Fix audio return format in multi-style generation and add bash test script for basic TTS

Author: sarpba

src/f5_tts/infer/API_info.MD

@@ -0,0 +1,232 @@
+# E2/F5‑TTS REST API – Részletes használati útmutató
+
+*Utolsó frissítés: 2025‑06‑13*
+
+---
+
+## Tartalomjegyzék
+
+1. [Bevezetés](#bevezetés)
+2. [Gyors indulás](#gyors-indulás)
+3. [Alapfogalmak](#alapfogalmak)
+4. [Az API alap URL‑sémája](#az-api-alap-url-sémája)
+5. [Végpontok áttekintése](#végpontok-áttekintése)
+6. [Kérés felépítése](#kérés-felépítése)
+7. [Válasz felépítése](#válasz-felépítése)
+8. [Példák](#példák)
+
+   * 8.1. [`basic_tts`](#81-basic_tts) – egyszerű TTS
+   * 8.2. [`generate_multistyle_speech`](#82-generate_multistyle_speech) – több hangstílus
+   * 8.3. [`switch_tts_model` és `set_custom_model`](#83-model-váltás)
+   * 8.4. Python – `gradio_client`-tel
+9. [Hibakezelés](#hibakezelés)
+10. [Legjobb gyakorlatok](#legjobb-gyakorlatok)
+11. [Függelék A – `/config` és `components`](#függelék-a)
+
+---
+
+## Bevezetés
+
+Ez a dokumentum leírja, hogyan használhatod **REST kérésekkel** a Gradio‑alapú E2/F5‑TTS web UI összes fontos funkcióját (modellváltás, szöveg‑felolvasás, multistílusú TTS, chat TTS). A szerver FastAPI‑t használ, de a Gradio 4.x‑től kezdve minden Gradio‑s végpont a **`/gradio_api/…`** útvonal alá kerül.
+
+> **Fontos:** nincs hagyományos `/docs` vagy numerikus `/api/predict/7`; helyette név‑alapú `api_name`‑eket találsz.
+
+---
+
+## Gyors indulás
+
+```bash
+# 1 – indítsd a szervert (API alapból engedélyezett)
+python app.py -p 7860 --share   # vagy saját flagjeid
+
+# 2 – ellenőrizd, hogy fut-e
+curl http://localhost:7860/gradio_api/openapi.json | jq .info
+
+# 3 – listázd a végpontokat és input‑indexeket
+curl http://localhost:7860/config | jq '.dependencies[] | {api_name, inputs}'
+```
+
+---
+
+## Alapfogalmak
+
+| Fogalom             | Magyarázat                                                                                             |
+| ------------------- | ------------------------------------------------------------------------------------------------------ |
+| **api\_name**       | A callback beszédes neve (pl. `basic_tts`). Ez lesz az URL‑ben.                                        |
+| **input‑komponens** | Minden UI elem egy számmal azonosítva (pl. `1725`). A sorrend a `.click(inputs=[…])` listával egyezik. |
+| **`data[]`**        | Kérésnél: értékek listája **ugyanabban a sorrendben**, mint az `inputs=[…]`.                           |
+| **session\_hash**   | Tetszőleges string, egy munkamenet azonosítására. Ha sorban több hívást küldesz, használd ugyanazt.    |
+
+---
+
+## Az API alap URL‑sémája
+
+```
+POST http(s)://<host>:<port>/gradio_api/call/<api_name>
+```
+
+* Minden hívás **POST**.
+* `Content‑Type: application/json`.
+* A törzs két mezőt tartalmaz:
+
+  ```json
+  {
+    "data": [ /* komponensek sorban */ ],
+    "session_hash": "<bármi_azonosító>"
+  }
+  ```
+
+---
+
+## Végpontok áttekintése
+
+| api\_name                    | Funkció                                                 | Inputs (darab) | Megjegyzés                                |
+| ---------------------------- | ------------------------------------------------------- | -------------- | ----------------------------------------- |
+| `switch_tts_model`           | Modellválasztó rádiógomb                                | 1              | `"F5-TTS_v1"`, `"E2-TTS"` vagy `"Custom"` |
+| `set_custom_model`           | Egyéni modell 3 paramétere                              | 3              | ckpt útvonal, vocab útvonal, JSON cfg     |
+| `basic_tts`                  | Egyszerű, egyetlen hangos TTS                           | 10             | l. [8.1](#81-basic_tts)                   |
+| `generate_multistyle_speech` | 100 hangstílusig                                        | 249            | l. [8.2](#82-generate_multistyle_speech)  |
+| `load_chat_model`            | Chat‑LLM betöltése                                      | 1              | pl. `"Qwen/Qwen2.5-3B-Instruct"`          |
+| `chat_pipeline`              | Beszélgetés (ASR→LLM→TTS)                               | 9              | hang v. szöveg, opciók                    |
+| …                            | további `load_text_from_file_*`, `insert_…`, `delete_…` | változó        | UI‑segédek, ritkán kell REST‑ből          |
+
+A pontos `inputs` listát mindig nézd meg a `/config` JSON‑ban.
+
+---
+
+## Kérés felépítése
+
+```json
+{
+  "data": [ <input_1>, <input_2>, … , <input_N> ],
+  "session_hash": "egyedi_hex_vagy_uuid"
+}
+```
+
+* **Típusok**
+
+  * *Fájlnál* – `null` ↔ nincs fájl, vagy **feltöltött URL** (pl. `"file=uploads%2Fabc.wav"`).
+  * *Bool* → `true` / `false`.
+  * *Audio‑/kép‑output* → base64 URL‑data formátumban érkezik.
+
+---
+
+## Válasz felépítése
+
+```json
+{
+  "data": [ /* callback return értékei */ ],
+  "is_generating": false,
+  "duration": 3.18
+}
+```
+
+* **Audio** → `["audio", "data:audio/wav;base64,UklGR…"]`
+* **Kép**   → `"data:image/png;base64,iVBOR…"`
+
+---
+
+## Példák
+
+### 8.1 `basic_tts`
+
+```bash
+curl -X POST http://localhost:7860/gradio_api/call/basic_tts \
+  -H "Content-Type: application/json" \
+  -d '{
+        "data": [
+          null, "", "Hello from API",    # 0‑2
+          false, true, 0,                  # 3‑5
+          0.15, 32, 1.0,                   # 6‑8
+          "None"                          # 9
+        ],
+        "session_hash": "tts_demo"
+      }' | jq '.data[0]'
+```
+
+*Az első elem (`data[0]`) az audio WAV base64‑el; mentheted fájlba.*
+
+### 8.2 `generate_multistyle_speech`
+
+1 kötelező hangstílus (név + audio), minden más `null`/"":
+
+```python
+from gradio_client import Client
+client = Client("http://localhost:7860")
+
+# adatok összeépítése
+payload = [
+    '{"name":"Narrator"} Once upon a time…',  # gen_text_input_multistyle
+    "Narrator", "file=uploads%2Fvoice.wav", "",  # 1. típus (név, audio, ref_text)
+] + [None]*297 + [True, "hun"]  # üres helyek + globális opciók
+
+wav, *_, meta = client.predict(*payload, api_name="/generate_multistyle_speech")
+```
+
+### 8.3 Modell váltása
+
+```bash
+# F5 → E2
+curl -X POST http://localhost:7860/gradio_api/call/switch_tts_model \
+  -H "Content-Type: application/json" \
+  -d '{"data":["E2-TTS"], "session_hash":"model"}'
+```
+
+### 8.4 Python példa `gradio_client`-tel
+
+```python
+from gradio_client import Client
+client = Client("http://localhost:7860")
+wav, spec, _, _ = client.predict(
+        None, "", "Szia világ!", False, True, 0, 0.15, 32, 1.0, "hun",
+        api_name="/basic_tts")
+open("out.wav", "wb").write(wav[1].split(",",1)[1].encode())
+```
+
+---
+
+## Hibakezelés
+
+| HTTP kód  | Jelentés                 | Tipikus ok                                         |
+| --------- | ------------------------ | -------------------------------------------------- |
+| 400 / 422 | Szintaxis vagy típushiba | JSON rossz, `data` méret/típus nem stimmel         |
+| 404       | Nincs ilyen `api_name`   | Elírt URL vagy nincs API engedélyezve (`--no-api`) |
+| 500       | Belső kivétel            | Modell‑ vagy CUDA‑hiba, hiányzó file               |
+
+A válasz `detail` mezője részletesen kiírja, hogy *Expected X inputs, received Y* stb.
+
+---
+
+## Legjobb gyakorlatok
+
+* Használd a **`gradio_client`** könyvtárat, ha Pythonból hívod → nem kell manuálisan buildelni a `data` listát.
+* Több kérésnél reutilizáld a **`session_hash`**‑t → gyorsabb load, stabil queue.
+* **`null`** minden nem kötelező fájlhelyen; ne üres string.
+* Hosszú hívásoknál (TTS > 30 s) számíts sorban állásra (`queue_join`).
+* Base64‑es audio nagy; ha csak tesztelsz, küldj `Accept: application/json`‑t (ez az alap).
+
+---
+
+## Függelék A – `/config` és `components`
+
+A `GET /config` válasza:
+
+```json
+{
+  "version": "4.24.0",
+  "mode": "grpc",
+  "components": { "4": {"type":"file", "label":"Reference Audio"}, … },
+  "dependencies": [
+    { "api_name": "basic_tts", "inputs": [4,1725,6,…] },
+    …
+  ]
+}
+```
+
+* A `components` szekcióban látszik, milyen **típus** (`file`, `textbox`, `slider`, …).
+* A `dependencies[*].inputs` lista **sorrendje** → ez határozza meg a `data[]` sorrendet.
+
+---
+
+**Ennyi!** Ezzel a leírással önállóan is tudod scriptből vezérelni a TTS‑szervert, modellváltástól a multistílusú hangszintézisig.
+

src/f5_tts/infer/bash_test.sh

@@ -0,0 +1,38 @@
+#!/usr/bin/env bash
+set -euo pipefail
+
+REF=${1:-ref.wav}                               # 1. arg: referencia WAV
+TXT=${2:-"Hello from Bash queue!"}              # 2. arg: felolvasandó szöveg
+HOST=${3:-"localhost:7860"}                     # 3. arg: host:port
+API="http://${HOST}"
+SESSION="bash_$$"
+
+[[ -f "$REF" ]] || { echo "❌  nincs ilyen fájl: $REF"; exit 1; }
+
+# 1) WAV feltöltése (kulcs: files!)
+TOKEN=$(curl -s -F "files=@${REF}" "$API/gradio_api/upload" | jq -r '.[0]')
+[[ -n "$TOKEN" && "$TOKEN" != "null" ]] || { echo "❌ feltöltési hiba"; exit 1; }
+
+# 2) JSON body (10 input a basic_tts-hez)
+BODY=$(jq -n --arg file "$TOKEN" --arg txt "$TXT" --arg sid "$SESSION" '
+  {data:[$file,"",$txt,false,true,0,0.15,32,1.0,"None"], session_hash:$sid}')
+
+# 3) Szinkron hívás a queue ellenére (`simple_format=true`)
+echo "▶️  /call/basic_tts?simple_format=true"
+RESP=$(curl -sS -H 'Content-Type: application/json' -d "$BODY" \
+             -X POST "$API/gradio_api/call/basic_tts?simple_format=true")
+
+# 4) Base64 WAV kinyerése
+B64=$(echo "$RESP" | jq -r '.data[0][1]?' | cut -d, -f2)
+[[ -z "$B64" || "$B64" == "null" ]] && { echo "❌  nincs audio"; echo "$RESP"|jq .; exit 1; }
+
+OUT="tts_$(date +%s).wav"
+echo "$B64" | base64 -d > "$OUT" && echo "💾  $OUT → $(du -h "$OUT"|cut -f1)"
+
+# 5) Lejátszás (aplay / ffplay / afplay)
+play() { command -v "$1" &>/dev/null && "$@"; }
+play aplay -q "$OUT"   && exit
+play ffplay -nodisp -autoexit -loglevel quiet "$OUT" && exit
+play afplay "$OUT"     && exit
+echo "ℹ️  Nyisd meg kézzel a fájlt: $OUT"
+

src/f5_tts/infer/infer_gradio.py

@@ -773,7 +773,7 @@ def generate_multistyle_speech(
 
         if generated_audio_segments:
             final_audio_data = np.concatenate(generated_audio_segments)
-            return (sr, final_audio_data), output_ref_texts, inference_meta_data
+            return (sr, final_audio_data), *output_ref_texts, inference_meta_data
         else:
             gr.Warning("No audio segments were successfully generated.")
             return None, output_ref_texts, inference_meta_data or None