añadiendo temporizador

app.py

@@ -2,6 +2,7 @@ from transformers import pipeline
 import gradio as gr
 import numpy as np
 import librosa
+import time
 
 # Utilizamos los tres modelos entrenados
 pipe_model_1 = pipeline("automatic-speech-recognition", model="IABDs8a/AfinandoElEntrenamiento")
@@ -9,6 +10,8 @@ pipe_model_2 = pipeline("automatic-speech-recognition", model="IABDs8a/whisper-b
 pipe_model_3 = pipeline("automatic-speech-recognition", model="IABDs8a/whisper-tiny-top3")
 
 def transcribe(audio, model_choice):
+    inicio = time.time()
+
     if model_choice == "AfinandoElEntrenamiento":
         pipe = pipe_model_1
     elif model_choice == "Whisper Base Full":
@@ -31,7 +34,9 @@ def transcribe(audio, model_choice):
     
     # Realizar la transcripción
     result = pipe({"sampling_rate": sr, "raw": y})
-    return result["text"]
+    fin = time.time()
+
+    return result["text"], fin - inicio
 
 # Interfaz de Gradio
 demo = gr.Interface(
@@ -40,7 +45,10 @@ demo = gr.Interface(
         gr.Audio(type="filepath", label="Sube un archivo de audio o graba desde el micrófono"),
         gr.Dropdown(choices=["AfinandoElEntrenamiento", "Whisper Base Full", "Whisper Tiny Top 3"], label="Selecciona el modelo", value="Whisper Base Full")
     ],
-    outputs="text",
+    outputs=[
+        gr.Text(label="Salida"),
+        gr.Number(label="Tiempo")
+    ],
     title="Transcripción de Audio con LARA",
     description="Sube un archivo de audio o graba desde el micrófono para obtener su transcripción utilizando los modelos Whisper entrenados.",
 )