Deploy MyanmarTTS ZeroGPU demo

README.md

@@ -1,13 +1,14 @@
 ---
 title: MyanmarTTS Demo
-emoji: 🏆
-colorFrom: indigo
-colorTo: pink
+emoji: 🎙️
+colorFrom: blue
+colorTo: green
 sdk: gradio
-sdk_version: 6.29.0
-python_version: '3.13'
+sdk_version: 5.20.0
 app_file: app.py
 pinned: false
+license: cc0-1.0
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# MyanmarTTS Demo
+Burmese text-to-speech demonstration powered by ZeroGPU.

app.py

@@ -0,0 +1,102 @@
+import spaces  # MUST be the first import for ZeroGPU
+import os
+import tempfile
+import torch
+import soundfile as sf
+import gradio as gr
+from huggingface_hub import hf_hub_download
+
+# Local engine imports
+from api import StableTTSAPI
+from text.burmese import burmese_to_ipa2
+
+MODEL_REPO = "freococo/MyanmarTTS"
+
+print("[Startup] Downloading model weights and reference audio...")
+model_path = hf_hub_download(repo_id=MODEL_REPO, filename="model_fp16.pt")
+vocos_path = hf_hub_download(repo_id=MODEL_REPO, filename="vocos.pt")
+default_ref = hf_hub_download(repo_id=MODEL_REPO, filename="samples/sample_0.wav")
+
+print("[Startup] Initializing StableTTS...")
+device = "cuda" if torch.cuda.is_available() else "cpu"
+model = StableTTSAPI(model_path, vocos_path, "vocos").to(device)
+model.g2p_mapping["burmese"] = burmese_to_ipa2
+print("[Startup] Model ready!")
+
+
+@spaces.GPU(duration=30)
+def generate_speech(text, ref_audio, steps, solver, cfg):
+    if not text or not text.strip():
+        raise gr.Error("ကျေးဇူးပြု၍ မြန်မာစာသား ထည့်သွင်းပေးပါ (Please enter Burmese text).")
+
+    # Use uploaded reference audio, or fallback to default sample_0
+    ref = ref_audio if ref_audio else default_ref
+
+    audio, _ = model.inference(
+        text=text.strip(),
+        ref_audio=ref,
+        language="burmese",
+        step=int(steps),
+        solver=solver,
+        cfg=float(cfg),
+    )
+
+    tmp = tempfile.NamedTemporaryFile(suffix=".wav", delete=False)
+    sf.write(tmp.name, audio.squeeze(0).cpu().numpy(), 44100)
+    return tmp.name
+
+
+EXAMPLES = [
+    ["မြန်မာလူမျိုးများဟာ အလွန် ယဥ်ကျေးသိမ်မွေ့ပြီး ဧည့်သည်များကို ပျူပျူငှာငှာ လှိုက်လှိုက်လှဲလှဲနဲ့ ကြိုဆိုကြပါတယ်", 12, "euler", 3.0],
+    ["မင်္ဂလာပါရှင် ကျွန်မကတော့ မြန်မာလူမျိုး ကရင်တိုင်းရင်းသူ အမျိုးသမီးလေး တစ်ဦး ဖြစ်ပါတယ်", 12, "euler", 3.0],
+    ["ဒီနေ့ ကျွန်မတို့ရဲ့ တီတီအက်စ် စနစ်သစ်လေး မော်ဒယ်အသစ်လေးတစ်ခုကို အောင်မြင်စွာ လေ့ကျင့် သင်ကြားနိုင်ခဲ့ပါတယ်", 12, "euler", 3.0],
+    ["လူသားတိုင်း လူသားတိုင်း ကိုယ်စိတ်နှစ်ဖြာ ကျန်းမာရွှင်လန်းပြီး စီးပွားလာဘ်လာဘတွေ ဒီရေအလား ကြီးပွား တိုးတက်နိုင်ကြပါစေ", 12, "euler", 3.0],
+    ["ဒီအသံထုတ်စနစ်လေးကို အသုံးပြုသူတိုင်း ကျန်းမာချမ်းသာပြီး လိုရာဆန္ဒတွေ တလုံးတဝတည်း ပြည့်စုံနိုင်ကြပါစေ", 12, "euler", 3.0],
+    ["ဟယ်လို... ဒါလင်... မတွေ့ရတာ... ကြာပီနော်", 8, "euler", 3.0],
+]
+
+with gr.Blocks(title="MyanmarTTS Demo") as demo:
+    gr.Markdown("""
+    # 🎙️ MyanmarTTS (မြန်မာ အသံထွက်စနစ်)
+    A from-scratch **31M parameter Burmese Text-to-Speech model** trained with Flow Matching and DiT.
+    - **Model Weights & Specs:** [freococo/MyanmarTTS](https://huggingface.co/freococo/MyanmarTTS)
+    - **License:** CC0 1.0 (Public Domain)
+    """)
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            text_input = gr.Textbox(
+                label="Burmese Text (မြန်မာစာ ထည့်ပါ)",
+                lines=4,
+                placeholder="ဒီမှာ မြန်မာစာသား ရိုက်ထည့်ပါ...",
+            )
+            ref_input = gr.Audio(
+                label="Reference Voice for Cloning (Optional — leave empty for default)",
+                type="filepath",
+            )
+            with gr.Row():
+                steps_slider = gr.Slider(4, 32, value=12, step=4, label="ODE Steps (12 is recommended)")
+                solver_dropdown = gr.Dropdown(["euler", "dopri5", "midpoint"], value="euler", label="Solver")
+                cfg_slider = gr.Slider(1.0, 5.0, value=3.0, step=0.5, label="CFG Scale")
+
+            generate_btn = gr.Button("Generate Speech (အသံထုတ်မည်)", variant="primary")
+
+        with gr.Column(scale=1):
+            audio_output = gr.Audio(label="Synthesized Output (ထွက်လာသည့်အသံ)", type="filepath")
+
+    gr.Examples(
+        examples=EXAMPLES,
+        inputs=[text_input, steps_slider, solver_dropdown, cfg_slider],
+        outputs=audio_output,
+        fn=generate_speech,
+        cache_examples=False,
+    )
+
+    generate_btn.click(
+        fn=generate_speech,
+        inputs=[text_input, ref_input, steps_slider, solver_dropdown, cfg_slider],
+        outputs=audio_output,
+    )
+
+if __name__ == "__main__":
+    demo.queue(max_size=20).launch()

requirements.txt

@@ -0,0 +1,6 @@
+torchdiffeq
+soundfile
+huggingface_hub
+unidecode
+pypinyin
+eng_to_ipa