From a47b87bb7b1219d133523f88024888aa296594bf Mon Sep 17 00:00:00 2001 From: mangzhnag Date: Thu, 11 Jun 2026 21:42:29 +0800 Subject: [PATCH] feat: add waveform trimming UI, Swagger docs, enhanced API annotations - Frontend: add wavesurfer.js v7 waveform visualization with region-based audio trimming - Frontend: add export trimmed audio button, OfflineAudioContext-based client-side trimming - API: add OpenAPI tags, descriptions, and summaries for all endpoints - API: enhance /health endpoint with PID, memory, and GPU info (optional psutil/torch) - API: bump version to 1.1.0, enable /docs and /redoc - Docs: rewrite simple_api.md as comprehensive API reference - Docs: update simple_api_quickstart.md with Swagger/ReDoc links - Docs: update README with endpoint table and feature list - Tests: fix DummyFastAPI mock to accept **kwargs (tags, summary, etc.) - All 7 tests pass, compile check OK --- README.md | 30 +- docs/simple_api.md | 598 +++++++++++++++++------------- docs/simple_api_quickstart.md | 24 +- simple_api.py | 90 +++-- test_frontend/index.html | 383 ++++++++++++++++--- tests/test_simple_api_contract.py | 4 +- 6 files changed, 783 insertions(+), 346 deletions(-) diff --git a/README.md b/README.md index 24abdc66..819242b6 100644 --- a/README.md +++ b/README.md @@ -1,4 +1,4 @@ -
+

GPT-SoVITS-WebUI

A Powerful Few-shot Voice Conversion and Text-to-Speech WebUI.

@@ -31,17 +31,37 @@ A Powerful Few-shot Voice Conversion and Text-to-Speech WebUI.

本工作区新增了一个用于 MVP 调用的中间层接口和测试前端： +| 页面 | 地址 | 说明 | +|------|------|------| +| 测试前端 | http://127.0.0.1:9881/test/ | 带波形裁剪、视频转音频的测试 UI | +| Swagger UI | http://127.0.0.1:9881/docs | 交互式 API 文档 | +| ReDoc | http://127.0.0.1:9881/redoc | 可读式 API 文档 | + +文档： + - 快速启动：[docs/simple_api_quickstart.md](./docs/simple_api_quickstart.md) - 完整教程：[docs/simple_api.md](./docs/simple_api.md) -- 后端入口：simple_api.py -- 测试前端：启动后访问 http://127.0.0.1:9881/test/ + +核心功能： + +- `/api/tts` — 上传参考音频/视频 + 文字，直接返回生成的音频 +- 前端支持视频上传，自动提取音频 +- 前端波形裁剪工具，可选择 3-10 秒片段 +- 5 种情绪预设（neutral/happy/calm/sad/angry） +- 7 个契约测试，无需 GPU 即可运行 启动命令： -`powershell +``` cd D:\tts\GPT-SoVITS .\go-simple-api.ps1 -` +``` + +运行测试： + +``` +python -m unittest tests.test_simple_api_contract -v +``` --- diff --git a/docs/simple_api.md b/docs/simple_api.md index bcdedaf6..f9e5cc09 100644 --- a/docs/simple_api.md +++ b/docs/simple_api.md @@ -1,116 +1,128 @@ -# GPT-SoVITS 简化接口教程 +# GPT-SoVITS 简化接口文档 -本项目原本已经有 `api_v2.py`，但调用时需要传很多 GPT-SoVITS 参数。新增的 `simple_api.py` 是一个中间层，目标是让前端或业务方用更简单的方式调用。 +本项目新增 `simple_api.py` 作为中间层，封装 GPT-SoVITS 推理引擎，提供更简洁的调用方式。 -当前 MVP 推荐使用： +## 快速开始 -```http -POST /api/tts +```bash +# 安装依赖 +python -m pip install -r requirements.txt + +# 启动 +python simple_api.py -c simple_api.yaml + +# 访问 +Swagger UI: http://127.0.0.1:9881/docs +ReDoc: http://127.0.0.1:9881/redoc +测试前端: http://127.0.0.1:9881/test/ +``` + +## 接口总览 + +| 方法 | 路径 | 说明 | 标签 | +|------|------|------|------| +| GET | `/health` | 健康检查（含 GPU 信息） | System | +| GET | `/voices` | 列出 voice profiles | System | +| **POST** | **`/api/tts`** | **核心 TTS 接口（MVP）** | **MVP** | +| GET | `/speak` | voice profile TTS (GET) | Profile | +| POST | `/speak` | voice profile TTS (POST) | Profile | +| POST | `/v1/tts` | OpenAI 兼容格式 TTS | Profile | +| POST | `/speak/base64` | 返回 Base64 音频 | Profile | +| POST | `/admin/reload-config` | 热加载配置 | Admin | +| POST | `/admin/weights` | 切换模型权重 | Admin | + +--- + +## 1. POST /api/tts — 核心 TTS 接口 + +**推荐使用此接口**。上传参考音频和文字，直接返回生成的音频。 + +### 请求格式 + +``` Content-Type: multipart/form-data ``` -适合你的流程： +### 字段说明 -1. 前端从视频中提取音频（或直接上传已裁剪的 3-10 秒音频）。 -2. 用户人工裁剪主参考音频到 3-10 秒。 -3. 前端把主参考音频、要生成的文字、可选辅助音频提交给后端。 -4. 后端调用 GPT-SoVITS 生成音频并返回。 +| 字段 | 类型 | 必填 | 默认值 | 说明 | +|------|------|------|--------|------| +| `text` | string | **是** | — | 需要生成的文字 | +| `ref_audio` | file | **是** | — | 主参考音频，3-10 秒（支持 wav/flac/ogg/mp3/m4a/aac） | +| `aux_ref_audio` | file[] | 否 | — | 辅助参考音频，可上传多个 | +| `prompt_text` | string | 否 | `""` | 主参考音频对应文字（v2 可留空；v3/v4 必填） | +| `text_lang` | string | 否 | `zh` | 生成文字语言：zh/en/ja/ko/yue/auto | +| `prompt_lang` | string | 否 | `zh` | 参考音频语言：zh/en/ja/ko/yue/auto | +| `format` | string | 否 | `wav` | 返回格式：wav/ogg/aac/raw | +| `emotion` | string | 否 | `neutral` | 情绪预设：neutral/happy/calm/sad/angry | +| `speed` | float | 否 | — | 语速（0.5-2.0），覆盖情绪预设中的语速 | +| `seed` | int | 否 | `-1` | 随机种子，-1 为随机 | -## 1. 安装依赖 +### 情绪预设参数映射 -在 GPT-SoVITS 使用的 Python 环境里运行： +| 情绪 | temperature | top_p | top_k | speed_factor | repetition_penalty | +|------|-------------|-------|-------|--------------|-------------------| +| neutral | — | — | — | — | — | +| happy | 1.1 | 0.95 | — | — | — | +| calm | 0.8 | 0.85 | — | 0.92 | — | +| sad | 0.75 | 0.85 | — | 0.9 | — | +| angry | 1.2 | — | 20 | — | 1.25 | + +> 显式传入 `speed` 会覆盖情绪预设中的 `speed_factor`。 + +### curl 示例 + +**基础调用：** + +```powershell +curl.exe -X POST http://127.0.0.1:9881/api/tts ` + -F "text=你好，欢迎使用这个声音。" ` + -F "ref_audio=@D:\audio\ref.wav" ` + --output output.wav +``` + +**带辅助参考音频和情绪：** + +```powershell +curl.exe -X POST http://127.0.0.1:9881/api/tts ` + -F "text=你好，欢迎使用这个声音。" ` + -F "ref_audio=@D:\audio\ref.wav" ` + -F "aux_ref_audio=@D:\audio\aux1.wav" ` + -F "emotion=happy" ` + -F "speed=1.1" ` + --output output.wav +``` + +**Linux/macOS：** ```bash -python -m pip install -r requirements.txt +curl -X POST http://127.0.0.1:9881/api/tts \ + -F "text=你好，欢迎使用这个声音。" \ + -F "ref_audio=@/path/to/ref.wav" \ + -F "emotion=calm" \ + --output output.wav ``` -本中间层额外需要： +### 返回 -- `python-multipart`：用于接收前端上传的音频文件。 -- `soundfile`：用于读取音频信息和校验参考音频时长。 +- 成功：音频二进制流（Content-Type: `audio/wav` 等） +- 失败：JSON 错误信息 -这两个依赖已经写入 `requirements.txt`。 - -## 2. 检查配置 - -配置文件： - -```text -simple_api.yaml +```json +{"message": "tts failed", "exception": "..."} ``` -常用配置： +### 常见错误 -```yaml -server: - host: 127.0.0.1 - port: 9881 - tts_config: GPT_SoVITS/configs/tts_infer.yaml +| HTTP 状态码 | 原因 | +|------------|------| +| 400 | text 为空 / ref_audio 缺失 / 音频时长不在 3-10 秒 / 不支持的 format / v3/v4 时 prompt_text 为空 | +| 404 | voice profile 不存在（仅 /speak 接口） | +| 503 | TTS pipeline 未就绪（模型未加载） | -upload: - dir: runtime/uploads - min_ref_seconds: 3 - max_ref_seconds: 10 - max_upload_mb: 80 -``` +--- -说明： - -- `server.host`：后端监听地址。 -- `server.port`：后端端口。 -- `server.tts_config`：GPT-SoVITS 推理配置文件。 -- `upload.dir`：临时上传目录。 -- `upload.min_ref_seconds`：主参考音频最短秒数。 -- `upload.max_ref_seconds`：主参考音频最长秒数。 -- `upload.max_upload_mb`：单个上传音频最大体积。 - -当前默认后端地址： - -```text -http://127.0.0.1:9881 -``` - -## 3. 启动后端 - -进入项目目录： - -```powershell -cd D:\tts\GPT-SoVITS -``` - -方式一： - -```powershell -python simple_api.py -c simple_api.yaml -``` - -方式二，Windows PowerShell： - -```powershell -.\go-simple-api.ps1 -``` - -方式三，Windows 批处理： - -```bat -go-simple-api.bat -``` - -启动成功后，后端会监听： - -```text -http://127.0.0.1:9881 -``` - -## 4. 健康检查 - -后端启动后，可以访问： - -```text -http://127.0.0.1:9881/health -``` - -或者命令行测试： +## 2. GET /health — 健康检查 ```bash curl http://127.0.0.1:9881/health @@ -123,198 +135,268 @@ curl http://127.0.0.1:9881/health "status": "ok", "tts_config": "GPT_SoVITS/configs/tts_infer.yaml", "version": "v2", - "languages": ["auto", "auto_yue", "en", "zh"] + "languages": ["auto", "en", "zh"], + "pid": 12345, + "memory_mb": 2048.5, + "gpu": { + "name": "NVIDIA GeForce RTX 3080", + "memory_used_mb": 4096.2, + "memory_total_mb": 10240.0 + } } ``` -## 5. 打开测试前端 +--- -后端启动后，推荐直接打开： - -```text -http://127.0.0.1:9881/test/ -``` - -这个页面已经挂载在后端服务里，不需要额外启动前端服务。 - -也可以直接打开本地文件： - -```text -test_frontend/index.html -``` - -Windows 下也可以运行： - -```powershell -.\open-test-frontend.ps1 -``` - -测试前端里有一个“后端接口地址”输入框。 - -默认值： - -```text -http://127.0.0.1:9881/api/tts -``` - -如果你修改了 `server.host` 或 `server.port`，记得同步修改页面里的接口地址。 - -## 6. MVP 接口 - -接口地址： - -```http -POST /api/tts -``` - -请求类型： - -```http -multipart/form-data -``` - -字段说明： - -```text -text 必填。需要生成的文字。 -ref_audio 必填。主参考音频（支持上传视频，前端会自动提取音频），要求 3-10 秒。 -aux_ref_audio 可选。辅助参考音频，可以上传多个。 -prompt_text 可选。主参考音频对应文字，可以留空。 -text_lang 可选。生成文字语言，默认 zh。 -prompt_lang 可选。参考音频语言，默认 zh。即使 prompt_text 为空，也需要传给 GPT-SoVITS 内部。 -format 可选。返回格式，默认 wav。 -emotion 可选。情绪 preset：neutral、happy、calm、sad、angry。 -speed 可选。语速，对应 GPT-SoVITS 的 speed_factor。 -seed 可选。随机种子，默认 -1。 -``` - -## 7. curl 调用示例 - -PowerShell 示例： - -```powershell -curl.exe -X POST http://127.0.0.1:9881/api/tts ` - -F "text=你好，欢迎使用这个声音。" ` - -F "ref_audio=@D:\audio\ref.wav" ` - -F "prompt_text=" ` - -F "text_lang=zh" ` - -F "prompt_lang=zh" ` - -F "emotion=neutral" ` - --output output.wav -``` - -如果有辅助参考音频： - -```powershell -curl.exe -X POST http://127.0.0.1:9881/api/tts ` - -F "text=你好，欢迎使用这个声音。" ` - -F "ref_audio=@D:\audio\ref.wav" ` - -F "aux_ref_audio=@D:\audio\aux1.wav" ` - -F "aux_ref_audio=@D:\audio\aux2.wav" ` - -F "prompt_text=" ` - -F "text_lang=zh" ` - -F "prompt_lang=zh" ` - --output output.wav -``` - -## 8. 重要规则 - -- 主参考音频必须是 3-10 秒。 -- `aux_ref_audio` 是可选项。 -- `prompt_text` 可以为空，但当前主要针对 GPT-SoVITS v2。 -- 如果切到 GPT-SoVITS v3/v4，空 `prompt_text` 会被中间层直接返回 400。 -- 生成文字固定使用 `cut5`，也就是按照标点符号切句。 -- `emotion` 目前是轻量 preset，本质是映射到采样和语速参数；更稳定的情绪控制仍然依赖带情绪的参考音频。 - -## 9. 测试前端使用步骤 - -1. 启动后端。 -2. 打开 `http://127.0.0.1:9881/test/`。 -3. 检查“后端接口地址”是否为： - -```text -http://127.0.0.1:9881/api/tts -``` - -4. 填写“需要生成的文字”。 -5. 上传主参考音频。 -6. 可选上传辅助参考音频。 -7. 可选填写参考音频文字。 -8. 选择语言、情绪、语速。 -9. 点击“生成音频”。 -10. 页面右侧会显示返回结果，可以在线播放和下载。 - -## 10. 其他接口 - -除了 MVP 上传接口，还保留了 profile 调用接口： - -```http -GET /voices -GET /speak?text=hello&voice=default -POST /speak -POST /speak/base64 -POST /v1/tts -POST /admin/reload-config -POST /admin/weights -``` - -这些接口适合后续做固定音色 profile，不是当前 MVP 的主流程。 - -## 11. Base64 返回示例 +## 3. GET /voices — 列出 voice profiles ```bash -curl -X POST http://127.0.0.1:9881/speak/base64 ^ - -H "Content-Type: application/json" ^ - -d "{\"text\":\"hello\",\"voice\":\"default\"}" +curl http://127.0.0.1:9881/voices ``` -返回格式： +返回示例： + +```json +{ + "default_voice": "default", + "voices": [ + { + "name": "default", + "description": "Replace this profile with your reference voice.", + "text_lang": "zh", + "prompt_lang": "zh", + "ref_audio_path": "reference.wav", + "ready": true + } + ] +} +``` + +--- + +## 4. POST /speak — voice profile TTS + +基于 `simple_api.yaml` 中配置的 voice profile 调用 TTS。 + +### 请求体（JSON） + +```json +{ + "text": "hello world", + "voice": "default", + "text_lang": "zh", + "format": "wav", + "speed": 1.0 +} +``` + +| 字段 | 类型 | 必填 | 说明 | +|------|------|------|------| +| `text` | string | **是** | 需要生成的文字 | +| `voice` | string | 否 | voice profile 名称，不传则使用 default | +| `text_lang` | string | 否 | 生成文字语言 | +| `format` | string | 否 | 返回格式 | +| `stream` | bool | 否 | 是否流式返回 | +| `speed` | float | 否 | 语速 | + +### curl 示例 + +```bash +curl -X POST http://127.0.0.1:9881/speak \ + -H "Content-Type: application/json" \ + -d '{"text":"你好世界","voice":"default"}' \ + --output output.wav +``` + +--- + +## 5. GET /speak — voice profile TTS (GET) + +与 POST /speak 相同，但通过 URL 参数传递。 + +``` +GET /speak?text=hello&voice=default&format=wav +``` + +--- + +## 6. POST /speak/base64 — 返回 Base64 音频 + +返回 Base64 编码的音频，适合 Web 前端直接使用。 + +```bash +curl -X POST http://127.0.0.1:9881/speak/base64 \ + -H "Content-Type: application/json" \ + -d '{"text":"hello","voice":"default"}' +``` + +返回： ```json { "media_type": "audio/wav", - "audio_base64": "..." + "audio_base64": "UklGRi..." } ``` -## 12. 添加固定音色 profile +--- -如果后续要做固定音色，可以编辑 `simple_api.yaml`： +## 7. POST /v1/tts — OpenAI 兼容格式 -```yaml -voices: - default: - ref_audio_path: reference.wav - prompt_text: exact transcript - prompt_lang: zh - text_lang: zh +请求格式与 POST /speak 相同，路径兼容 OpenAI TTS API 风格。 - narrator: - ref_audio_path: voices/narrator.wav - prompt_text: exact transcript of narrator.wav - prompt_lang: zh - text_lang: zh -``` +--- -编辑后调用： +## 8. POST /admin/reload-config — 热加载配置 + +重新加载 `simple_api.yaml`，无需重启服务。 ```bash curl -X POST http://127.0.0.1:9881/admin/reload-config ``` -## 13. 契约测试 +返回：`{"message": "success", "default_voice": "default"}` -这个测试使用 mock，不会加载 GPT-SoVITS 模型： +--- + +## 9. POST /admin/weights — 切换模型权重 + +运行时切换 GPT-SoVITS 模型权重文件。 ```bash -python -m unittest tests.test_simple_api_contract +curl -X POST http://127.0.0.1:9881/admin/weights \ + -H "Content-Type: application/json" \ + -d '{"gpt_weights_path":"path/to/gpt.pt","sovits_weights_path":"path/to/sovits.pt"}' ``` -用于确认： +--- -- `/api/tts` 路由存在。 -- 上传接口能构造正确参数。 -- 主参考音频 3-10 秒校验正常。 -- 空 `prompt_text` 在 v2 可用。 -- v3/v4 空 `prompt_text` 会返回 400。 -- 临时上传目录会被清理。 +## 配置文件 + +`simple_api.yaml`： + +```yaml +server: + host: 127.0.0.1 + port: 9881 + tts_config: GPT_SoVITS/configs/tts_infer.yaml + +cors_allow_origins: + - "*" + +upload: + dir: runtime/uploads + min_ref_seconds: 3 + max_ref_seconds: 10 + max_upload_mb: 80 + +defaults: + text_lang: zh + prompt_lang: zh + media_type: wav + text_split_method: cut5 + batch_size: 1 + speed_factor: 1.0 + seed: -1 + +emotion_presets: + neutral: {} + happy: + temperature: 1.1 + top_p: 0.95 + calm: + temperature: 0.8 + top_p: 0.85 + speed_factor: 0.92 + sad: + temperature: 0.75 + top_p: 0.85 + speed_factor: 0.9 + angry: + temperature: 1.2 + top_k: 20 + repetition_penalty: 1.25 + +voices: + default: + description: Replace this profile with your reference voice. + ref_audio_path: reference.wav + prompt_text: Replace this with the exact text spoken in reference.wav. + prompt_lang: zh + text_lang: zh +``` + +### 配置说明 + +| 配置项 | 说明 | +|--------|------| +| `server.host` | 监听地址 | +| `server.port` | 监听端口 | +| `server.tts_config` | GPT-SoVITS 推理配置文件路径 | +| `upload.dir` | 临时上传目录 | +| `upload.min_ref_seconds` | 主参考音频最短秒数 | +| `upload.max_ref_seconds` | 主参考音频最长秒数 | +| `upload.max_upload_mb` | 单个上传文件最大体积 (MB) | +| `defaults.*` | 所有接口的默认参数 | +| `emotion_presets.*` | 情绪预设参数映射 | +| `voices.*` | 固定音色 profile | + +--- + +## 添加自定义音色 + +编辑 `simple_api.yaml`，在 `voices` 下添加： + +```yaml +voices: + narrator: + description: "男声旁白" + ref_audio_path: voices/narrator.wav + prompt_text: "旁白参考音频的逐字稿" + prompt_lang: zh + text_lang: zh +``` + +然后热加载： + +```bash +curl -X POST http://127.0.0.1:9881/admin/reload-config +``` + +--- + +## 测试 + +### 契约测试（无需 GPU） + +```bash +python -m unittest tests.test_simple_api_contract -v +``` + +覆盖： + +- `/api/tts` 路由注册 +- 上传接口参数构造 +- 主参考音频 3-10 秒校验 +- v2 空 prompt_text 允许 / v3/v4 空 prompt_text 拒绝 +- 临时上传目录清理 +- 情绪预设应用与 speed 覆盖 + +### 前端测试 + +1. 启动后端 +2. 访问 `http://127.0.0.1:9881/test/` +3. 上传音频或视频（视频会自动提取音频） +4. 使用波形裁剪工具选择 3-10 秒片段 +5. 填写文字，选择情绪和语速 +6. 点击生成 + +--- + +## 启动脚本 + +| 脚本 | 平台 | 说明 | +|------|------|------| +| `go-simple-api.ps1` | Windows PowerShell | 自动检测 runtime\python.exe | +| `go-simple-api.bat` | Windows CMD | 同上 | +| `open-test-frontend.ps1` | Windows PowerShell | 直接打开测试前端 HTML | diff --git a/docs/simple_api_quickstart.md b/docs/simple_api_quickstart.md index 2f07eb65..b3865fa9 100644 --- a/docs/simple_api_quickstart.md +++ b/docs/simple_api_quickstart.md @@ -4,7 +4,7 @@ ## 一句话流程 -启动后端，打开测试页，上传 3-10 秒参考音频或视频（视频会自动提取音频），填写生成文字，点击生成。 +启动后端，打开测试页，上传 3-10 秒参考音频或视频（视频自动提取音频），填写生成文字，点击生成。 ## 1. 启动后端 @@ -26,19 +26,13 @@ go-simple-api.bat http://127.0.0.1:9881 ``` -## 2. 打开测试前端 +## 2. 打开页面 -后端启动后访问： - -```text -http://127.0.0.1:9881/test/ -``` - -测试页面里的默认接口地址是： - -```text -http://127.0.0.1:9881/api/tts -``` +| 页面 | 地址 | 说明 | +|------|------|------| +| 测试前端 | http://127.0.0.1:9881/test/ | 带波形裁剪的测试 UI | +| Swagger UI | http://127.0.0.1:9881/docs | 交互式 API 文档 | +| ReDoc | http://127.0.0.1:9881/redoc | 可读式 API 文档 | ## 3. 调用接口 @@ -53,7 +47,7 @@ Content-Type: multipart/form-data ```text text 要生成的文字 -ref_audio 3-10 秒主参考音频（支持视频，前端自动提取音频） +ref_audio 3-10 秒主参考音频（或视频，前端自动提取） ``` 常用可选字段： @@ -83,6 +77,8 @@ curl.exe -X POST http://127.0.0.1:9881/api/tts ` ## 5. 注意事项 - 主参考音频必须是 3-10 秒。 +- 前端支持上传视频文件，会自动提取音频。 +- 前端提供波形裁剪工具，可直接选择 3-10 秒片段。 - `prompt_text` 在当前 v2 配置下可以为空。 - 如果切换到 v3/v4，空 `prompt_text` 会返回 400。 - 生成文字固定按标点符号切句。 diff --git a/simple_api.py b/simple_api.py index 91180548..eb8d635b 100644 --- a/simple_api.py +++ b/simple_api.py @@ -151,8 +151,26 @@ infer_lock = threading.Lock() APP = FastAPI( title="GPT-SoVITS Simple API", - description="Profile-based API layer that hides GPT-SoVITS request details.", - version="1.0.0", + description=( + "简化接口层，封装 GPT-SoVITS 推理引擎。\n\n" + "## 核心流程\n" + "1. 上传 3-10 秒参考音频（或视频，前端自动提取音频）\n" + "2. 填写需要生成的文字\n" + "3. 调用 `/api/tts` 获取生成的音频\n\n" + "## 其他接口\n" + "- `/speak` — 基于 voice profile 的调用方式\n" + "- `/v1/tts` — OpenAI 兼容格式\n" + "- `/admin/*` — 管理接口（热加载配置、切换模型）" + ), + version="1.1.0", + docs_url="/docs", + redoc_url="/redoc", + openapi_tags=[ + {"name": "MVP", "description": "核心 TTS 接口，上传参考音频直接生成"}, + {"name": "Profile", "description": "基于 voice profile 的调用方式"}, + {"name": "Admin", "description": "管理接口：热加载配置、切换模型权重"}, + {"name": "System", "description": "健康检查与信息查询"}, + ], ) APP.add_middleware( CORSMiddleware, @@ -584,33 +602,51 @@ def startup() -> None: tts_pipeline = TTS(tts_config) -@APP.get("/") +@APP.get("/", tags=["System"]) def index() -> Dict[str, Any]: return { "name": "GPT-SoVITS Simple API", - "endpoints": [ - "/health", - "/voices", - "/api/tts", - "/speak", - "/speak/base64", - "/admin/weights", - "/admin/reload-config", - ], + "version": "1.1.0", + "docs": "/docs", + "endpoints": { + "system": ["/health", "/voices"], + "mvp": ["/api/tts"], + "profile": ["/speak", "/speak/base64", "/v1/tts"], + "admin": ["/admin/reload-config", "/admin/weights"], + }, } -@APP.get("/health") +@APP.get("/health", tags=["System"], summary="健康检查") def health() -> Dict[str, Any]: - return { + import os + + result: Dict[str, Any] = { "status": "ok" if tts_pipeline is not None else "starting", "tts_config": tts_config_path, "version": getattr(tts_config, "version", None), "languages": getattr(tts_config, "languages", []), + "pid": os.getpid(), } + try: + import psutil + result["memory_mb"] = round(psutil.Process(os.getpid()).memory_info().rss / 1024 / 1024, 1) + except Exception: + pass + try: + import torch + if torch.cuda.is_available(): + result["gpu"] = { + "name": torch.cuda.get_device_name(0), + "memory_used_mb": round(torch.cuda.memory_allocated(0) / 1024 / 1024, 1), + "memory_total_mb": round(torch.cuda.get_device_properties(0).total_mem / 1024 / 1024, 1), + } + except Exception: + pass + return result -@APP.get("/voices") +@APP.get("/voices", tags=["System"], summary="列出可用 voice profiles") def list_voices() -> Dict[str, Any]: voices = simple_config.get("voices", {}) or {} return { @@ -619,7 +655,17 @@ def list_voices() -> Dict[str, Any]: } -@APP.post("/api/tts") +@APP.post( + "/api/tts", + tags=["MVP"], + summary="核心 TTS 接口", + description=( + "上传参考音频和需要生成的文字，返回生成的音频。\n\n" + "**主参考音频要求**：3-10 秒，支持 wav/flac/ogg/mp3/m4a/aac 格式。\n\n" + "**文字切句**：固定使用 `cut5`（按标点符号切句）。\n\n" + "**情绪预设**：neutral / happy / calm / sad / angry，本质是映射到采样和语速参数。" + ), +) async def mvp_tts( text: str = Form(...), ref_audio: UploadFile = File(...), @@ -666,7 +712,7 @@ async def mvp_tts( shutil.rmtree(request_dir, ignore_errors=True) -@APP.get("/speak") +@APP.get("/speak", tags=["Profile"], summary="GET 方式调用 voice profile TTS") def speak_get( text: str, voice: Optional[str] = None, @@ -686,17 +732,17 @@ def speak_get( return synthesize_response({k: v for k, v in payload.items() if v is not None}) -@APP.post("/speak") +@APP.post("/speak", tags=["Profile"], summary="POST 方式调用 voice profile TTS") def speak_post(request: SpeakRequest) -> Response: return synthesize_response(request_to_dict(request)) -@APP.post("/v1/tts") +@APP.post("/v1/tts", tags=["Profile"], summary="OpenAI 兼容格式 TTS") def openai_style_tts(request: SpeakRequest) -> Response: return synthesize_response(request_to_dict(request)) -@APP.post("/speak/base64") +@APP.post("/speak/base64", tags=["Profile"], summary="返回 Base64 编码的音频") def speak_base64(request: SpeakRequest) -> Dict[str, Any]: audio_bytes, media_type = synthesize_once(request_to_dict(request)) return { @@ -705,14 +751,14 @@ def speak_base64(request: SpeakRequest) -> Dict[str, Any]: } -@APP.post("/admin/reload-config") +@APP.post("/admin/reload-config", tags=["Admin"], summary="热加载 simple_api.yaml 配置") def reload_config() -> Dict[str, Any]: global simple_config simple_config = load_yaml_config(args.config) return {"message": "success", "default_voice": get_default_voice_name()} -@APP.post("/admin/weights") +@APP.post("/admin/weights", tags=["Admin"], summary="运行时切换 GPT-SoVITS 模型权重") def set_weights(request: WeightsRequest) -> Dict[str, Any]: if tts_pipeline is None: raise HTTPException(status_code=503, detail="TTS pipeline is not ready") diff --git a/test_frontend/index.html b/test_frontend/index.html index c7e1b5ba..ed441135 100644 --- a/test_frontend/index.html +++ b/test_frontend/index.html @@ -282,6 +282,81 @@ color: var(--bad); } + .waveform-wrap { + display: none; + margin-top: 14px; + border: 1px solid var(--line); + border-radius: 8px; + background: #fbfcfb; + padding: 12px; + } + + .waveform-wrap.visible { + display: block; + } + + .waveform-wrap h3 { + margin: 0 0 8px; + font-size: 13px; + font-weight: 650; + color: var(--ink); + } + + #waveform { + border-radius: 4px; + overflow: hidden; + background: #e9efeb; + min-height: 50px; + } + + .trim-controls { + display: none; + align-items: center; + gap: 12px; + margin-top: 10px; + flex-wrap: wrap; + } + + .trim-controls.visible { + display: flex; + } + + .trim-controls label { + margin-bottom: 0; + font-size: 12px; + } + + .trim-controls input[type="number"] { + width: 80px; + padding: 6px 8px; + font-size: 13px; + text-align: center; + } + + .trim-time-group { + display: flex; + align-items: center; + gap: 6px; + } + + .trim-time-group span { + color: var(--muted); + font-size: 12px; + } + + .trim-separator { + color: var(--muted); + font-size: 13px; + padding: 0 2px; + } + + .btn-export-trim { + margin-left: auto; + font-size: 12px; + min-height: 32px; + padding: 0 12px; + } + @media (max-width: 860px) { header, .workspace, @@ -304,7 +379,7 @@

GPT-SoVITS 接口测试台

-

选择 3-10 秒参考音频或视频（视频会自动提取音频），填写后端接口地址和生成文本，直接调用中间层 /api/tts。

+

选择 3-10 秒参考音频或视频（视频会自动提取音频），在波形图上拖拽选取裁剪区域，填写后端接口地址和生成文本，直接调用中间层 /api/tts。

未检测 @@ -332,6 +407,22 @@
请选择 3-10 秒音频或视频（视频会自动提取音频）
+
+

波形预览 & 裁剪

+
+
+
+ + +
+ — +
+ + +
+ +
+
@@ -425,6 +516,8 @@
+ +