Илья Поляков
151 lines
6.8 KiB
Python
151 lines
6.8 KiB
Python
#!/usr/bin/env python3
|
||
"""Озвучка книги локальной моделью Silero — треки по главам, без сети.
|
||
|
||
Зачем не edge-tts: тот бесплатен, но на объёме молча теряет фрагменты
|
||
(на одной главе выпадало от 1 до 7 из 49). Silero считает локально,
|
||
детерминированно и без пропусков.
|
||
|
||
ВАЖНО про железо: PyTorch считает нейросеть инструкциями AVX2. На процессоре
|
||
без них (проверять `lscpu | grep avx2`) скорость падает примерно в тридцать
|
||
раз — на Celeron N5095 вышло 3.4x реального времени против 97x на Ryzen 5800H.
|
||
Гипертрединг вредит: 8 потоков быстрее 16.
|
||
|
||
Модель: https://models.silero.ai/models/tts/ru/v5_5_ru.pt (145 МБ)
|
||
Нужны: torch (CPU-сборка), numpy, ffmpeg.
|
||
"""
|
||
import argparse
|
||
import html
|
||
import json
|
||
import pathlib
|
||
import re
|
||
import subprocess
|
||
import sys
|
||
import time
|
||
import wave
|
||
|
||
import torch
|
||
|
||
sys.path.insert(0, str(pathlib.Path(__file__).parent))
|
||
import tts_normalize as norm
|
||
|
||
SR = 48000
|
||
|
||
|
||
def ssml(text):
|
||
"""Абзац как <p> из <s>: модель сама строит интонацию конца фразы."""
|
||
sents = [s.strip() for s in re.split(r'(?<=[.!?…])\s+', text) if s.strip()]
|
||
sents = [s for s in sents if re.search(r'\w', s)]
|
||
if not sents:
|
||
return None
|
||
return '<speak><p>%s</p></speak>' % "".join(
|
||
"<s>%s</s>" % html.escape(s, quote=False) for s in sents)
|
||
|
||
|
||
def safe(s):
|
||
return re.sub(r'\s+', ' ', re.sub(r'[/\\\x00-\x1f]', ' ', s)).strip(' .')[:70]
|
||
|
||
|
||
def main():
|
||
ap = argparse.ArgumentParser(
|
||
description=__doc__, formatter_class=argparse.RawDescriptionHelpFormatter)
|
||
ap.add_argument("model", type=pathlib.Path, help="v5_5_ru.pt")
|
||
ap.add_argument("texts", type=pathlib.Path,
|
||
help="каталог с chapter_*_translated*.json (вывод audiobook.py prep)")
|
||
ap.add_argument("out", type=pathlib.Path, help="куда складывать треки")
|
||
ap.add_argument("--album", required=True, help="название книги для тегов")
|
||
ap.add_argument("--author", required=True, help="автор для тегов")
|
||
ap.add_argument("--speaker", default="eugene",
|
||
help="aidar, baya, kseniya, eugene, xenia")
|
||
ap.add_argument("--tempo", type=float, default=1.0,
|
||
help="растяжение времени: 0.87 = на 13%% медленнее, высота сохраняется")
|
||
ap.add_argument("--threads", type=int, default=8)
|
||
ap.add_argument("--skip", type=int, nargs="*", default=[],
|
||
help="номера разделов, которые не озвучивать (титулы, библиография)")
|
||
args = ap.parse_args()
|
||
|
||
torch.set_num_threads(args.threads)
|
||
model = torch.package.PackageImporter(str(args.model)).load_pickle("tts_models", "model")
|
||
model.to(torch.device('cpu'))
|
||
args.out.mkdir(parents=True, exist_ok=True)
|
||
kw = dict(speaker=args.speaker, sample_rate=SR, put_accent=True, put_yo=True,
|
||
put_stress_homo=True, put_yo_homo=True)
|
||
skip = set(args.skip)
|
||
|
||
todo = []
|
||
for f in sorted(args.texts.glob('chapter_*_translated*.json')):
|
||
n = int(re.search(r'chapter_(\d+)', f.name).group(1))
|
||
if n in skip:
|
||
continue
|
||
j = json.loads(f.read_text(encoding="utf-8"))
|
||
title = norm.chapter_title(n, j.get('title', '')) or ('Раздел %03d' % n)
|
||
todo.append((n, title, j['paragraphs']))
|
||
if not todo:
|
||
sys.exit("в %s нет глав" % args.texts)
|
||
|
||
print("глав к озвучке: %d (пропущено %d)" % (len(todo), len(skip)), flush=True)
|
||
started = time.time()
|
||
for idx, (n, title, paras) in enumerate(todo, 1):
|
||
dest = args.out / ('%03d - %s.mp3' % (n, safe(title)))
|
||
if dest.exists() and dest.stat().st_size:
|
||
print(" %03d %-24s уже готово" % (n, title), flush=True)
|
||
continue
|
||
t0, chunks, failed = time.time(), [], 0
|
||
intro = ssml(title + '.')
|
||
if intro:
|
||
chunks += [model.apply_tts(ssml_text=intro, **kw), torch.zeros(int(SR * 0.6))]
|
||
for p in paras:
|
||
src = norm.normalize(p)
|
||
if not src.strip():
|
||
continue
|
||
s = ssml(src)
|
||
try:
|
||
a = model.apply_tts(ssml_text=s, **kw) if s else None
|
||
except Exception:
|
||
try: # парсер SSML спотыкается на редких абзацах
|
||
a = model.apply_tts(text=src, **kw)
|
||
except Exception:
|
||
failed += 1
|
||
continue
|
||
if a is not None:
|
||
chunks += [a, torch.zeros(int(SR * 0.30))]
|
||
if not chunks:
|
||
print(" %03d %-24s пусто, пропуск" % (n, title), flush=True)
|
||
continue
|
||
|
||
full = torch.cat(chunks)
|
||
wav = args.out / ('.render_%03d.wav' % n)
|
||
with wave.open(str(wav), 'wb') as w:
|
||
w.setnchannels(1); w.setsampwidth(2); w.setframerate(SR)
|
||
w.writeframes((full.clamp(-1, 1) * 32767).to(torch.int16).numpy().tobytes())
|
||
cmd = ['ffmpeg', '-v', 'error', '-y', '-i', str(wav)]
|
||
if abs(args.tempo - 1.0) > 1e-6:
|
||
cmd += ['-filter:a', 'atempo=%.3f' % args.tempo]
|
||
cmd += ['-b:a', '64k', '-ac', '1',
|
||
'-metadata', 'title=%s' % title,
|
||
'-metadata', 'album=%s' % args.album,
|
||
'-metadata', 'artist=%s' % args.author,
|
||
'-metadata', 'album_artist=%s' % args.author,
|
||
'-metadata', 'track=%d/%d' % (idx, len(todo)),
|
||
'-metadata', 'genre=Audiobook', str(dest)]
|
||
subprocess.run(cmd, check=True)
|
||
wav.unlink()
|
||
raw, el = len(full) / SR, time.time() - t0
|
||
print(" %03d %-24s %5.1f мин (синтез %4.1f мин, %.1fx)%s"
|
||
% (n, title, raw / args.tempo / 60, el / 60, raw / el,
|
||
' СБОЕВ: %d' % failed if failed else ''), flush=True)
|
||
|
||
files = sorted(args.out.glob('*.mp3'))
|
||
total = sum(float(subprocess.run(
|
||
['ffprobe', '-v', 'error', '-show_entries', 'format=duration',
|
||
'-of', 'default=nw=1:nk=1', str(f)],
|
||
capture_output=True, text=True).stdout or 0) for f in files)
|
||
print("\nготово: %d треков, %.1f ч, %.0f МБ, заняло %.1f ч"
|
||
% (len(files), total / 3600,
|
||
sum(f.stat().st_size for f in files) / 1024 / 1024,
|
||
(time.time() - started) / 3600))
|
||
print("каталог:", args.out)
|
||
|
||
|
||
if __name__ == '__main__':
|
||
main()
|