# app.py import gradio as gr from transformers import pipeline import numpy as np # WICHTIG: Verwenden Sie ein schnelles und einfaches TTS-Modell. # 'espnet/kan-bayashi_vits' ist gut, aber wählen Sie ggf. ein alternatives, falls es zu groß ist. TTS_MODEL = "espnet/kan-bayashi_vits" # Lade die Pipeline (dies passiert beim Start des Space) # Die Pipeline fasst Tokenizer, Transformer und Head zusammen. synthesizer = pipeline("text-to-speech", model=TTS_MODEL) # Funktion, die der Gradio-Block aufruft def generate_speech(text): # Die Speaker ID wird im Gradio-Interface oft nicht direkt unterstützt, # daher lassen wir sie für diese einfache Demo weg. # Inferenz: Text wird in Audio umgewandelt output = synthesizer(text) # Rückgabe des Audio-Outputs # Gradio erwartet ein Tupel: (Sample Rate, Audio Daten als Numpy Array) audio_data = output["audio"] return (audio_data.sampling_rate, audio_data.numpy()) # --- GRADIO INTERFACE (Die Web-Oberfläche) --- # Dies demonstriert die einfache Nutzung (Einfachheit für Praktiker). iface = gr.Interface( fn=generate_speech, inputs=gr.Textbox(lines=2, label="Text eingeben"), outputs=gr.Audio(label="Generierte Sprache", type="numpy"), title="🎙️ Hugging Face TTS Demo (Conditional Generation)", description="Demonstriert die Leistung der Transformer-Architektur zur Sequenz-Generierung (Text-to-Speech).", ) iface.launch()