Update app.py

app.py

@@ -3,26 +3,17 @@ import torch
 from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
 from diffusers.utils import export_to_video
 import uuid
-import os
+import imageio # Bu kütüphaneyi ekledik
 
-# CPU için en hafif ve uyumlu model
-model_id = "cerspense/zeroscope_v2_576w"
+model_id = "vdo/zeroscope_v2_576w"
 
-# Cihazı CPU olarak zorla
-device = "cpu"
-
-print("Model yukleniyor patron, beklemede kal...")
 pipe = DiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float32)
 pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
-pipe.to(device)
-print("Model yuklendi, motor hazır!")
+pipe.to("cpu")
 
 def generate_video(prompt):
-    # AYARLARI KISTIK: 
-    # num_inference_steps=3 (Hız için dibe çektik)
-    # num_frames=6 (Cok kısa bir 'gif' gibi video)
-    # height/width=256 (Cözünürlüğü düşürdük)
     try:
+        # Hızı korumak için ayarlar aynı kalsın patron
         video_frames = pipe(
             prompt, 
             num_inference_steps=3, 
@@ -32,18 +23,12 @@ def generate_video(prompt):
         ).frames
         
         video_path = f"video_{uuid.uuid4()}.mp4"
-        export_to_video(video_frames[0], video_path)
+        # Export işlemini daha sağlam yapıyoruz
+        export_to_video(video_frames[0], video_path, fps=8)
         return video_path
     except Exception as e:
-        return str(e)
-
-# n8n ile direkt predict yolu üzerinden konuşacak
-demo = gr.Interface(
-    fn=generate_video, 
-    inputs=gr.Textbox(label="Prompt"), 
-    outputs=gr.Video(label="Result"),
-    api_name="predict"
-)
+        print(f"Hata: {e}")
+        return None
 
-if __name__ == "__main__":
-    demo.launch()
+demo = gr.Interface(fn=generate_video, inputs="text", outputs="video", api_name="predict")
+demo.launch()