app.py

import gradio as gr
from transformers import pipeline

# Definimos el modelo
trans = pipeline(
    "automatic-speech-recognition", model="facebook/wav2vec2-large-xlsr-53-spanish"
)
clasificador = pipeline(
    "text-classification", model="pysentimiento/robertuito-sentiment-analysis"
)


def audio_a_texto(audio):
    texto = trans(audio)["text"]
    return texto


def texto_a_sentimiento(texto):
    sentimiento = clasificador(texto)[0]["label"]
    return sentimiento


demo = gr.Blocks()

with demo:
    gr.Markdown("Transcripción de audio y clasificación de sentimiento")  # Título
    with gr.Tabs():  # Tabs para dividir la interfaz según la tarea
        with gr.TabItem(
            "Transcripción de audio en Español"
        ):  # Tab para transcribir audio
            with gr.Row():  # Row para mostrar el input y output en la misma línea
                audio = gr.Audio(source="microphone", type="filepath")
                transcription = gr.Textbox()  # Textbox para mostrar la transcripción
            b1 = gr.Button("Transcribir")  # Botón para transcribir el audio
        with gr.TabItem(
            "Análisis de sentimiento en Español"
        ):  # Tab para clasificar sentimiento
            with gr.Row():  # Row para mostrar el input y output en la misma línea
                texto = gr.Textbox()  # Textbox para mostrar el texto
                sentiment = gr.Label()  # Label para mostrar el sentimiento
            b2 = gr.Button("Clasificar")  # Botón para clasificar el sentimiento
        b1.click(
            audio_a_texto, inputs=audio, outputs=transcription
        )  # Al hacer click, se ejecuta la función audio_a_texto
        b2.click(
            texto_a_sentimiento, inputs=texto, outputs=sentiment
        )  # Al hacer click, se ejecuta la función texto_a_sentimiento

demo.launch()