import gradio as gr import numpy as np from bark import SAMPLE_RATE, generate_audio from transformers import pipeline from diffusers import DiffusionPipeline import time import torch import random device = "cuda" if torch.cuda.is_available() else "cpu" generate_story_pipe = pipeline("text-generation", model="openai-community/gpt2") image_pipe = DiffusionPipeline.from_pretrained("stabilityai/sdxl-turbo", torch_dtype= torch.float16 if torch.cuda.is_available() else torch.float32) image_pipe = image_pipe.to(device) # Para medir el rendimiento de los métodos, voy a crear este decorador, que simplemente imprime en nuestra terminal el tiempo de ejecucion de los metodos que tengan los modelos y los usen, de esta manera podremos estudiar el tiempo que este cada modelo activo def measure_performance(func): def wrapper(*args, **kwargs): print(f"Starting execution of '{func.__name__}' with 'args={args}, kwargs={kwargs}'") start = time.time() result = func(*args, **kwargs) end = time.time() duration = end - start print(f"Execution time of '{func.__name__}' with 'args={args}, kwargs={kwargs}': {duration:.4f} seconds") return result return wrapper @measure_performance def generate_story(theme): prompt = f"Tell me a storie about {theme}" story = generate_story_pipe(prompt, max_length=400, num_return_sequences=1, temperature=0.7, do_sample=True, repetition_penalty=3.0, eos_token_id=generate_story_pipe.model.config.eos_token_id, pad_token_id=generate_story_pipe.model.config.pad_token_id) generated_story = story[0]["generated_text"] return generated_story @measure_performance def gen_tts(text): audio_arr = generate_audio(text, history_prompt="es_speaker_0") audio_arr = (audio_arr * 32767).astype(np.int16) return (SAMPLE_RATE, audio_arr) @measure_performance def generate_image(prompt): seed = random.randint(0, 1000) generator = torch.Generator().manual_seed(seed) image = image_pipe( prompt=prompt, num_inference_steps=2, width=256, height=256, generator=generator, ).images[0] return image def generate_story_and_convert_to_audio(theme): story_text = generate_story(theme) return gen_tts(story_text) def subtitle(): gr.Markdown(""" Duplicate Space

Cuando se necesite dormir a los mas pequeños de la casa, podrá usar este espacio, en el cual se integrarán varias inteligencias artificiales diseñadas para contar historias de todo tipo, al estilo del libro Las mil y una noches.

""") # Ejemplos que pondre debajo de la ventana examples = [ ["A love story"], ["An humor story"], ["A history about a vampire who dance Reggaeton"], ] # Documentacion def end_text(): gr.Markdown("

Documentación

") gr.Markdown("""El problema que se busca solucionar es la dificultad que algunos padres enfrentan para contar historias a sus hijos a la hora de dormir, ya sea por falta de tiempo, cansancio o falta de inspiración. Este proyecto propone una solución que facilite este momento y lo haga más cómodo, ofreciendo una herramienta que narre historias personalizadas, permitiendo que los padres y sus hijos disfruten juntos de esta experiencia de una manera práctica y accesible.Este problema es muy flexible para este trabajo puesto que hay multitud de tipos de modelos que pueden añadirse, sin pensar mucho pues añadir generador de texto como base de todo a partir de un texto que ponga el usuario y de ahí partir a text-speech, image generator del texto generado, video generator, resúmenes de la historia, chat sobre la historia... Un monton de distintos tipos de modelos que se pueden añadir con el simple input de una cadena de texto que describa una historia""") gr.Markdown("""

Input y Output

Input: El programa espera un texto que describa la historia que quiere ser contada.

Output: Será un audio que cuente la historia relacionada con el input.

""") gr.Markdown("""

Descripción del Modelo

""") with gr.Row(): with gr.Column(): gr.Markdown("""

Gpt2

""") gr.Markdown(""" Desarrollado por OpenAI, el modelo GPT-2 es una red neuronal de generación de texto que utiliza una arquitectura de transformador para producir texto coherente y continuo en función de un texto de entrada o "prompt". Con una gran cantidad de parámetros, GPT-2 puede completar frases, responder preguntas, o incluso generar historias creativas a partir de una breve descripción inicial, proporcionando un flujo de texto que se asemeja al lenguaje humano. De todos los modelos text2text que he probado y compilado en mi maquina, hasta los mas grandes de 20 o 30 gb de tamaño, este era el que mejor ha funcionado de todos sin ninguna duda, habia buscado hasta uno especifico para [contar historias](https://huggingface.co/mooncakex/t5-story-generation) pero ninguno como este. **Componentes principales del modelo:** - Transformador: GPT-2 emplea una arquitectura de transformador que permite capturar dependencias a largo plazo en el texto, manteniendo coherencia en oraciones largas y proporcionando contexto a la narrativa. - Generación de texto fluida: Capacidad de generar párrafos completos con fluidez, manteniendo un tono y estilo consistentes según el prompt inicial. - Adaptabilidad temática: Ajuste a múltiples temas y estilos de escritura, lo que lo hace útil para aplicaciones de escritura creativa, generación de artículos, respuestas a preguntas, y más. **Limitaciones del modelo**: - Repetición y coherencia: En algunas situaciones, puede tender a repetir frases o perder coherencia en textos extensos. - Contenido de entrenamiento: Como está basado en datos previos a 2020, no tiene conocimientos sobre eventos recientes. Aunque en nuestro caso, no se haga una limitacion. - Sesgos en los datos: Dado que se entrenó en un amplio corpus de internet, puede presentar sesgos reflejados en esos datos, lo que debe ser considerado en aplicaciones que lo utilicen para generar texto. De nuevo, para contar cuentos, no importa que los datos sean fantasiosos, aunque puede llevar a historias sin logica. **Tiempo promedio** Bastante rapido, normalmente menos de 60 segudos """) with gr.Column(): gr.Markdown("""

Bark

""") gr.Markdown(""" Desarrollado por **[Suno](https://huggingface.co/suno)**, es un modelo de texto a audio que permite generar voz humana realista en varios idiomas. Además de la síntesis de voz, el modelo es capaz de generar otros tipos de audio, como música, sonidos ambientales y efectos sonoros simples. Este sistema crear audios de alta calidad a partir de texto, puedes hacerlo añadiendo tus propios audios para que el sistema lo replique o con los que ya tenga entrenado el propio modelo. He probado varios modelos de text to speech pero me parecía muy interesante esta manera que he tenido de implementarlo (como una librería normal de python) y me hace gracia el nombre. Otro ejemplo usando esta misma forma de implementación es [CoquiTTS](https://github.com/coqui-ai/TTS) que tiene hasta una clase con la que manejas todo como en este [ejemplo](https://huggingface.co/spaces/SoulAbi/text-to-voice). **Componentes principales del modelo:** - **Síntesis de voz multilingüe**: Generación de voces en varios idiomas, con capacidad para ajustar la entonación y ritmo. - **Generación de música y efectos sonoros**: Capacidad para crear composiciones musicales sencillas y sonidos de fondo. - **Enfoque multimodal**: Integración de diversos tipos de audio (voz, música, sonidos) en una salida coherente. **Limitaciones del modelo**: - Aunque es altamente preciso, puede generar una voz algo robótica en algunos contextos. - El uso comercial está restringido, y el contenido generado no está censurado. - No tiene todos los idiomas, debido a que requiere grandes volúmenes de datos de entrenamiento y puede tener dificultades con dialectos menos comunes o con datos limitados. - Genera audios cortos. No genera mas de 14 segundos, en hugging face al menos. **Tiempo promedio** Bastante mas lento que el otro, puede llegar a mas de 300 segundos cada 5 segundos de audio. """) gr.Markdown("""

Links consultados

""") gr.Markdown("[Git, bark](https://github.com/suno-ai/bark/)") gr.Markdown("[huggingface, bark space](https://huggingface.co/spaces/suno/bark/)") gr.Markdown("[thepythoncode, transformers text generation guide](https://thepythoncode.com/article/text-generation-with-transformers-in-python)") css = """ h1 { text-align: center; font-family: Arial, sans-serif;} .gradio-container {font-family: Arial, sans-serif; padding: 20px;} textarea, input {width: 100%; padding: 10px; margin: 10px 0;} """ with gr.Blocks(css=css) as block: gr.Markdown("

SherezIAde

") subtitle() # input and outputs with gr.Row(): with gr.Column(): story_theme = gr.Textbox(label="Escribe de que quieres que vaya la historai", placeholder="Introduce la descripción de la historia aquí...") with gr.Column(): audio_out = gr.Audio(label="Generated Audio", type="numpy", elem_id="audio_out") image_out = gr.Image(label="Generated image", show_label=False) run_button = gr.Button("Cuéntame la historia") run_button.click(fn=lambda: gr.update(visible=False), inputs=None, outputs=None, queue=False).then( fn=generate_story_and_convert_to_audio, inputs=[story_theme], outputs=[audio_out], queue=True).then( fn=lambda theme: generate_image(theme), inputs=[story_theme], outputs=[image_out], queue=True).then( fn=lambda: gr.update(visible=True), inputs=None, outputs=None, queue=False) gr.Examples(examples=examples, fn=generate_story_and_convert_to_audio, inputs=[story_theme], outputs=[audio_out], cache_examples=True) end_text() block.queue() block.launch()