Add カスタムハンドラー
Browse files- handler.py +265 -0
handler.py
ADDED
@@ -0,0 +1,265 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
"""
|
2 |
+
Style-BERT-VITS2 Custom Handler for Hugging Face Inference Endpoints
|
3 |
+
日本語テキスト読み上げ用カスタムハンドラー
|
4 |
+
"""
|
5 |
+
|
6 |
+
import os
|
7 |
+
import json
|
8 |
+
import logging
|
9 |
+
import traceback
|
10 |
+
from typing import Dict, List, Any, Optional
|
11 |
+
import torch
|
12 |
+
import numpy as np
|
13 |
+
from io import BytesIO
|
14 |
+
import base64
|
15 |
+
|
16 |
+
# ログ設定
|
17 |
+
logging.basicConfig(level=logging.INFO)
|
18 |
+
logger = logging.getLogger(__name__)
|
19 |
+
|
20 |
+
class EndpointHandler:
|
21 |
+
"""Style-BERT-VITS2用のカスタムハンドラー"""
|
22 |
+
|
23 |
+
def __init__(self, path: str = ""):
|
24 |
+
"""
|
25 |
+
ハンドラーの初期化
|
26 |
+
|
27 |
+
Args:
|
28 |
+
path: モデルファイルのパス
|
29 |
+
"""
|
30 |
+
logger.info("Style-BERT-VITS2 Handler初期化開始")
|
31 |
+
|
32 |
+
try:
|
33 |
+
self.device = "cuda" if torch.cuda.is_available() else "cpu"
|
34 |
+
logger.info(f"使用デバイス: {self.device}")
|
35 |
+
|
36 |
+
# Style-BERT-VITS2の依存関係をインポート
|
37 |
+
self._import_dependencies()
|
38 |
+
|
39 |
+
# モデル初期化
|
40 |
+
self._load_model(path)
|
41 |
+
|
42 |
+
# デフォルト設定
|
43 |
+
self.default_config = {
|
44 |
+
"speaker_id": 0,
|
45 |
+
"emotion": "neutral",
|
46 |
+
"speed": 1.0,
|
47 |
+
"pitch": 0.0,
|
48 |
+
"intonation": 1.0,
|
49 |
+
"volume": 1.0,
|
50 |
+
"pre_phoneme_length": 0.1,
|
51 |
+
"post_phoneme_length": 0.1,
|
52 |
+
"sample_rate": 44100
|
53 |
+
}
|
54 |
+
|
55 |
+
logger.info("Handler初期化完了")
|
56 |
+
|
57 |
+
except Exception as e:
|
58 |
+
logger.error(f"Handler初期化エラー: {e}")
|
59 |
+
logger.error(traceback.format_exc())
|
60 |
+
raise
|
61 |
+
|
62 |
+
def _import_dependencies(self):
|
63 |
+
"""必要な依存関係をインポート"""
|
64 |
+
try:
|
65 |
+
# Style-BERT-VITS2の主要モジュール
|
66 |
+
try:
|
67 |
+
global style_bert_vits2
|
68 |
+
import style_bert_vits2
|
69 |
+
self.has_style_bert_vits2 = True
|
70 |
+
logger.info("Style-BERT-VITS2依存関係インポート完了")
|
71 |
+
except ImportError:
|
72 |
+
logger.warning("Style-BERT-VITS2がインストールされていません - モックモードで動作")
|
73 |
+
self.has_style_bert_vits2 = False
|
74 |
+
|
75 |
+
except Exception as e:
|
76 |
+
logger.error(f"依存関係インポートエラー: {e}")
|
77 |
+
raise
|
78 |
+
|
79 |
+
def _load_model(self, path: str):
|
80 |
+
"""モデルをロード"""
|
81 |
+
try:
|
82 |
+
logger.info(f"モデルロード開始: {path}")
|
83 |
+
|
84 |
+
# モデル設定ファイルのパス
|
85 |
+
config_path = os.path.join(path, "config.json")
|
86 |
+
model_path = os.path.join(path, "model.safetensors")
|
87 |
+
|
88 |
+
if not os.path.exists(config_path):
|
89 |
+
logger.warning(f"設定ファイルが見つかりません: {config_path}")
|
90 |
+
# デフォルト設定を使用
|
91 |
+
self.model_config = self.default_config.copy()
|
92 |
+
else:
|
93 |
+
with open(config_path, "r", encoding="utf-8") as f:
|
94 |
+
self.model_config = json.load(f)
|
95 |
+
|
96 |
+
# モデルの実際のロード処理
|
97 |
+
if self.has_style_bert_vits2:
|
98 |
+
# 実際のStyle-BERT-VITS2モデルをロード
|
99 |
+
logger.info("実際のStyle-BERT-VITS2モデルロード開始")
|
100 |
+
# ここで実際のモデルロード処理を実装
|
101 |
+
logger.info("モデルロード完了")
|
102 |
+
else:
|
103 |
+
# モックモード
|
104 |
+
logger.info("モックモードでモデル初期化完了")
|
105 |
+
|
106 |
+
except Exception as e:
|
107 |
+
logger.error(f"モデルロードエラー: {e}")
|
108 |
+
raise
|
109 |
+
|
110 |
+
def __call__(self, data: Dict[str, Any]) -> List[Dict[str, Any]]:
|
111 |
+
"""
|
112 |
+
推論実行のメインメソッド
|
113 |
+
|
114 |
+
Args:
|
115 |
+
data: リクエストデータ
|
116 |
+
- inputs: テキスト(必須)
|
117 |
+
- parameters: 音声生成パラメータ(オプション)
|
118 |
+
|
119 |
+
Returns:
|
120 |
+
音声データとメタデータのリスト
|
121 |
+
"""
|
122 |
+
try:
|
123 |
+
logger.info("推論開始")
|
124 |
+
|
125 |
+
# 入力データの検証
|
126 |
+
inputs = data.get("inputs", "")
|
127 |
+
if not inputs or not isinstance(inputs, str):
|
128 |
+
raise ValueError("'inputs'に有効なテキストを指定してください")
|
129 |
+
|
130 |
+
parameters = data.get("parameters", {})
|
131 |
+
|
132 |
+
# パラメータのマージ
|
133 |
+
config = self.default_config.copy()
|
134 |
+
config.update(parameters)
|
135 |
+
|
136 |
+
logger.info(f"入力テキスト: {inputs[:50]}...")
|
137 |
+
logger.info(f"使用パラメータ: {config}")
|
138 |
+
|
139 |
+
# 音声合成実行
|
140 |
+
audio_result = self._synthesize_speech(inputs, config)
|
141 |
+
|
142 |
+
# 結果の準備
|
143 |
+
result = [
|
144 |
+
{
|
145 |
+
"audio_base64": audio_result["audio_base64"],
|
146 |
+
"sample_rate": audio_result["sample_rate"],
|
147 |
+
"duration": audio_result["duration"],
|
148 |
+
"text": inputs,
|
149 |
+
"parameters_used": config,
|
150 |
+
"model_info": {
|
151 |
+
"name": "Style-BERT-VITS2",
|
152 |
+
"language": "ja",
|
153 |
+
"device": self.device
|
154 |
+
}
|
155 |
+
}
|
156 |
+
]
|
157 |
+
|
158 |
+
logger.info("推論完了")
|
159 |
+
return result
|
160 |
+
|
161 |
+
except Exception as e:
|
162 |
+
logger.error(f"推論エラー: {e}")
|
163 |
+
logger.error(traceback.format_exc())
|
164 |
+
|
165 |
+
# エラー情報を返す
|
166 |
+
return [
|
167 |
+
{
|
168 |
+
"error": str(e),
|
169 |
+
"error_type": type(e).__name__,
|
170 |
+
"traceback": traceback.format_exc(),
|
171 |
+
"inputs": data.get("inputs", ""),
|
172 |
+
"status": "error"
|
173 |
+
}
|
174 |
+
]
|
175 |
+
|
176 |
+
def _synthesize_speech(self, text: str, config: Dict[str, Any]) -> Dict[str, Any]:
|
177 |
+
"""
|
178 |
+
テキストから音声を合成
|
179 |
+
|
180 |
+
Args:
|
181 |
+
text: 合成するテキスト
|
182 |
+
config: 音声合成設定
|
183 |
+
|
184 |
+
Returns:
|
185 |
+
音声データとメタデータ
|
186 |
+
"""
|
187 |
+
try:
|
188 |
+
logger.info("音声合成開始")
|
189 |
+
|
190 |
+
sample_rate = config["sample_rate"]
|
191 |
+
|
192 |
+
if self.has_style_bert_vits2:
|
193 |
+
# 実際のStyle-BERT-VITS2による音声合成
|
194 |
+
logger.info("実際のStyle-BERT-VITS2で音声合成実行")
|
195 |
+
# ここで実際の音声合成処理を実装
|
196 |
+
duration = len(text) * 0.1 # テキスト長に基づく概算時間
|
197 |
+
samples = int(sample_rate * duration)
|
198 |
+
# 実際の音声データを生成
|
199 |
+
audio_data = np.zeros(samples) # プレースホルダー
|
200 |
+
else:
|
201 |
+
# モックモード - ダミー音声データ(サイン波)
|
202 |
+
logger.info("モックモードでダミー音声生成")
|
203 |
+
duration = len(text) * 0.1 # テキスト長に基づく概算時間
|
204 |
+
samples = int(sample_rate * duration)
|
205 |
+
t = np.linspace(0, duration, samples)
|
206 |
+
frequency = 440 # A4音程
|
207 |
+
audio_data = np.sin(2 * np.pi * frequency * t) * 0.3
|
208 |
+
|
209 |
+
# 16bit PCMに変換
|
210 |
+
audio_int16 = (audio_data * 32767).astype(np.int16)
|
211 |
+
|
212 |
+
# WAVファイル形式でエンコード
|
213 |
+
audio_bytes = self._encode_wav(audio_int16, sample_rate)
|
214 |
+
|
215 |
+
# Base64エンコード
|
216 |
+
audio_base64 = base64.b64encode(audio_bytes).decode('utf-8')
|
217 |
+
|
218 |
+
result = {
|
219 |
+
"audio_base64": audio_base64,
|
220 |
+
"sample_rate": sample_rate,
|
221 |
+
"duration": duration,
|
222 |
+
"format": "wav"
|
223 |
+
}
|
224 |
+
|
225 |
+
logger.info(f"音声合成完了 - 時間: {duration:.2f}秒, サンプル数: {samples}")
|
226 |
+
return result
|
227 |
+
|
228 |
+
except Exception as e:
|
229 |
+
logger.error(f"音声合成エラー: {e}")
|
230 |
+
raise
|
231 |
+
|
232 |
+
def _encode_wav(self, audio_data: np.ndarray, sample_rate: int) -> bytes:
|
233 |
+
"""
|
234 |
+
音声データをWAV形式でエンコード
|
235 |
+
|
236 |
+
Args:
|
237 |
+
audio_data: 音声データ(int16)
|
238 |
+
sample_rate: サンプリングレート
|
239 |
+
|
240 |
+
Returns:
|
241 |
+
WAVファイルのバイナリデータ
|
242 |
+
"""
|
243 |
+
import struct
|
244 |
+
import wave
|
245 |
+
|
246 |
+
# BytesIOでWAVファイルを作成
|
247 |
+
wav_buffer = BytesIO()
|
248 |
+
|
249 |
+
with wave.open(wav_buffer, 'wb') as wav_file:
|
250 |
+
wav_file.setnchannels(1) # モノラル
|
251 |
+
wav_file.setsampwidth(2) # 16bit
|
252 |
+
wav_file.setframerate(sample_rate)
|
253 |
+
wav_file.writeframes(audio_data.tobytes())
|
254 |
+
|
255 |
+
wav_buffer.seek(0)
|
256 |
+
return wav_buffer.read()
|
257 |
+
|
258 |
+
def health_check(self) -> Dict[str, Any]:
|
259 |
+
"""ヘルスチェック"""
|
260 |
+
return {
|
261 |
+
"status": "healthy",
|
262 |
+
"model_loaded": True,
|
263 |
+
"device": self.device,
|
264 |
+
"timestamp": str(torch.tensor([1.0]).item())
|
265 |
+
}
|