app.py

import whisper
from transformers import pipeline
import gradio as gr
import numpy as np
import torch
from bark import generate_audio
from scipy.io.wavfile import write
import tempfile


# Cargar el modelo Whisper-small y bark
transcribir = pipeline("automatic-speech-recognition", model="openai/whisper-small")
bark = pipeline("text-to-speech", model="suno/bark")


# Función para transcribir el audio y traducir el audio de entrada
def transcribir_audio(audio):
    # Usamos el pipeline de Hugging Face para la transcripción
    result = transcribir_audio(audio)
    return result["text"]


#Función para generar el audio
def generar_audio(text):
    #Generar audio con Bark
    audio_array = generate_audio(text)

    # Normalizar el array de audio (opcional si Bark ya devuelve datos normalizados)
    audio_array = np.clip(audio_array, -1.0, 1.0)  # Asegurar que los valores estén en [-1.0, 1.0]

     # Crear un archivo temporal para almacenar el audio
    temp_wav = tempfile.NamedTemporaryFile(delete=False, suffix=".wav")
    write(temp_wav.name, 24000, (audio_array * 32767).astype(np.int16))  # Guardar el archivo como WAV
    
    return temp_wav.name
    

def process_audio(audio_file):
    # Paso 1: Transcripción y traducción con Whisper
    transcripcion_traducida = transcribir(audio_file)["text"]
    
    # Paso 2: Generación de audio con Bark
    audio_sintetizado = generar_audio(transcripcion_traducida)
    
    return transcripcion_traducida, audio_sintetizado


# Crear interfaz Gradio
with gr.Blocks() as demo:
    gr.Markdown("### Transcripción y Síntesis de Voz")
    
    with gr.Row():
        input_audio = gr.Audio(label="Sube tu archivo de audio", type="filepath")
        transcription_output = gr.Textbox(label="Texto transcrito")
        output_audio = gr.Audio(label="Audio generado")
    
    process_button = gr.Button("Procesar")
    process_button.click(process_audio, inputs=input_audio, outputs=[transcription_output, output_audio])

# Lanzar la app
demo.launch()