Update for Russian speech app.py

app.py

@@ -8,9 +8,8 @@ from transformers import pipeline, MarianMTModel, MarianTokenizer, VitsModel, Vi
 device = "cuda:0" if torch.cuda.is_available() else "cpu"
 
 import phonemizer
-# сначала использовала facebook/wav2vec2-lv-60-espeak-cv-ft в коллабе, но здесь не загружается библиотека py-espeak-ng
-model_wav2vec = 'openai/whisper-small'  #'voidful/wav2vec2-xlsr-multilingual-56'
-
+# variants: 'voidful/wav2vec2-xlsr-multilingual-56'; facebook/wav2vec2-lv-60-espeak-cv-ft, но здесь не загружается библиотека py-espeak-ng
+model_wav2vec = 'openai/whisper-small'
 asr_pipe = pipeline("automatic-speech-recognition", model=model_wav2vec, device=device)
 
 # load speech-to-text checkpoint
@@ -18,7 +17,7 @@ def translate_audio(audio):
     outputs = asr_pipe(audio, max_new_tokens=256, generate_kwargs={"task": "translate"})
     return outputs["text"]
 
-# translation to Russian
+# translation into Russian
 def translate_text(text):  
     # to English - mul en, to Russian - en ru
     model_mul_en = pipeline("translation", model = "Helsinki-NLP/opus-mt-mul-en")
@@ -27,8 +26,8 @@ def translate_text(text):
     return translated_text[0]['translation_text']
 
 # load text-to-speech checkpoint
-model = VitsModel.from_pretrained("facebook/mms-tts-rus")
-tokenizer = VitsTokenizer.from_pretrained("facebook/mms-tts-rus")
+model = VitsModel.from_pretrained("coqui/XTTS-v2") # or facebook/mms-tts-rus
+tokenizer = VitsTokenizer.from_pretrained("coqui/XTTS-v2") # or facebook/mms-tts-rus
 
 def synthesise(text):
     translated_text = translate_text(text)
@@ -47,13 +46,14 @@ def speech_to_speech_translation(audio):
     return 16000, synthesised_speech[0]
 
 
-title = "Cascaded STST for Russian"
+title = "Cascaded STST. Russian language version"
 description = """
 * В начале происходит распознавание речи с помощью модели openai/whisper-small.
-* Затем полученный текст переводится сначала на английский с помощью Helsinki-NLP/opus-mt-mul-en, а потом на русский с помощью Helsinki-NLP/opus-mt-en-ru
-* На последнем шаге полученный текст озвучивается с помощью fine-tune-говой версии microsoft/speecht5_tts - voxxer/speecht5_finetuned_commonvoice_ru_translit
+* Затем полученный текст переводится сначала на английский с помощью Helsinki-NLP/opus-mt-mul-en, а потом на русский с помощью Helsinki-NLP/opus-mt-en-ru.
+* На последнем шаге полученный текст озвучивается с помощью модели coqui/XTTS-v2.
   
-Demo for cascaded speech-to-speech translation (STST), mapping from source speech in any language to target speech in Russian. Demo uses openai/whisper-small for speech-to-text and facebook/mms-tts-rus model for text-to-speech:
+Demo for cascaded speech-to-speech translation (STST), mapping from source speech in any language to target speech in Russian.  
+Demo uses `openai/whisper-small` for speech-to-text and `facebook/mms-tts-rus model` for text-to-speech:
 ![Cascaded STST](https://huggingface.co/datasets/huggingface-course/audio-course-images/resolve/main/s2st_cascaded.png "Diagram of cascaded speech to speech translation")
 """