Update app.py

app.py

@@ -1,24 +1,71 @@
 import gradio as gr
 from transformers import pipeline
-import tempfile
+import requests
+import json
 import edge_tts
+import asyncio
+import tempfile
+import os
 import inflect
+from huggingface_hub import InferenceClient
+import re
+import time
+from streaming_stt_nemo import Model
 
 number_to_word = inflect.engine()
 
-# Modèle de langue français
-model = pipeline("text-generation", model="dbddv01/gpt2-french-small")
+default_lang = "fr"
 
-async def transcribe(audio):
+engines = { default_lang: Model(default_lang) }
+
+def transcribe(audio):
     lang = "fr"
-    # Supposons que vous avez déjà défini la fonction de transcription transcribe() dans votre code
-    text = transcribe(audio)
+    model = engines[lang]
+    text = model.stt_file(audio)[0]
     return text
 
+client1 = InferenceClient("dbddv01/gpt2-french-small")
+
+system_instructions1 = "<s>[SYSTEM] Répondez comme le vrai Jarvis JARVIS, fabriqué par 'Tony Stark'. La conversation doit être très courte, claire, amicale et concise. Le texte fourni est une demande de réponse spécifique de votre part, en tant qu'assistant virtuel. Il vous demande de fournir des réponses amicales comme si vous étiez le personnage Jarvis, créé par « Tony Stark ». On s'attend à ce que j'évite les présentations et que je réponde directement à la requête, en développant tous les aspects de la demande. En tant qu'assistant doté d'une IA, votre tâche consiste à générer des réponses qui semblent avoir été créées par l'utilisateur et non par un assistant doté d'une IA.[USER]"
+
+def model(text):
+    generate_kwargs = dict(
+        temperature=0.7,
+        max_new_tokens=512,
+        top_p=0.95,
+        repetition_penalty=1,
+        do_sample=True,
+        seed=42,
+    )
+    
+    formatted_prompt = system_instructions1 + text + "[JARVIS]"
+    stream = client1.text_generation(
+        formatted_prompt, **generate_kwargs, stream=True, details=True, return_full_text=False)
+    output = ""
+    for response in stream:
+        if not response.token.text == "</s>":
+            output += response.token.text
+
+    return output
+
+def number_to_words(str):
+    words = str.split(' ')
+    result = []
+    
+    for word in words:
+        if( any(char.isdigit() for char in word) ):
+            word = number_to_word.number_to_words(word)
+
+        result.append(word)
+
+    final_result = ' '.join(result).replace('point', '')
+    return final_result
+
 async def respond(audio):
-    user = await transcribe(audio)
-    reply = model(user, max_length=50, num_return_sequences=1)[0]['generated_text']
-    communicate = edge_tts.Communicate(reply)
+    user = transcribe(audio)
+    reply = model(user)
+    reply2 = number_to_words(reply)
+    communicate = edge_tts.Communicate(reply2)
     with tempfile.NamedTemporaryFile(delete=False, suffix=".wav") as tmp_file:
         tmp_path = tmp_file.name
         await communicate.save(tmp_path)
@@ -34,8 +81,14 @@ MORE = """ ## TRY Other Models
         ### Instant Image: 4k images in 5 Second -> https://huggingface.co/spaces/KingNish/Instant-Image
         """
 
+BETA = """ ### Voice Chat (BETA)"""
+
 FAST = """## Fastest Model"""
 
+Complex = """## Best in Complex Question"""
+
+Detail = """## Best for Detailed Generation or Long Answers"""
+
 base_loaded = "mistralai/Mixtral-8x7B-Instruct-v0.1"
 
 client1 = InferenceClient(base_loaded)
@@ -78,7 +131,7 @@ with gr.Blocks(css="style.css") as demo:
                             outputs=output_audio, api_name=False)
     gr.Markdown(FAST)
     with gr.Row():
-        user_input = gr.Textbox(label="Prompt", value="Qu'est-ce que Wikipedia")
+        user_input = gr.Textbox(label="Prompt", value="What is Wikipedia")
         input_text = gr.Textbox(label="Input Text", elem_id="important")
         output_audio = gr.Audio(label="JARVIS", type="filepath",
                         interactive=False,
@@ -92,4 +145,4 @@ with gr.Blocks(css="style.css") as demo:
 gr.Markdown(MORE)
 
 if __name__ == "__main__":
-    demo.queue(max_size=200).launch()
+    demo.queue(max_size=200).launch()