Create app.py

first asr commit

app.py

@@ -0,0 +1,211 @@
+import torch  # นำเข้า PyTorch สำหรับการใช้งาน GPU
+
+import gradio as gr  # นำเข้า Gradio สำหรับสร้าง UI
+import yt_dlp as youtube_dl  # นำเข้า yt-dlp สำหรับการดาวน์โหลดวิดีโอจาก YouTube
+from transformers import pipeline  # นำเข้า pipeline จาก transformers สำหรับ ASR
+from transformers.pipelines.audio_utils import ffmpeg_read  # นำเข้า ffmpeg_read สำหรับการอ่านไฟล์เสียง
+
+import tempfile  # นำเข้า tempfile สำหรับการสร้างไฟล์ชั่วคราว
+import os  # นำเข้า os สำหรับการจัดการไฟล์และไดเรกทอรี
+
+# ตั้งค่าค่าคงที่ต่าง ๆ
+MODEL_NAME = "openai/whisper-large-v2"  # ชื่อของโมเดลที่ใช้
+BATCH_SIZE = 8  # ขนาดของ batch ที่ใช้ในการประมวลผล
+FILE_LIMIT_MB = 1000  # ขนาดไฟล์สูงสุด (MB)
+YT_LENGTH_LIMIT_S = 3600  # จำกัดความยาวไฟล์ YouTube สูงสุดที่ 1 ชั่วโมง
+
+# ตรวจสอบว่ามี GPU หรือไม่ ถ้ามีให้ใช้ GPU (device=0) ถ้าไม่มีให้ใช้ CPU
+device = 0 if torch.cuda.is_available() else "cpu"
+
+# สร้าง pipeline สำหรับ automatic speech recognition (ASR)
+pipe = pipeline(
+    task="automatic-speech-recognition",  # งานที่ทำคือการรู้จำเสียงอัตโนมัติ
+    model=MODEL_NAME,  # โมเดลที่ใช้
+    chunk_length_s=30,  # ความยาวของ chunk ในหน่วยวินาที
+    device=device,  # อุปกรณ์ที่ใช้ (GPU หรือ CPU)
+)
+
+def transcribe(inputs):
+    """
+    Transcribe the given audio input to text using the Whisper model.
+    
+    Args:
+        inputs (str): Path to the audio file.
+
+    Returns:
+        str: Transcribed text.
+
+    Raises:
+        gr.Error: If no audio file is submitted.
+    """
+    if inputs is None:
+        # ถ้าไม่มีไฟล์เสียงถูกส่งเข้ามา ให้แสดงข้อผิดพลาด
+        raise gr.Error("No audio file submitted! Please upload or record an audio file before submitting your request.")
+
+    # ถอดความเสียงเป็นข้อความ
+    text = pipe(inputs, batch_size=BATCH_SIZE, return_timestamps=True)["text"]
+    return text  # ส่งคืนข้อความที่ถอดความแล้ว
+
+def _return_yt_html_embed(yt_url):
+    """
+    Return an HTML string to embed a YouTube video.
+
+    Args:
+        yt_url (str): YouTube video URL.
+
+    Returns:
+        str: HTML string for embedding the YouTube video.
+    """
+    # ดึง video_id จาก URL
+    video_id = yt_url.split("?v=")[-1]
+    # สร้าง HTML สำหรับฝังวิดีโอ YouTube
+    HTML_str = (
+        f'<center> <iframe width="500" height="320" src="https://www.youtube.com/embed/{video_id}"> </iframe>'
+        " </center>"
+    )
+    return HTML_str  # ส่งคืน HTML string
+
+def download_yt_audio(yt_url, filename):
+    """
+    Download audio from a YouTube video and save it to a file.
+
+    Args:
+        yt_url (str): YouTube video URL.
+        filename (str): Path to save the downloaded file.
+
+    Raises:
+        gr.Error: If there is a problem with downloading the YouTube video.
+    """
+    # สร้างตัวโหลดข้อมูลจาก YouTube
+    info_loader = youtube_dl.YoutubeDL()
+    
+    try:
+        # ดึงข้อมูลของวิดีโอจาก YouTube โดยไม่ดาวน์โหลด
+        info = info_loader.extract_info(yt_url, download=False)
+    except youtube_dl.utils.DownloadError as err:
+        # ถ้ามีข้อผิดพลาดในการดึงข้อมูล ให้แสดงข้อผิดพลาด
+        raise gr.Error(str(err))
+    
+    # ตรวจสอบความยาวของไฟล์
+    file_length = info["duration_string"]  # ความยาวของไฟล์ในรูปแบบ HH:MM:SS
+    file_h_m_s = file_length.split(":")  # แยกเวลาเป็นชั่วโมง นาที และวินาที
+    file_h_m_s = [int(sub_length) for sub_length in file_h_m_s]  # แปลงค่าเวลาเป็นจำนวนเต็ม
+    
+    if len(file_h_m_s) == 1:
+        file_h_m_s.insert(0, 0)  # ถ้ามีแค่ค่าเดียว ให้เพิ่มชั่วโมงเป็น 0
+    if len(file_h_m_s) == 2:
+        file_h_m_s.insert(0, 0)  # ถ้ามีสองค่า ให้เพิ่มชั่วโมงเป็น 0
+    # คำนวณความยาวของไฟล์ในหน่วยวินาที
+    file_length_s = file_h_m_s[0] * 3600 + file_h_m_s[1] * 60 + file_h_m_s[2]
+    
+    if file_length_s > YT_LENGTH_LIMIT_S:
+        # ถ้าความยาวไฟล์เกินขีดจำกัด ให้แสดงข้อผิดพลาด
+        yt_length_limit_hms = time.strftime("%HH:%MM:%SS", time.gmtime(YT_LENGTH_LIMIT_S))
+        file_length_hms = time.strftime("%HH:%MM:%SS", time.gmtime(file_length_s))
+        raise gr.Error(f"Maximum YouTube length is {yt_length_limit_hms}, got {file_length_hms} YouTube video.")
+    
+    # ตั้งค่าตัวเลือกสำหรับ yt-dlp
+    ydl_opts = {"outtmpl": filename, "format": "worstvideo[ext=mp4]+bestaudio[ext=m4a]/best[ext=mp4]/best"}
+    
+    with youtube_dl.YoutubeDL(ydl_opts) as ydl:
+        try:
+            # ดาวน์โหลดวิดีโอจาก YouTube
+            ydl.download([yt_url])
+        except youtube_dl.utils.ExtractorError as err:
+            # ถ้ามีข้อผิดพลาดในการดาวน์โหลด ให้แสดงข้อผิดพลาด
+            raise gr.Error(str(err))
+
+def yt_transcribe(yt_url):
+    """
+    Transcribe the audio from a YouTube video to text using the Whisper model.
+
+    Args:
+        yt_url (str): YouTube video URL.
+
+    Returns:
+        tuple: HTML string for embedding the YouTube video, transcribed text.
+    """
+    # สร้าง HTML สำหรับฝังวิดีโอ YouTube
+    html_embed_str = _return_yt_html_embed(yt_url)
+
+    with tempfile.TemporaryDirectory() as tmpdirname:
+        # สร้างไดเรกทอรีชั่วคราว
+        filepath = os.path.join(tmpdirname, "video.mp4")
+        # ดาวน์โหลดไฟล์เสียงจาก YouTube
+        download_yt_audio(yt_url, filepath)
+        with open(filepath, "rb") as f:
+            # อ่านข้อมูลจากไฟล์
+            inputs = f.read()
+
+    # อ่านข้อมูลเสียงจากไฟล์วิดีโอ
+    inputs = ffmpeg_read(inputs, pipe.feature_extractor.sampling_rate)
+    inputs = {"array": inputs, "sampling_rate": pipe.feature_extractor.sampling_rate}
+
+    # ถอดความเสียงเป็นข้อความ
+    text = pipe(inputs, batch_size=BATCH_SIZE, return_timestamps=True)["text"]
+
+    return html_embed_str, text  # ส่งคืน HTML string และข้อความที่ถอดความแล้ว
+
+# สร้าง UI สำหรับแอปพลิเคชันด้วย Gradio
+demo = gr.Blocks()
+
+# อินเตอร์เฟสสำหรับถอดความจากไมโครโฟน
+mf_transcribe = gr.Interface(
+    fn=transcribe,  # ฟังก์ชันที่ใช้ในการถอดความ
+    inputs=[
+        gr.inputs.Audio(source="microphone", type="filepath", optional=True),  # อินพุตเป็นเสียงจากไมโครโฟน
+    ],
+    outputs="text",  # ผลลัพธ์เป็นข้อความ
+    layout="horizontal",  # เลย์เอาต์แบบแนวนอน
+    theme="huggingface",  # ธีมของ Gradio
+    title="Whisper Large V2: Transcribe Audio",  # ชื่อของแอปพลิเคชัน
+    description=(
+        "Transcribe long-form microphone or audio inputs with the click of a button! Demo uses the"
+        f" checkpoint [{MODEL_NAME}](https://huggingface.co/{MODEL_NAME}) and 🤗 Transformers to transcribe audio files"
+        " of arbitrary length."
+    ),  # คำอธิบายของแอปพลิเคชัน
+    allow_flagging="never",  # ไม่อนุญาตให้ flag ผลลัพธ์
+)
+
+# อินเตอร์เฟสสำหรับถอดความจากไฟล์เสียงที่อัปโหลด
+file_transcribe = gr.Interface(
+    fn=transcribe,  # ฟังก์ชันที่ใช้ในการถอดความ
+    inputs=[
+        gr.inputs.Audio(source="upload", type="filepath", optional=True, label="Audio file"),  # อินพุตเป็นไฟล์เสียงที่อัปโหลด
+    ],
+    outputs="text",  # ผลลัพธ์เป็นข้อความ
+    layout="horizontal",  # เลย์เอาต์แบบแนวนอน
+    theme="huggingface",  # ธีมของ Gradio
+    title="Whisper Large V2: Transcribe Audio",  # ชื่อของแอปพลิเคชัน
+    description=(
+        "Transcribe long-form microphone or audio inputs with the click of a button! Demo uses the"
+        f" checkpoint [{MODEL_NAME}](https://huggingface.co/{MODEL_NAME}) and 🤗 Transformers to transcribe audio files"
+        " of arbitrary length."
+    ),  # คำอธิบายของแอปพลิเคชัน
+    allow_flagging="never",  # ไม่อนุญาตให้ flag ผลลัพธ์
+)
+
+# อินเตอร์เฟสสำหรับถอดความจากวิดีโอ YouTube
+yt_transcribe = gr.Interface(
+    fn=yt_transcribe,  # ฟังก์ชันที่ใช้ในการถอดความ
+    inputs=[
+        gr.inputs.Textbox(lines=1, placeholder="Paste the URL to a YouTube video here", label="YouTube URL"),  # อินพุตเป็น URL ของ YouTube
+    ],
+    outputs=["html", "text"],  # ผลลัพธ์เป็น HTML สำหรับฝังวิดีโอและข้อความที่ถอดความแล้ว
+    layout="horizontal",  # เลย์เอาต์แบบแนวนอน
+    theme="huggingface",  # ธีมของ Gradio
+    title="Whisper Large V2: Transcribe YouTube",  # ชื่อของแอปพลิเคชัน
+    description=(
+        "Transcribe long-form YouTube videos with the click of a button! Demo uses the checkpoint"
+        f" [{MODEL_NAME}](https://huggingface.co/{MODEL_NAME}) and 🤗 Transformers to transcribe video files of"
+        " arbitrary length."
+    ),  # คำอธิบายของแอปพลิเคชัน
+    allow_flagging="never",  # ไม่อนุญาตให้ flag ผลลัพธ์
+)
+
+# รวม UI ของทุกส่วนเข้าด้วยกันใน Tabbed Interface
+with demo:
+    gr.TabbedInterface([mf_transcribe, file_transcribe, yt_transcribe], ["Microphone", "Audio file", "YouTube"])
+
+# เริ่มต้น Gradio demo
+demo.launch(enable_queue=True)