Create app.py

app.py

@@ -0,0 +1,64 @@
+import torch
+import gradio as gr
+import yt_dlp as youtube_dl
+from transformers import pipeline
+from transformers.pipelines.audio_utils import ffmpeg_read
+
+import tempfile
+import os
+
+MODEL_NAME = "openai/whisper-large-v3-turbo"
+BATCH_SIZE = 8
+FILE_LIMIT_MB = 1000
+
+device = 0 if torch.cuda.is_available() else "cpu"
+
+pipe = pipeline(
+    task="automatic-speech-recognition",
+    model=MODEL_NAME,
+    chunk_length_s=30,
+    device=device,
+)
+
+def transcribe(inputs, task):
+    if inputs is None:
+        raise gr.Error("No has subido ningún archivo de audio. Asegúrate de que tu archivo de audio es válido y vuelve a intentarlo.")
+
+    text = pipe(inputs, batch_size=BATCH_SIZE, generate_kwargs={"task": task}, return_timestamps=True)["text"]
+    return text
+
+
+demo = gr.Blocks()
+
+mf_transcribe = gr.Interface(
+    fn=transcribe,
+    inputs=[
+        gr.Audio(sources="microphone", type="filepath", label="Micrófono"),
+        gr.Radio(["transcribe", "translate"], label="task", value="transcribe"),
+    ],
+    outputs="text",
+    title="Whisper Large V3 Turbo: Transcribe en Español a la perfección y rápido",
+    description=(
+        "Aquí puedes hablar por el micrófono."
+    ),
+    allow_flagging="never",
+)
+
+file_transcribe = gr.Interface(
+    fn=transcribe,
+    inputs=[
+        gr.Audio(sources="upload", type="filepath", label="Archivo de audio"),
+        gr.Radio(["transcribe", "translate"], label="task", value="transcribe"),
+    ],
+    outputs="text",
+    title="Whisper Large V3 Turbo: Transcribe en Español a la perfección y rápido",
+    description=(
+        "Aquí puedes pasar un archivo de audio ya grabado."
+    ),
+    allow_flagging="never",
+)
+
+with demo:
+    gr.TabbedInterface([mf_transcribe, file_transcribe], ["Micrófono", "Archivo de Audio"])
+
+demo.queue().launch(debug=True) #  share=True #ssr_mode = False