Spaces:
Running
Running
Update app.py
Browse files
app.py
CHANGED
@@ -1,79 +1,85 @@
|
|
1 |
# app.py
|
2 |
|
|
|
3 |
import torch
|
4 |
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
|
5 |
-
import gradio as gr
|
6 |
import os
|
7 |
|
8 |
-
# --- 1.
|
9 |
-
|
|
|
|
|
|
|
|
|
10 |
|
11 |
-
|
12 |
-
device = "cpu"
|
13 |
-
torch_dtype = torch.float32 # Use float32 for CPU
|
14 |
|
15 |
-
|
|
|
|
|
|
|
16 |
|
17 |
-
print("--- Loading model and processor ---")
|
18 |
-
# Load the model and processor
|
19 |
-
model = AutoModelForSpeechSeq2Seq.from_pretrained(
|
20 |
-
model_id,
|
21 |
-
torch_dtype=torch_dtype,
|
22 |
-
low_cpu_mem_usage=True,
|
23 |
-
use_safetensors=True # Safetensors is generally preferred
|
24 |
-
)
|
25 |
-
processor = AutoProcessor.from_pretrained(model_id)
|
26 |
-
|
27 |
-
# Create the pipeline
|
28 |
-
print("--- Creating transcription pipeline ---")
|
29 |
-
pipe = pipeline(
|
30 |
-
"automatic-speech-recognition",
|
31 |
-
model=model,
|
32 |
-
tokenizer=processor.tokenizer,
|
33 |
-
feature_extractor=processor.feature_extractor,
|
34 |
-
max_new_tokens=128,
|
35 |
-
torch_dtype=torch_dtype,
|
36 |
-
device=device,
|
37 |
-
)
|
38 |
|
39 |
-
|
40 |
-
|
41 |
-
|
42 |
-
|
43 |
-
|
44 |
-
|
45 |
-
""
|
46 |
-
|
47 |
-
|
48 |
-
|
49 |
-
|
50 |
-
|
51 |
-
|
52 |
-
|
53 |
-
|
54 |
-
|
55 |
-
|
56 |
-
|
57 |
-
|
58 |
-
|
59 |
-
|
60 |
-
|
61 |
-
|
62 |
-
|
63 |
-
|
64 |
-
|
65 |
-
|
66 |
-
|
67 |
-
|
68 |
-
|
69 |
-
|
70 |
-
|
71 |
-
|
72 |
-
|
73 |
-
|
74 |
-
|
75 |
-
|
|
|
76 |
)
|
77 |
|
78 |
-
|
79 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
# app.py
|
2 |
|
3 |
+
import streamlit as st
|
4 |
import torch
|
5 |
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
|
|
|
6 |
import os
|
7 |
|
8 |
+
# --- 1. تنظیمات اولیه و عنوان صفحه ---
|
9 |
+
st.set_page_config(
|
10 |
+
page_title="Persian Whisper ASR",
|
11 |
+
page_icon="🇮🇷🎙️",
|
12 |
+
layout="centered"
|
13 |
+
)
|
14 |
|
15 |
+
st.title("🇮🇷 اپلیکیشن تبدیل گفتار به نوشتار فارسی (Whisper)")
|
|
|
|
|
16 |
|
17 |
+
st.markdown("""
|
18 |
+
این یک نسخه نمایشی برای مدل **`vhdm/whisper-large-fa-v1`** است.
|
19 |
+
فایل صوتی خود را آپلود کنید تا متن آن را مشاهده نمایید.
|
20 |
+
""")
|
21 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
22 |
|
23 |
+
# --- 2. بارگذاری مدل (با کش کردن برای سرعت بیشتر) ---
|
24 |
+
# این دکوراتور به Streamlit میگوید که مدل را فقط یک بار بارگذاری کند.
|
25 |
+
@st.cache_resource
|
26 |
+
def load_model():
|
27 |
+
"""Loads and caches the Whisper model and processor."""
|
28 |
+
print("--- Loading model and processor for the first time ---")
|
29 |
+
device = "cpu"
|
30 |
+
torch_dtype = torch.float32
|
31 |
+
|
32 |
+
model_id = "vhdm/whisper-large-fa-v1"
|
33 |
+
|
34 |
+
model = AutoModelForSpeechSeq2Seq.from_pretrained(
|
35 |
+
model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
|
36 |
+
)
|
37 |
+
processor = AutoProcessor.from_pretrained(model_id)
|
38 |
+
|
39 |
+
pipe = pipeline(
|
40 |
+
"automatic-speech-recognition",
|
41 |
+
model=model,
|
42 |
+
tokenizer=processor.tokenizer,
|
43 |
+
feature_extractor=processor.feature_extractor,
|
44 |
+
max_new_tokens=128,
|
45 |
+
torch_dtype=torch_dtype,
|
46 |
+
device=device,
|
47 |
+
)
|
48 |
+
print("--- Model loaded successfully ---")
|
49 |
+
return pipe
|
50 |
+
|
51 |
+
# مدل را بارگذاری میکنیم
|
52 |
+
transcription_pipe = load_model()
|
53 |
+
|
54 |
+
|
55 |
+
# --- 3. بخش آپلود فایل و پردازش ---
|
56 |
+
|
57 |
+
st.header("فایل صوتی خود را آپلود کنید")
|
58 |
+
uploaded_file = st.file_uploader(
|
59 |
+
"یک فایل صوتی انتخاب کنید (WAV, MP3, FLAC)...",
|
60 |
+
type=["wav", "mp3", "m4a", "flac"]
|
61 |
)
|
62 |
|
63 |
+
if uploaded_file is not None:
|
64 |
+
# نمایش فایل صوتی
|
65 |
+
st.audio(uploaded_file, format='audio/wav')
|
66 |
+
|
67 |
+
# دکمه برای شروع پردازش
|
68 |
+
if st.button("شروع رونویسی"):
|
69 |
+
# برای پردازش، فایل را به صورت موقت ذخیره میکنیم
|
70 |
+
temp_file_path = f"./temp_{uploaded_file.name}"
|
71 |
+
with open(temp_file_path, "wb") as f:
|
72 |
+
f.write(uploaded_file.getbuffer())
|
73 |
+
|
74 |
+
# نمایش پیام در حال پردازش
|
75 |
+
with st.spinner("در حال پردازش فایل صوتی... لطفاً صبر کنید."):
|
76 |
+
result = transcription_pipe(temp_file_path)
|
77 |
+
transcription = result["text"]
|
78 |
+
|
79 |
+
# نمایش نتیجه
|
80 |
+
st.success("پردازش با موفقیت انجام شد!")
|
81 |
+
st.subheader("متن رونویسی شده:")
|
82 |
+
st.write(transcription)
|
83 |
+
|
84 |
+
# حذف فایل موقت
|
85 |
+
os.remove(temp_file_path)
|