Upload folder using huggingface_hub

app.py

@@ -56,7 +56,12 @@ def _fazer_endpoint(tipo: str):
         yield {"etapa": "Baixando o modelo…", "progress": None}
         falha = nucleo.preparar(tipo)
         if falha:
-            yield {"erro": falha}
+            # erro_gpu, e não erro: download que falhou (repo errado, rede,
+            # Hub fora) é ESTE runtime não conseguindo atender agora — o
+            # backend degrada para o gerador local em vez de devolver a
+            # falha à pessoa. Medido: o 404 de um id de modelo errado saía
+            # como erro do pedido e a música morria sem o fallback.
+            yield {"erro_gpu": falha}
             return
         # O try daqui não é redundância do try do nucleo: a ALOCAÇÃO do
         # @spaces.GPU acontece ANTES de o corpo rodar, e é ali que nascem os

modelos/ace_step.py

@@ -1,6 +1,6 @@
 # -*- coding: utf-8 -*-
 """
-MÚSICA — ACE-Step 1.5, rodando na GPU do worker.
+MÚSICA — ACE-Step 1.5 XL Turbo, no formato DIFFUSERS.
 
 É a primeira vez que este app tem MÚSICA de verdade sem provedor pago: a
 trilha do `midia_livre` é síntese de acordes (e a tela sempre disse isso);
@@ -8,38 +8,43 @@ o ACE-Step compõe — com letra, inclusive. Quando o worker está de pé, é el
 quem responde "music"; quando dorme, a trilha sintetizada volta a valer, e a
 diferença de qualidade é o preço anunciado da GPU gratuita.
 
+POR QUE DIFFUSERS E NÃO O PACOTE `acestep`, decidido na primeira validação
+real: o pacote do projeto crava `transformers==4.50.0`, e o Z-Image/Qwen3-TTS
+exigem >=4.51 — no mesmo processo os dois não se resolvem (pip cai em
+ResolutionImpossible). O projeto publica o checkpoint OFICIAL em formato
+diffusers (`acestep-v15-xl-turbo-diffusers`), carregável pelo
+`AceStepPipeline` que entrou no diffusers 0.38 — e o text_encoder dele é
+justamente um Qwen3Model, o mesmo stack dos outros modelos. Um requirements
+só, os quatro tipos juntos. (O id antigo `ACE-Step/ACE-Step-v1.5` nem existe
+no Hub — 404 medido.)
+
 `lyrics` aceita o formato de seções do projeto ([Verse]/[Chorus]); sem letra
 vai "[instrumental]" — mandar string vazia faz alguns checkpoints alucinarem
-voz. A chamada usa o pacote `acestep` (pip) e a API de pipeline dele; como no
-TTS, a chamada exata deve ser conferida no primeiro deploy com GPU (o
-MODELS.md marca), porque este ambiente não alcança os pesos.
+voz. O turbo é destilado: 8 passos, sem CFG para ajustar.
 """
 from __future__ import annotations
 
+import io
 import logging
 import os
-import tempfile
 from typing import Dict, Optional
 
 from . import base
 
 logger = logging.getLogger("worker.ace_step")
 
-VRAM_MINIMA_GB = 10
+VRAM_MINIMA_GB = 12
 
 _pipe = None
 _modelo_carregado = ""
 
 
 def _modelo() -> str:
-    return os.getenv("MUSIC_MODEL", "ACE-Step/ACE-Step-v1.5").strip()
+    return os.getenv("MUSIC_MODEL",
+                     "ACE-Step/acestep-v15-xl-turbo-diffusers").strip()
 
 
 def baixar(progresso: base.Progresso) -> None:
-    # Aquecer o cache do Hub com o repo dos pesos. O ACEStepPipeline tem um
-    # baixador próprio; se ele buscar por fora do cache, o pior caso é o
-    # download acontecer dentro da GPU como antes — melhor um aquecimento
-    # imperfeito que nenhum.
     base.baixar_repo(_modelo(), progresso)
 
 
@@ -51,9 +56,19 @@ def carregar(progresso: base.Progresso) -> None:
     if _pipe is not None and _modelo_carregado == _modelo():
         return
     progresso(None, "Carregando o modelo de música…")
-    from acestep.pipeline_ace_step import ACEStepPipeline
-    _pipe = ACEStepPipeline(checkpoint_dir=os.getenv("ACE_CHECKPOINT_DIR")
-                            or None, dtype="bfloat16")
+    import torch
+    from diffusers import AceStepPipeline
+    _pipe = AceStepPipeline.from_pretrained(
+        _modelo(), torch_dtype=torch.bfloat16,
+        token=os.getenv("HF_TOKEN") or None)
+    # Tiling no VAE: decodificar minutos de áudio 48 kHz de uma vez é o pico
+    # de memória do pipeline — o card do modelo recomenda para áudio longo.
+    _pipe.vae.enable_tiling()
+    livre = base.vram_livre_gb()
+    if livre is not None and livre < 16:
+        _pipe.enable_model_cpu_offload()
+    else:
+        _pipe.to(base.dispositivo())
     _modelo_carregado = _modelo()
 
 
@@ -72,13 +87,13 @@ def gerar(params: Dict, progresso: base.Progresso) -> base.Saida:
                           int(os.getenv("MUSIC_MAX_SEGUNDOS", "240"))))
 
     progresso(5, "Compondo…")
-    with tempfile.TemporaryDirectory() as pasta:
-        saida = os.path.join(pasta, "musica.wav")
-        _pipe(prompt=prompt, lyrics=letra, audio_duration=duracao,
-              save_path=saida)
-        progresso(95, "Finalizando…")
-        with open(saida, "rb") as f:
-            return f.read(), "audio/wav"
+    saida = _pipe(prompt=prompt, lyrics=letra,
+                  audio_duration=float(duracao),
+                  generator=base.semente(params))
+    progresso(95, "Finalizando…")
+    # audios[0] é (canais, amostras) em 48 kHz; o WAV sai estéreo.
+    return _wav_estereo(saida.audios[0],
+                        getattr(_pipe, "sample_rate", 48000)), "audio/wav"
 
 
 def descarregar() -> None:
@@ -94,3 +109,23 @@ def config_menor(params: Dict) -> Optional[Dict]:
         p["duration"] = 30
         return p
     return None
+
+
+def _wav_estereo(onda, taxa: int) -> bytes:
+    """Tensor (canais, amostras) → WAV 16-bit. struct, sem soundfile —
+    uma dependência a menos, como no TTS."""
+    import struct
+    try:
+        dados = onda.detach().float().cpu().numpy()
+    except AttributeError:
+        dados = onda
+    if dados.ndim == 1:
+        dados = dados.reshape(1, -1)
+    canais = dados.shape[0]
+    # Intercala os canais (LRLR…), que é como o WAV guarda estéreo.
+    inteiros = (dados.T.clip(-1, 1) * 32767).astype("<i2").tobytes()
+    bloco = canais * 2
+    return (b"RIFF" + struct.pack("<I", 36 + len(inteiros)) + b"WAVEfmt "
+            + struct.pack("<IHHIIHH", 16, 1, canais, int(taxa),
+                          int(taxa) * bloco, bloco, 16)
+            + b"data" + struct.pack("<I", len(inteiros)) + inteiros)

requirements.txt

@@ -6,10 +6,11 @@
 # O resto é a MESMA camada de inferência do worker CUDA
 # (services/gpu-worker/requirements.txt) — mesmos modelos, mesmas versões,
 # de propósito: dois pares de versões seriam dois comportamentos.
-# `>=0.34` e não um pino: o segundo build caiu em ResolutionImpossible — o
-# ace-step exige diffusers>=0.33, e o Wan 2.2 também quer diffusers recente.
-# Fixe a versão exata que o primeiro build verde escolher.
-diffusers>=0.34
+# `>=0.38` é MEDIDO: é a versão em que o AceStepPipeline entrou no diffusers
+# — a música daqui carrega o checkpoint oficial em formato diffusers
+# (acestep-v15-xl-turbo-diffusers), sem o pacote do projeto. Fixe a versão
+# exata que o primeiro build verde escolher.
+diffusers>=0.38
 # `>=4.51` é MEDIDO, não gosto: o Z-Image usa encoder Qwen3, e a classe
 # Qwen3Model só existe do 4.51 em diante — com 4.50 a primeira geração real
 # caiu com "module transformers has no attribute Qwen3Model".
@@ -24,15 +25,11 @@ qwen-tts>=0.1.1
 Pillow==11.1.0
 imageio==2.36.1
 imageio-ffmpeg==0.6.0
-# O ACE-STEP SAIU DAQUI, E NÃO FOI ESQUECIMENTO. Ele crava
-# transformers==4.50.0 (conferido no requirements.txt do GitHub deles), e o
-# Z-Image/Qwen3-TTS exigem >=4.51: no MESMO processo os dois não se
-# resolvem — o pip cai em ResolutionImpossible, e forçar a instalação
-# quebraria imagem e voz para salvar música. O desempate: 3 tipos > 1.
-# Música neste runtime devolve erro_gpu ("sem a biblioteca") e o backend
-# DEGRADA para o gerador local — comportamento honesto, nunca 500.
-# Quando o ACE-Step soltar o pino (ou houver um Space só de música),
-# devolva a linha:
-#   git+https://github.com/ace-step/ACE-Step.git
+# O PACOTE `acestep` NÃO ENTRA AQUI, E NÃO FOI ESQUECIMENTO. Ele crava
+# transformers==4.50.0, e o Z-Image/Qwen3-TTS exigem >=4.51: no MESMO
+# processo os dois não se resolvem (pip cai em ResolutionImpossible). A
+# música usa o checkpoint OFICIAL em formato diffusers, pelo AceStepPipeline
+# do próprio diffusers >=0.38 — mesmo stack dos outros modelos, zero
+# dependência extra.
 boto3==1.35.90
 requests>=2.32