Add application file

demo.py

@@ -0,0 +1,15 @@
+import gradio as gr
+from gradio.components import Text
+from pipeline import transcription_classification_pipeline
+
+
+
+demo = gr.Interface(
+    title="Sentimment Analysis - FRENCH",
+    fn=transcription_classification_pipeline,
+    inputs = gr.Audio(source="microphone", type="filepath"),
+    outputs = [Text(label="Transcription"), Text(label="Prediction")]
+)
+
+
+demo.launch()

pipeline.py

@@ -0,0 +1,27 @@
+from transformers import AutoModelForSequenceClassification, AutoTokenizer, pipeline
+
+
+model_name = 'serge-wilson/sentiment_analysis_fr'
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForSequenceClassification.from_pretrained(model_name)
+
+#Creation des pipelines
+classifier = pipeline("text-classification", model = model,tokenizer = tokenizer) #pipeline pour la classification
+transcriber = pipeline("automatic-speech-recognition", model="bhuang/asr-wav2vec2-french")  #pipeline pour la transcription
+
+
+def transcription_classification_pipeline(audio):
+  """
+    Cette fonction fonction prend en entrée un audio et renvoie la transcription, la classe prédite et le score (en HTML) 
+  """
+
+  #On passe l'argument "audio" au pipeline transcriber, on repurère le text et on le stocke dans la variable transcription
+  transcription = transcriber(audio)["text"]
+
+  #On passe la variable "transcription" au pipeline classifier et on stocke la valeur de retour(resultat) dans la variable "result"
+  result = classifier(transcription, truncation=True)[0]
+
+  #On recupère le label du resultat
+  predicted_label = result.get("label")
+
+  return transcription, predicted_label.capitalize()

requirements.txt

@@ -0,0 +1,2 @@
+tensorflow
+transformers