sin docker

main.py → app.py

@@ -1,19 +1,13 @@
 import gradio as gr
-import spaces
 import torch
 import numpy as np
 
-# Demostración del uso de CUDA
-zero = torch.Tensor([0]).cuda()
-print("Fuera de la función, zero.device:", zero.device)  # Muestra 'cpu' fuera de GPU
-
-# Importar los módulos del clonador de voz
-# Estos módulos provienen del repositorio Real-Time-Voice-Cloning, que debes tener instalado.
+# Importar los módulos del clonador de voz (de Real-Time-Voice-Cloning)
 from encoder import inference as encoder
 from synthesizer.inference import Synthesizer
 from vocoder import inference as vocoder
 
-# Cargar los modelos pre-entrenados (modifica las rutas según corresponda)
+# Cargar los modelos pre-entrenados (ajusta las rutas según tu entorno)
 encoder_model_path = "encoder/saved_models/pretrained.pt"
 synthesizer_model_path = "synthesizer/saved_models/pretrained/pretrained.pt"
 vocoder_model_path = "vocoder/saved_models/pretrained/pretrained.pt"
@@ -22,36 +16,29 @@ encoder.load_model(encoder_model_path)
 synthesizer = Synthesizer(synthesizer_model_path)
 vocoder.load_model(vocoder_model_path)
 
-@spaces.GPU
 def clone_voice(reference_audio, text):
-    # Dentro de la función, el contexto GPU está activo
-    print("Dentro de la función, zero.device:", zero.device)
-    
-    # Se espera que reference_audio sea una tupla (sample_rate, np.array) proveniente de gr.Audio
+    # Se espera que reference_audio sea una tupla (sample_rate, numpy_array) proveniente de gr.Audio
     sample_rate, audio = reference_audio
 
-    # Preprocesar el audio para obtener el wav adecuado para el encoder
+    # Preprocesar el audio para obtener el formato adecuado para el encoder
     preprocessed_wav = encoder.preprocess_wav(audio)
     
     # Extraer la embedding del hablante a partir del audio de referencia
     embed = encoder.embed_utterance(preprocessed_wav)
     
-    # Sintetizar el espectrograma a partir del texto y de la embedding extraída
+    # Sintetizar el espectrograma a partir del texto y la embedding extraída
     specs = synthesizer.synthesize_spectrograms([text], [embed])
     
     # Generar la onda de audio a partir del espectrograma con el vocoder
     generated_wav = vocoder.infer_waveform(specs[0])
     
-    # Opcional: agregar padding al audio generado (esto puede ayudar a evitar clics o truncamientos)
+    # Opcional: agregar padding al audio generado para evitar clics o truncamientos
     generated_wav = np.pad(generated_wav, (0, synthesizer.sample_rate), mode="constant")
     
     # Retornar la onda de audio generada junto con la tasa de muestreo
     return (synthesizer.sample_rate, generated_wav)
 
-# Configuración de la interfaz de Gradio:
-# - Entrada 1: Audio (voz de referencia) a subir.
-# - Entrada 2: Texto que se desea sintetizar con la voz clonada.
-# - Salida: Audio resultante.
+# Configuración de la interfaz de Gradio
 demo = gr.Interface(
     fn=clone_voice,
     inputs=[