Update app.py

app.py

@@ -1,48 +1,59 @@
 import gradio as gr
+import numpy as np
+import librosa
 from perch_hoplite.zoo import model_configs
-import inspect
-
-# --- Début du code de diagnostic ---
-
-def get_available_models_from_library():
-    """
-    Cette fonction ne charge pas de modèle.
-    Elle inspecte l'énumération ModelConfigName pour lister les noms de modèles valides.
-    """
-    try:
-        # On accède à la classe Enum qui contient les noms de modèles
-        model_enum = model_configs.ModelConfigName
-        
-        # On récupère la liste de toutes les valeurs possibles (les noms des modèles)
-        available_names = [member.value for member in model_enum]
-        
-        if not available_names:
-            return {
-                "ERREUR Critique": "L'énumération 'ModelConfigName' est vide.",
-                "Hypothèse": "La bibliothèque installée est peut-être corrompue ou une version inattendue."
-            }
-        
-        return {
-            "Message": "Voici les SEULS noms de modèles valides trouvés dans la bibliothèque actuellement installée :",
-            "Modèles Disponibles": available_names
-        }
-    except Exception as e:
-        return {
-            "ERREUR Critique": "Impossible d'inspecter la bibliothèque perch_hoplite.",
-            "Détails de l'erreur": str(e),
-            "Traceback": inspect.format_exc()
-        }
-
-# --- Fin du code de diagnostic ---
-
-
-# Interface Gradio pour afficher le résultat de notre inspection
+
+# LA SOLUTION FINALE : Utiliser le nom de modèle "perch_8"
+MODEL = model_configs.load_model_by_name("perch_8")
+SR = 32000
+WIN = 5 * SR
+
+def _prep(wav, sr):
+    if wav.ndim > 1:
+        wav = np.mean(wav, axis=1)
+    if sr != SR:
+        wav = librosa.resample(wav.astype(np.float32), orig_sr=sr, target_sr=SR)
+    if len(wav) < WIN:
+        wav = np.pad(wav, (0, WIN - len(wav)))
+    else:
+        wav = wav[:WIN]
+    return wav.astype(np.float32)
+
+def infer(audio):
+    if audio is None:
+        return {"error": "no audio"}
+    sr, wav = audio
+    wav = _prep(wav, sr)
+
+    out = MODEL.embed(wav)
+    logits = out.logits["label"]
+    labels = out.label_names.get("label")
+
+    idx = np.argsort(logits)[::-1][:3]
+    topk = []
+    
+    top_logits = logits[idx]
+    exp_logits = np.exp(top_logits - np.max(top_logits))
+    sum_exp_logits = np.sum(exp_logits)
+    
+    for i in range(len(idx)):
+        class_index = idx[i]
+        name = labels[class_index] if labels is not None and class_index < len(labels) else f"classe_{int(class_index)}"
+        prob = float(exp_logits[i] / sum_exp_logits)
+        topk.append({"label": name, "score": round(prob, 4)})
+
+    return {
+        "topk": topk,
+        "embedding_dim": int(out.embeddings.shape[-1]),
+        "note": "Scores non calibrés; régler un seuil selon votre usage."
+    }
+
 demo = gr.Interface(
-    fn=get_available_models_from_library,
-    inputs=[],
-    outputs=gr.JSON(label="Contenu Réel de la Bibliothèque"),
-    title="Inspecteur de la Bibliothèque Perch-Hoplite",
-    description="Cette application de diagnostic ne fait qu'une seule chose : elle affiche les noms de modèles que la bibliothèque installée prétend connaître. Le résultat nous donnera la solution."
+    fn=infer,
+    inputs=gr.Audio(type="numpy", sources=["microphone", "upload"]),
+    outputs=gr.JSON(label="Perch 8 Inference"),
+    title="Perch Bioacoustics",
+    allow_flagging="never"
 )
 
-demo.launch()
+demo.queue(api_open=True).launch()