app.py

import gradio as gr
from pathlib import Path
import argparse

from STT.sst import speech_to_text
from LLM.llm import generate_reply
from TTS_X.tts import generate_voice
from FantasyTalking.infer import load_models, main

# ثابتات تحميل النموذج
args_template = argparse.Namespace(
    wan_model_dir="./models/Wan2.1-I2V-14B-720P",
    fantasytalking_model_path="./models/fantasytalking_model.ckpt",
    wav2vec_model_dir="./models/wav2vec2-base-960h",
    image_path="",
    audio_path="",
    prompt="",
    output_dir="./output",
    image_size=512,
    audio_scale=1.0,
    prompt_cfg_scale=5.0,
    audio_cfg_scale=5.0,
    max_num_frames=81,
    inference_steps=20,
    fps=23,
    num_persistent_param_in_dit=None,
    seed=1111
)

# تحميل النماذج مرة وحدة فقط
pipe, fantasytalking, wav2vec_processor, wav2vec = load_models(args_template)

def generate_video(image_path, audio_path, prompt, output_dir="./output"):
    args = argparse.Namespace(
        **vars(args_template),
        image_path=image_path,
        audio_path=audio_path,
        prompt=prompt,
        output_dir=output_dir
    )
    return main(args, pipe, fantasytalking, wav2vec_processor, wav2vec)


def full_pipeline(user_audio, user_image):
    # 1. تحويل الصوت إلى نص
    user_text = speech_to_text(user_audio)

    # 2. توليد الرد من LLM
    reply = generate_reply(user_text)

    # 3. تحويل الرد إلى صوت
    reply_audio_path = generate_voice(reply)

    # 4. توليد فيديو من الصورة والصوت
    Path("./output").mkdir(parents=True, exist_ok=True)
    video_path = generate_video(
        image_path=user_image,
        audio_path=reply_audio_path,
        prompt=reply
    )

    return user_text, reply, reply_audio_path, video_path


# واجهة Gradio
with gr.Blocks(title="🧠 صوتك يحرك صورة!") as demo:
    gr.Markdown("## 🎤➡️💬➡️🔊➡️📽️ من صوتك إلى فيديو متكلم!")

    with gr.Row():
        with gr.Column():
            audio_input = gr.Audio(label="🎙️ ارفع صوتك", type="filepath")
            image_input = gr.Image(label="🖼️ صورة المتحدث", type="filepath")
            btn = gr.Button("🎬 شغل")

        with gr.Column():
            user_text = gr.Textbox(label="📝 النص المسموع")
            reply_text = gr.Textbox(label="🤖 رد المساعد")
            reply_audio = gr.Audio(label="🔊 الرد المنطوق")
            video_output = gr.Video(label="📽️ الفيديو الناتج")

    btn.click(fn=full_pipeline,
              inputs=[audio_input, image_input],
              outputs=[user_text, reply_text, reply_audio, video_output])

demo.launch(inbrowser=True, share=True)