Proyecto Whisper: interfaz Streamlit, API FastAPI y Docker

.vscode/settings.json

@@ -0,0 +1,5 @@
+{
+    "githubPullRequests.ignoredPullRequestBranches": [
+        "main"
+    ]
+}

Dockerfile

@@ -0,0 +1,21 @@
+# Dockerfile para Whisper + Streamlit + FastAPI
+FROM python:3.10-slim
+
+WORKDIR /app
+
+# Instalar dependencias del sistema
+RUN apt-get update && apt-get install -y ffmpeg && rm -rf /var/lib/apt/lists/*
+
+# Copiar archivos del proyecto
+COPY . /app
+
+# Instalar dependencias de Python
+RUN pip install --upgrade pip \
+    && pip install --no-cache-dir -r requirements.txt \
+    && pip install --no-cache-dir streamlit fastapi uvicorn python-multipart
+
+# Puerto para Streamlit y FastAPI
+EXPOSE 8501 8000
+
+# Comando por defecto: arranca ambos servicios
+CMD streamlit run app.py & uvicorn api:app --host 0.0.0.0 --port 8000

api.py

@@ -0,0 +1,47 @@
+from fastapi import FastAPI, File, UploadFile, Form
+from fastapi.responses import JSONResponse
+import os
+import shutil
+from whisper.transcribe import transcribe
+from whisper import load_model
+from whisper.tokenizer import LANGUAGES
+import torch
+
+app = FastAPI()
+
+# Cargar modelo solo una vez al iniciar el contenedor
+MODEL_NAME = os.environ.get("WHISPER_MODEL", "turbo")
+DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
+model = load_model(MODEL_NAME, device=DEVICE)
+
+@app.post("/transcribe")
+def transcribe_audio(
+    file: UploadFile = File(...),
+    task: str = Form("transcribe"),
+    language: str = Form(None),
+    temperature: float = Form(0.0),
+    word_timestamps: bool = Form(False)
+):
+    temp_path = f"temp_{file.filename}"
+    with open(temp_path, "wb") as buffer:
+        shutil.copyfileobj(file.file, buffer)
+    try:
+        result = transcribe(
+            model,
+            temp_path,
+            task=task,
+            language=language,
+            temperature=temperature,
+            word_timestamps=word_timestamps,
+            verbose=False
+        )
+        os.remove(temp_path)
+        return JSONResponse({
+            "text": result["text"],
+            "segments": result.get("segments", []),
+            "language": result.get("language", "")
+        })
+    except Exception as e:
+        if os.path.exists(temp_path):
+            os.remove(temp_path)
+        return JSONResponse({"error": str(e)}, status_code=500)

app.py

@@ -0,0 +1,146 @@
+import streamlit as st
+import torch
+import numpy as np
+import os
+from whisper.transcribe import transcribe
+from whisper import load_model
+from whisper.tokenizer import LANGUAGES, TO_LANGUAGE_CODE
+
+st.set_page_config(page_title="Whisper Transcriber", layout="wide")
+st.title("Whisper Transcriber - Interfaz Streamlit")
+
+# Sidebar options
+st.sidebar.header("Opciones de transcripción")
+
+# Idiomas para el selector (nombre completo)
+language_names = ["(autodetect)"] + [LANGUAGES[k].title() for k in sorted(LANGUAGES.keys())]
+language_key_map = dict(zip([LANGUAGES[k].title() for k in sorted(LANGUAGES.keys())], sorted(LANGUAGES.keys())))
+
+# Modelo
+model_name = st.sidebar.selectbox(
+    "Modelo",
+    ["tiny", "base", "small", "medium", "large", "turbo"],
+    index=5,
+    help="Selecciona el modelo Whisper a utilizar. Modelos más grandes suelen ser más precisos pero más lentos."
+)
+
+# Tarea
+task = st.sidebar.selectbox(
+    "Tarea",
+    ["transcribe", "translate"],
+    index=0,
+    help="'transcribe' transcribe el audio en el mismo idioma. 'translate' traduce el audio al inglés."
+)
+
+# Idioma
+language_display = st.sidebar.selectbox(
+    "Idioma (deja vacío para autodetectar)",
+    language_names,
+    index=0,
+    help="Selecciona el idioma hablado en el audio. Si eliges '(autodetect)', el modelo intentará detectarlo automáticamente."
+)
+if language_display == "(autodetect)":
+    language = None
+else:
+    language = language_key_map[language_display]
+
+# Temperatura
+st.sidebar.markdown("<span style='font-size: 12px; color: gray;'>La temperatura controla la aleatoriedad de la transcripción. Valores bajos (0) hacen la salida más determinista, valores altos pueden generar resultados más creativos pero menos precisos.</span>", unsafe_allow_html=True)
+temperature = st.sidebar.slider(
+    "Temperatura",
+    0.0, 1.0, 0.0, 0.1,
+    help="Controla la aleatoriedad de la transcripción. 0 es determinista, valores más altos pueden dar resultados más variados."
+)
+
+# Word timestamps
+word_timestamps = st.sidebar.checkbox(
+    "Timestamps por palabra",
+    value=False,
+    help="Si está activado, se mostrarán marcas de tiempo para cada palabra."
+)
+
+# Selector de destino de salida
+output_mode = st.sidebar.radio(
+    "¿Dónde quieres guardar la salida?",
+    ("En mi equipo (local)", "En la ruta del contenedor (/app/output)"),
+    help="Elige si quieres guardar los archivos en tu equipo local o en la carpeta compartida del contenedor."
+)
+
+if output_mode == "En mi equipo (local)":
+    st.sidebar.markdown("<small>Selecciona cualquier archivo de la carpeta donde quieras guardar la salida. Se usará la ruta de esa carpeta.</small>", unsafe_allow_html=True)
+    selected_file = st.sidebar.file_uploader(
+        "Selecciona un archivo de la carpeta destino (solo para elegir la carpeta)",
+        type=None,
+        accept_multiple_files=False,
+        key="folder_selector"
+    )
+    if selected_file is not None and hasattr(selected_file, 'name'):
+        import pathlib
+        # En local, file_uploader solo da el nombre, no la ruta absoluta, así que usamos cwd
+        selected_folder = os.getcwd()
+    else:
+        selected_folder = os.getcwd()
+    default_dir = selected_folder
+else:
+    default_dir = "/app/output"
+
+output_dir = st.sidebar.text_input(
+    "Carpeta de salida para los resultados",
+    value=default_dir,
+    help="Ruta donde se guardarán los archivos de salida generados por la transcripción. Puedes personalizarla si lo deseas."
+)
+
+# Archivo de audio
+st.header("Selecciona archivos de audio para transcribir")
+audio_files = st.file_uploader(
+    "Selecciona uno o varios archivos de audio",
+    type=["wav", "mp3", "m4a", "flac", "ogg"],
+    accept_multiple_files=True
+)
+
+if st.button("Transcribir") and audio_files:
+    device = "cuda" if torch.cuda.is_available() else "cpu"
+    st.info(f"Cargando modelo '{model_name}' en {device}...")
+    model = load_model(model_name, device=device)
+    os.makedirs(output_dir, exist_ok=True)
+    for idx, audio_file in enumerate(audio_files):
+        st.write(f"Procesando archivo: {audio_file.name}")
+        with st.spinner(f"Transcribiendo {audio_file.name}..."):
+            # Guardar archivo temporalmente
+            temp_path = f"temp_{audio_file.name}"
+            with open(temp_path, "wb") as f:
+                f.write(audio_file.read())
+            # Barra de progreso
+            progress = st.progress(0)
+            def progress_callback(p):
+                progress.progress(int(p * 100))
+            # Ejecutar transcripción
+            result = transcribe(
+                model,
+                temp_path,
+                task=task,
+                language=language,
+                temperature=temperature,
+                word_timestamps=word_timestamps,
+                verbose=True
+            )
+            # Guardar resultado en archivo de texto en la carpeta de salida
+            output_txt = os.path.join(output_dir, f"{os.path.splitext(audio_file.name)[0]}.txt")
+            with open(output_txt, "w", encoding="utf-8") as f:
+                f.write(result["text"])
+            # Mostrar resultado
+            st.subheader(f"Transcripción de {audio_file.name}")
+            st.text_area("Texto transcrito", result["text"], height=200)
+            st.write("Detalles:", result)
+            # Botón de descarga siempre disponible
+            st.download_button(
+                label="Descargar transcripción",
+                data=result["text"],
+                file_name=f"{os.path.splitext(audio_file.name)[0]}.txt",
+                mime="text/plain"
+            )
+            os.remove(temp_path)
+            progress.progress(100)
+    st.success("¡Transcripción completada!")
+else:
+    st.info("Selecciona archivos y pulsa 'Transcribir'.")

compose.yaml

@@ -0,0 +1,13 @@
+version: '3.8'
+services:
+  whisper:
+    build: .
+    container_name: whisper-app
+    ports:
+      - "8501:8501"
+      - "8000:8000"
+    environment:
+      - WHISPER_MODEL=turbo
+    volumes:
+      - /home/usuario/whisper_output:/app/output
+    restart: unless-stopped

requirements.txt

@@ -5,3 +5,6 @@ tqdm
 more-itertools
 tiktoken
 triton>=2.0.0;platform_machine=="x86_64" and sys_platform=="linux" or sys_platform=="linux2"
+fastapi
+uvicorn
+streamlit