import sys, time, torch, torchaudio
sys.path.insert(0, 'CosyVoice'); sys.path.insert(0, 'CosyVoice/third_party/Matcha-TTS')
torch.set_num_threads(12)
from cosyvoice.cli.cosyvoice import CosyVoice2
cv = CosyVoice2('pretrained_models/CosyVoice2-0.5B', load_jit=False, load_trt=False, fp16=False)
REFS = {
 'a': ("所以今天的課程其實非常簡單,就是我們可以查得到系統的版本資訊,CPU的資訊,以及記憶體的大小,IP位置以及硬碟的大小。", 'ref-a.wav'),
 'c1': ("看看各位同學有沒有任何問題,如果沒有,課程就到此結束。謝謝。", 'ref-c1.wav'),
 'b': ("第一個是主機的系統資訊,然後第二個是主機的CPU資訊,然後第三個是主機的機體大小,那第四個是主機的IP位置。", 'ref-b.wav'),
 'c4': ("那通常我們看到這樣的一個回應的話,我們可能沒有辦法識別說,說它到底是哪一套作業系統,那有一個基本的判斷。", 'ref-c4.wav'),
}
S = ["大家好,我是方舟老師,歡迎來到這門課。", "機器人其實就是三件事,感測、思考、行動。", "通電之前,一定要先確認電池的接線。"]
for tag, (pt, wav) in REFS.items():
    for i, t in enumerate(S):
        t0 = time.time(); ch = [r['tts_speech'] for r in cv.inference_zero_shot(t, pt, wav, stream=False, text_frontend=True)]
        w = torch.cat(ch, dim=1); torchaudio.save(f'out/r{tag}-{i}.wav', w, cv.sample_rate)
        print(tag, i, f'{w.shape[1]/cv.sample_rate:.1f}s, {time.time()-t0:.0f}s', flush=True)
