app.py

import gradio as gr
from transformers import pipeline
from gtts import gTTS
import IPython.display as ipd

#Definir 2 modelos uno de imagen a texto y otro de texto a audio que inyecta
# el resultado del primero modelo(texto generado) en la entrada del 2º modelo
# texto to audio

    
# Cargar el modelo que convierte imagen a texto
image_to_text_model = pipeline("image-classification",model="models/timm/mobilenetv3_large_100_ra_in1k")

# Cargar el modelo que genera audio a partir de texto
# Función para convertir texto a audio
def text_to_audio(text):
    tts = gTTS(text=text, lang='es')
    tts.save('output.mp3')
    return ipd.Audio('output.mp3')
    
   
# Interfaz Gradio
iface = gr.Interface(
    fn=image_to_text_model,
    inputs=gr.Image(),
    outputs=[gr.Textbox(), gr.Audio(fn=text_to_audio)],
    live=True,
    interpretation="default",
    capture_session=True
)

# Ejecutar la interfaz
iface.launch()