ذخیره بهترین نقطه کم‌صدا (در صورتی که سکوت مطلق پیدا نشود، کم‌صدا‌ترین نقطه انتخاب می‌شود)
+            if min_rms_val < best_rms_val:
+                best_rms_val = min_rms_val
+                best_split_point = candidate_point
+                
+            # اگر شدت صدای نقطه پیدا شده پایین‌تر از آستانه سکوت بود، فرآیند جستجو را متوقف کرده و برش بزن
+            if min_rms_val < silence_threshold:
+                break
+        
+        if best_split_point is None:
+            best_split_point = min(current_sample + int(8 * sr), total_samples)
+            
+        chunk_audio = y[current_sample:best_split_point]
+        chunks.append(chunk_audio)
+        current_sample = best_split_point
+        
+    # بررسی قطعه آخر: اگر بیش از حد کوتاه باشد، آن را با بخش قبلی ادغام می‌کنیم
+    if len(chunks) > 1 and len(chunks[-1]) < int(1.5 * sr):
+        last_chunk = chunks.pop()
+        combined_len = len(chunks[-1]) + len(last_chunk)
+        # تا سقف حداکثر ۲۰ ثانیه ادغام قطعه آخر مجاز است
+        if combined_len <= int(20 * sr):
+            chunks[-1] = np.concatenate([chunks[-1], last_chunk])
+        else:
+            chunks.append(last_chunk)
+            
+    return chunks
+
+
 # =========================================================================
 #  سیستم استنتاج مستقیم بر روی Zero-GPU با رابط کاربری Gradio
 # =========================================================================
@@ -218,10 +296,10 @@ def predict_voice_conversion(source_audio_path, ref_audio_path):
     SR = 24000
 
     try:
-        # پردازش و بارگذاری صوت اصلی
+        # پردازش صوت اصلی
         content_data, _ = librosa.load(source_audio_path, sr=SR)
         
-        # پردازش و بارگذاری صوت مرجع
+        # پردازش صوت مرجع
         ref_data, _ = librosa.load(ref_audio_path, sr=SR)
         ref_tensor = torch.FloatTensor(ref_data).unsqueeze(0)
         ref_tensor = ref_tensor / (torch.max(torch.abs(ref_tensor)) + 1e-6) * 0.95
@@ -229,26 +307,13 @@ def predict_voice_conversion(source_audio_path, ref_audio_path):
         temp_r = f"wav/{task_id}_temp_r.wav"
         save_audio_pcm16(ref_tensor, temp_r, SR)
 
-        # تقسیم فایل صوتی اصلی به ب��ش‌های حداکثر ۶ ثانیه‌ای
-        chunk_duration = 6  # ثانیه
-        min_chunk_duration = 1.5  # حداقل طول مجاز برای آخرین قطعه (جهت جلوگیری از خطا)
-        chunk_samples = int(chunk_duration * SR)
-        min_samples = int(min_chunk_duration * SR)
-        total_samples = len(content_data)
-
-        chunks = []
-        for i in range(0, total_samples, chunk_samples):
-            chunks.append(content_data[i:i + chunk_samples])
-
-        # در صورتی که قطعه آخر بسیار کوتاه باشد، آن را با قطعه قبلی ترکیب می‌کنیم
-        if len(chunks) > 1 and len(chunks[-1]) < min_samples:
-            last_chunk = chunks.pop()
-            chunks[-1] = np.concatenate([chunks[-1], last_chunk])
+        # اعمال تقسیم‌کننده هوشمند چندمرحله‌ای
+        chunks = smart_split_audio_vevo(content_data, SR, min_segment=4)
 
         generated_chunks = []
         pipeline = get_pipeline()
 
-        # پردازش نوبتی هر یک از قطعات صدا
+        # شبیه‌سازی قطعه به قطعه
         for idx, chunk in enumerate(chunks):
             chunk_tensor = torch.FloatTensor(chunk).unsqueeze(0)
             chunk_tensor = chunk_tensor / (torch.max(torch.abs(chunk_tensor)) + 1e-6) * 0.95
@@ -256,7 +321,6 @@ def predict_voice_conversion(source_audio_path, ref_audio_path):
             temp_c_chunk = f"wav/{task_id}_temp_c_{idx}.wav"
             save_audio_pcm16(chunk_tensor, temp_c_chunk, SR)
 
-            # فراخوانی خط لوله مدل برای قطعه فعلی
             gen = pipeline.inference_fm(
                 src_wav_path=temp_c_chunk,
                 timbre_ref_wav_path=temp_r,
@@ -269,17 +333,15 @@ def predict_voice_conversion(source_audio_path, ref_audio_path):
             
             generated_chunks.append(gen_np)
 
-            # پاکسازی قطعه موقت فعلی
             if os.path.exists(temp_c_chunk): 
                 os.remove(temp_c_chunk)
 
-        # ادغام تمام قطعات خروجی شبیه‌سازی شده
+        # ادغام قطعات خروجی
         final_gen = np.concatenate(generated_chunks, axis=0)
 
-        # ذخیره‌سازی نهایی فایل صوتی ادغام شده
+        # ذخیره نهایی
         save_audio_pcm16(final_gen, out_path, SR)
 
-        # پاکسازی فایل مرجع موقت
         if os.path.exists(temp_r): 
             os.remove(temp_r)
 
@@ -288,7 +350,7 @@ def predict_voice_conversion(source_audio_path, ref_audio_path):
     except Exception as e:
         raise gr.Error(f"خطایی در حین پردازش رخ داد: {str(e)}")
 
-# طراحی ساختار وب با استفاده از Gradio (تم سازگار با نسخه جدید)
+# طراحی ساختار وب با استفاده از Gradio
 with gr.Blocks() as demo:
     gr.Markdown("# سامانه تبدیل صدا (Vevo Voice Conversion) - نسخه Zero-GPU PRO")