Update app.py

app.py

@@ -1,64 +1,33 @@
 import gradio as gr
 import torch
-from audiocraft.models import MusicGen
-import uuid
-import os
-import scipy.io.wavfile
-import numpy as np
+import torchaudio
+from diffusers import AudioLDMPipeline
 
-# Cargar el modelo MusicGen
-print("Cargando el modelo MusicGen...")
-model = MusicGen.get_pretrained('facebook/musicgen-small')
-print("Modelo cargado correctamente.")
+# Cargar el modelo de AudioLDM
+pipe = AudioLDMPipeline.from_pretrained("cvssp/audioldm-s-full-v2")
+pipe.to("cpu")  # Ejecutar en CPU
 
 # Función para generar música
 def generar_musica(descripcion):
     try:
-        print(f"Generando música con descripción: {descripcion}")
-
-        # Reducir la duración a 3 segundos para evitar bloqueos
-        model.set_generation_params(duration=3)
-
-        # Generar música
-        output = model.generate(descriptions=[descripcion])
-
-        # Verificar si la salida del modelo es válida
-        if not isinstance(output, list) or len(output) == 0 or not isinstance(output[0], torch.Tensor):
-            print("Error: La salida del modelo es inválida.")
-            return None, "Error: No se pudo generar la música."
-
-        audio_tensor = output[0]
-
-        # Verificar si el tensor tiene datos
-        if audio_tensor.numel() == 0:
-            print("Error: El tensor generado está vacío.")
-            return None, "Error: No se pudo generar la música."
-
-        # Convertir el tensor a NumPy asegurando el tipo de dato correcto
-        audio_data = audio_tensor.cpu().detach().numpy().astype(np.float32)
+        audio = pipe(descripcion, num_inference_steps=50)  # Reducir pasos para mayor rapidez en CPU
+        audio_path = "musica_generada.wav"
+        torchaudio.save(audio_path, audio["audio"][0].unsqueeze(0).cpu(), 16000)
+        return audio_path
+    except Exception as e:
+        return f"Error: {e}"
 
-        # Normalizar audio para formato WAV de 16 bits
-        audio_data = np.int16(audio_data / np.max(np.abs(audio_data)) * 32767)
+# Interfaz Gradio
+with gr.Blocks() as interfaz:
+    gr.Markdown("# Generador de Música AI")
+    gr.Markdown("Introduce una descripción y genera una pista de música.")
 
-        # Guardar el archivo de audio en la carpeta de Hugging Face Spaces
-        output_path = f"/mnt/data/output_{uuid.uuid4().hex}.wav"
-        scipy.io.wavfile.write(output_path, 32000, audio_data)
+    descripcion = gr.Textbox(label="Descripción de la música")
+    salida = gr.Audio(label="Música Generada")
 
-        print(f"Música generada y guardada en {output_path}")
-        return output_path
-    except Exception as e:
-        print(f"Error al generar música: {e}")
-        return None, "Error: No se pudo generar la música."
+    boton = gr.Button("Generar Música")
 
-# Crear interfaz con Gradio
-demo = gr.Interface(
-    fn=generar_musica,
-    inputs=gr.Textbox(label="Descripción de la música"),
-    outputs=gr.Audio(label="Música Generada"),
-    title="Generador de Música AI",
-    description="Introduce una descripción y genera una pista de música.",
-    allow_flagging="never"  # Evita bloqueos por tiempo de espera
-)
+    boton.click(fn=generar_musica, inputs=descripcion, outputs=salida)
 
 if __name__ == "__main__":
-    demo.launch()
+    interfaz.launch()