import gradio as gr
import torch
from transformers import pipeline

# Chargement du pipeline ASR lié à votre modèle
try:
    asr_pipeline = pipeline(
        task="automatic-speech-recognition",
        model="Dama12/whisper-small-moore",
        device=-1 # Utilisation du CPU pour le Space gratuit
    )
except Exception as e:
    asr_pipeline = None
    print(f"Erreur lors du chargement du modèle : {e}")

def transcribe_audio(audio_path):
    if asr_pipeline is None:
        return "Erreur : Le modèle n'a pas pu être chargé."
    if audio_path is None:
        return "Veuillez enregistrer un audio ou glisser un fichier."
    
    # Exécution de la transcription
    prediction = asr_pipeline(audio_path)
    return prediction["text"]

# Interface graphique Gradio
demo = gr.Interface(
    fn=transcribe_audio,
    inputs=gr.Audio(sources=["microphone", "upload"], type="filepath", label="Parlez en Mooré (Micro ou Fichier)"),
    outputs=gr.Textbox(label="Transcription (Texte en Mooré)"),
    title="🎙️ Mooré Speech-to-Text",
    description="Démo interactive développée par Soumana Dama. Enregistrez votre voix ou déposez un fichier audio pour tester le modèle Whisper adapté au Mooré.",
    article="Modèle d'origine : [Dama12/whisper-small-moore](https://huggingface.co)",
    theme="soft"
)

if __name__ == "__main__":
    demo.launch()