Update app.py

app.py

@@ -1,6 +1,9 @@
 import gradio as gr
 from transformers import pipeline
+from PIL import Image, ImageOps
 import torch
+import timm
+
 
 #Definir 2 modelos uno de imagen a texto y otro de texto a audio que inyecta
 # el resultado del primero modelo(texto generado) en la entrada del 2º modelo
@@ -16,12 +19,19 @@ text_to_audio_model = pipeline("text-to-speech")
 # Función para la interfaz de Gradio
 def image_to_audio(input_image):
     # Convertir la imagen a texto
-    text_output = image_to_text_model(input_image)[0]['label']
-
-    # Generar audio a partir del texto
-    audio_output = text_to_audio_model(text_output)[0]['audio']
+    model = timm.create_model("hf_hub:timm/mobilenetv3_large_100.ra_in1k", pretrained=True)
+    model = model.eval()
+    # get model specific transforms (normalization, resize)
+    data_config = timm.data.resolve_model_data_config(model)
+    transforms = timm.data.create_transform(**data_config, is_training=False)
+    output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1
+    for o in output:
+
+        #text_output = image_to_text_model(input_image)[0]['label']
+        # Generar audio a partir del texto
+        audio_output = text_to_audio_model(o.shape)['audio']
+        print(o.shape)
 
-    return audio_output
 
     
 # Interfaz Gradio