app.py

import gradio as gr
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
import torch
import librosa
import numpy as np

# ١. دیاریکردنی جۆری ئامێر (Device)
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

# ٢. بارکردنی مۆدێلەکە لە ڕێپۆکەی خۆتەوە
model_id = "Za6na/sorani2"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, 
    torch_dtype=torch_dtype, 
    low_cpu_mem_usage=True, 
    use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

# ٣. دروستکردنی پیمپلاین (Pipeline)
pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    max_new_tokens=128,
    chunk_length_s=30,
    batch_size=16,
    return_timestamps=True,
    torch_dtype=torch_dtype,
    device=device,
)

# ٤. فەنکشن بۆ وەرگێڕانی دەنگ
def transcribe(audio):
    if audio is None:
        return "تکایە دەنگێک تۆمار بکە یان فایلێک بار بکە."
    
    # خوێندنەوەی دەنگەکە
    sr, y = audio
    y = y.astype(np.float32)
    y /= np.max(np.abs(y))

    # ناردن بۆ مۆدێل
    result = pipe(y, generate_kwargs={"language": "persian"}) # یان "kurdish" ئەگەر پشتگیری بکات
    return result["text"]

# ٥. دروستکردنی ڕووکاری Gradio
iface = gr.Interface(
    fn=transcribe,
    inputs=gr.Audio(sources=["microphone", "upload"], type="numpy", label="دەنگەکەت لێرە تۆمار بکە"),
    outputs="text",
    title="تێستکردنی مۆدێلی سۆرانی (Za6na/sorani2)",
    description="فەرموو قسە بکە، مۆدێلەکە دەیکات بە نووسین.",
)

iface.launch()