Digital_Human/voxcpm_api.py

#!/usr/bin/env python3
"""
VoxCPM2 声音克隆 - 最终版
支持两种方式：
1. 使用文件路径（音频在API服务器上）
2. 使用base64编码（音频在本地电脑）
"""

import requests
import base64
import os

# ==================== 配置 ====================
API_URL = "http://183.252.196.135:6003"
SAVE_DIR = "/Users/alien/Desktop/Digital_Human/Image_Analysis/knowledge_kelong"
os.makedirs(SAVE_DIR, exist_ok=True)

TEXT = "音频可以在本地电脑，自动传输到服务器。"

# 本地音频文件路径（在你的调用电脑上）
LOCAL_REFERENCE_WAV = "/Users/alien/Desktop/Digital_Human/voice_output.wav"

# ==================== 方式1: 使用base64编码（推荐） ====================
def generate_tts_clone_base64():
    """
    方式1: 将本地音频编码为base64发送给API
    优点：不需要提前上传文件到API服务器
    """
    print("=" * 60)
    print("🚀 开始声音克隆（方式1：base64传输）")
    print("=" * 60)
    print(f"📝 文本: {TEXT}")
    print(f"🔊 本地音频: {LOCAL_REFERENCE_WAV}")
    
    # 检查本地文件是否存在
    if not os.path.exists(LOCAL_REFERENCE_WAV):
        print(f"❌ 本地音频文件不存在: {LOCAL_REFERENCE_WAV}")
        return
    
    # 读取本地音频并编码为base64
    print(f"📦 正在编码音频为base64...")
    with open(LOCAL_REFERENCE_WAV, "rb") as f:
        ref_base64 = base64.b64encode(f.read()).decode("utf-8")
    print(f"✅ 编码完成，大小: {len(ref_base64) / 1024:.2f} KB")
    
    # 发送请求 - 使用base64编码
    resp = requests.post(
        f"{API_URL}/v1/tts/generate",
        json={
            "text": TEXT,
            "reference_wav_base64": ref_base64,  # ✅ 使用base64字段
            "cfg_value": 2.0,
            "inference_timesteps": 20,
            "return_base64": True
        },
        timeout=300
    )
    
    # 检查响应
    if resp.status_code != 200:
        print(f"❌ 请求失败: {resp.status_code}")
        print(f"错误信息: {resp.text}")
        return
    
    # 保存音频
    result = resp.json()
    
    if not result.get('audio_base64'):
        print("❌ 未返回音频数据")
        print(f"响应内容: {result}")
        return
    
    audio_data = base64.b64decode(result["audio_base64"])
    
    out_path = os.path.join(SAVE_DIR, "clone_result_base64.wav")
    with open(out_path, "wb") as f:
        f.write(audio_data)
    
    print(f"✅ 声音克隆完成！")
    print(f"💾 已保存到: {out_path}")
    print(f"📊 文件大小: {len(audio_data) / 1024:.2f} KB")
    print("=" * 60)


# ==================== 方式2: 使用文件路径 ====================
def generate_tts_clone_path():
    """
    方式2: 使用API服务器上的文件路径
    前提：音频文件必须已经在API服务器上
    """
    print("=" * 60)
    print("🚀 开始声音克隆（方式2：文件路径）")
    print("=" * 60)
    
    # 这个路径必须在API服务器 192.168.22.9 上存在
    SERVER_REFERENCE_WAV = "/tmp/voice_output.wav"
    
    print(f"📝 文本: {TEXT}")
    print(f"🔊 服务器音频: {SERVER_REFERENCE_WAV}")
    
    resp = requests.post(
        f"{API_URL}/v1/tts/generate",
        json={
            "text": TEXT,
            "reference_wav_path": SERVER_REFERENCE_WAV,  # ✅ 使用文件路径
            "cfg_value": 2.0,
            "inference_timesteps": 20,
            "return_base64": True
        },
        timeout=300
    )
    
    if resp.status_code != 200:
        print(f"❌ 请求失败: {resp.status_code}")
        print(f"错误信息: {resp.text}")
        return
    
    result = resp.json()
    
    if not result.get('audio_base64'):
        print("❌ 未返回音频数据")
        print(f"响应内容: {result}")
        return
    
    audio_data = base64.b64decode(result["audio_base64"])
    
    out_path = os.path.join(SAVE_DIR, "clone_result_path.wav")
    with open(out_path, "wb") as f:
        f.write(audio_data)
    
    print(f"✅ 声音克隆完成！")
    print(f"💾 已保存到: {out_path}")
    print(f"📊 文件大小: {len(audio_data) / 1024:.2f} KB")
    print("=" * 60)


# ==================== 主函数 ====================
if __name__ == "__main__":
    print("\n📋 选择声音克隆方式:")
    print("1. 音频在本地电脑 → 使用方式1（base64）")
    print("2. 音频在API服务器 → 使用方式2（文件路径）")
    print()
    
    # 默认使用方式1（base64）
    print("🔹 使用方式1（base64传输）...")
    generate_tts_clone_base64()
    
    # 如需使用方式2，取消注释：
    # generate_tts_clone_path()
    
    print("\n💡 提示:")
    print("  - 方式1（base64）: 音频可以在本地电脑，自动传输到服务器")
    print("  - 方式2（路径）: 音频必须先在API服务器上")
    print("  - 推荐使用方式1，更方便灵活")