app.py

import gradio as gr
from transformers import AutoProcessor, BlipForConditionalGeneration, AutoModelForCausalLM, AutoImageProcessor, VisionEncoderDecoderModel, AutoTokenizer
import io
import base64

# from transformers import AutoProcessor, AutoTokenizer, AutoImageProcessor, AutoModelForCausalLM, BlipForConditionalGeneration, Blip2ForConditionalGeneration, VisionEncoderDecoderModel
import torch
import open_clip
import openai

from huggingface_hub import hf_hub_download

# Carga el modelo de clasificación de imagen a texto
blip_processor_large = AutoProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
blip_model_large = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large")

# Carga el modelo de texto a voz
openai.api_key = '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'
model_id = "base"
#model_version = "2022-01-01"
whisper = openai.Model(model_id=model_id)

device = "cuda" if torch.cuda.is_available() else "cpu"
blip_model_large.to(device)

def generate_caption(processor, model, image, tokenizer=None, use_float_16=False):
    inputs = processor(images=image, return_tensors="pt").to(device)

    if use_float_16:
        inputs = inputs.to(torch.float16)
    
    generated_ids = model.generate(pixel_values=inputs.pixel_values, max_length=50)

    if tokenizer is not None:
        generated_caption = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
    else:
        generated_caption = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
   
    return generated_caption


def generate_caption_coca(model, transform, image):
    im = transform(image).unsqueeze(0).to(device)
    with torch.no_grad(), torch.cuda.amp.autocast():
        generated = model.generate(im, seq_len=20)
    return open_clip.decode(generated[0].detach()).split("<end_of_text>")[0].replace("<start_of_text>", "")


def generate_captions(image):

    caption_blip_large = generate_caption(blip_processor_large, blip_model_large, image)
    print(caption_blip_large)
    return caption_blip_large
    

# Define la función que convierte texto en voz
def text_to_speech(text):
    # Genera el audio utilizando el modelo Whisper
    response = whisper.generate(prompt=text)
    print(response)
    # Extrae el audio del resultado
    audio = response.choices[0].audio

    # Codifica el audio en base64
    audio_base64 = base64.b64encode(audio).decode("utf-8")

    # Devuelve el audio como un archivo MP3
    return BytesIO(base64.b64decode(audio_base64))

# Define la interfaz de usuario utilizando Gradio
inputsImg = [
    gr.Image(type="pil", label="Imagen"),
]

outputs = [ gr.Textbox(label="Caption generated by BLIP-large") ] 
title = "Clasificación de imagen a texto y conversión de texto a voz"
description = "Carga una imagen y obtén una descripción de texto de lo que contiene la imagen, así como un archivo de audio que lee el texto en voz alta."
examples = []

interface = gr.Interface(fn=generate_captions, 
                         inputs=inputsImg,
                         outputs=outputs,
                         examples=examples, 
                         title=title,
                         description=description)
interface.launch()