Hugging Face's logo

Spaces:
Cong123779
/
matcha-tts
Sleeping

App Files Community
matcha-tts
File size: 4,535 Bytes
ead033d
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
#pragma once

/**
 * ============================================================================
 * MatchaTTS C++ High-Level Clean API (Header-Only Wrapper)
 * ============================================================================
 * Thư viện giao tiếp C++ cấp cao, chuẩn hóa, độc lập và dễ nhúng vào bất kỳ
 * dự án C++ nào (Game Engine, Audio Application, Streaming Server, Robot, v.v.)
 *
 * Cách sử dụng cơ bản (3 dòng code):
 * ----------------------------------
 *   MatchaTTS tts;
 *   tts.init("models_onnx", false); // false: dùng CPU (mặc định), true: dùng GPU
 *   tts.speak_to_file("Xin chào, đây là giọng đọc C++!", "chao.wav");
 * ============================================================================
 */

#include "tts_engine.hpp"
#include <string>
#include <vector>
#include <fstream>
#include <sstream>
#include <iostream>
#include <memory>

class MatchaTTS {
public:
    MatchaTTS() : engine_(std::make_unique<TTSEngine>()) {}
    ~MatchaTTS() = default;

    /**
     * Khởi tạo hệ thống TTS.
     * @param models_dir Đường dẫn thư mục chứa các file ONNX (mặc định: "models_onnx")
     * @param use_gpu Kích hoạt NVIDIA CUDA (true) hoặc CPU đa luồng (false)
     * @param model_type "fp32" (chuẩn nhất), "fp16" (GPU Tensor Cores), "int8" (CPU siêu nhẹ)
     * @return true nếu nạp thành công toàn bộ mô hình
     */
    bool init(
        const std::string& models_dir = "models_onnx",
        bool use_gpu = false,
        const std::string& model_type = "fp32"
    ) {
        std::string base_dir = models_dir + "/" + model_type;
        std::string enc = base_dir + "/matcha_encoder.onnx";
        std::string dec = base_dir + "/matcha_decoder.onnx";
        std::string voc = base_dir + "/vocos.onnx";
        std::string sym = models_dir + "/symbols.json";
        std::string pe  = models_dir + "/prompt_encoder.onnx";

        model_type_ = model_type;
        use_gpu_ = use_gpu;
        return engine_->init(enc, dec, voc, sym, use_gpu, pe);
    }

    /**
     * Tổng hợp văn bản thành mảng âm thanh float32 (22,050 Hz).
     * Tự động phân đoạn câu, chạy chuỗi liên tục Voice Prompt Chaining và chuẩn hóa âm lượng.
     */
    std::vector<float> speak(
        const std::string& text,
        int steps = 10,
        float speed = 1.0f,
        float temp = 0.9f,
        float pause_sec = 0.15f
    ) {
        TTSConfig cfg;
        cfg.n_timesteps = steps;
        cfg.length_scale = speed;
        cfg.temperature = temp;
        cfg.pause_sec = pause_sec;
        cfg.use_gpu = use_gpu_;

        double audio_dur = 0.0;
        double proc_time = 0.0;
        return engine_->synthesize_paragraph(text, cfg, audio_dur, proc_time);
    }

    /**
     * Tổng hợp văn bản và lưu trực tiếp thành tệp WAV 16-bit PCM.
     */
    bool speak_to_file(
        const std::string& text,
        const std::string& output_wav,
        int steps = 10,
        float speed = 1.0f,
        float temp = 0.9f,
        float pause_sec = 0.15f,
        double* out_duration = nullptr,
        double* out_time = nullptr
    ) {
        TTSConfig cfg;
        cfg.n_timesteps = steps;
        cfg.length_scale = speed;
        cfg.temperature = temp;
        cfg.pause_sec = pause_sec;
        cfg.use_gpu = use_gpu_;

        double audio_dur = 0.0;
        double proc_time = 0.0;
        auto wav = engine_->synthesize_paragraph(text, cfg, audio_dur, proc_time);
        if (wav.empty()) return false;

        if (out_duration) *out_duration = audio_dur;
        if (out_time) *out_time = proc_time;

        return TTSEngine::save_wav(output_wav, wav, 22050);
    }

    /**
     * Đọc toàn bộ file văn bản dài (.txt) và xuất ra file WAV.
     */
    bool read_file_to_audio(
        const std::string& input_txt_path,
        const std::string& output_wav_path,
        int steps = 10,
        float speed = 1.0f,
        float pause_sec = 0.18f
    ) {
        std::ifstream file(input_txt_path);
        if (!file.is_open()) {
            std::cerr << "❌ Không thể đọc file: " << input_txt_path << std::endl;
            return false;
        }
        std::stringstream ss;
        ss << file.rdbuf();
        return speak_to_file(ss.str(), output_wav_path, steps, speed, 0.9f, pause_sec);
    }

private:
    std::unique_ptr<TTSEngine> engine_;
    std::string model_type_ = "fp32";
    bool use_gpu_ = false;
};