app.py

import gradio as gr
import logging
from PIL import Image
from transformers import (
    BlipProcessor,
    BlipForConditionalGeneration,
    pipeline,
    AutoTokenizer,
    VitsModel
)
import torch

# ─────────────── 로깅 설정 ───────────────
logging.basicConfig(level=logging.INFO)

# ─────────────── 1. BLIP 이미지 캡셔닝 (영어 생성) ───────────────
processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
blip_model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large")

# ─────────────── 2. 영어→한국어 번역: NLLB 파이프라인 ───────────────
translation_pipeline = pipeline(
    "translation",
    model="facebook/nllb-200-distilled-600M",
    src_lang="eng_Latn",
    tgt_lang="kor_Hang",
    max_length=200
)

# ─────────────── 3. 한국어 TTS: VITS 직접 로딩 방식 ───────────────
tts_model = VitsModel.from_pretrained("facebook/mms-tts-kor")
tts_tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-kor")
tts_model.to("cuda" if torch.cuda.is_available() else "cpu")

from uroman import Uroman
uroman = Uroman()

def synthesize_tts(text: str):
    romanized = uroman.romanize_string(text)          # ← 핵심 수정
    inputs = tts_tokenizer(romanized, return_tensors="pt")
    input_ids = inputs["input_ids"].long().to(tts_model.device)
    with torch.no_grad():
        output = tts_model(input_ids=input_ids)
    waveform = output.waveform.squeeze().cpu().numpy()
    return (tts_model.config.sampling_rate, waveform)


# ─────────────── 4. 이미지 → 캡션 + 번역 + 음성 출력 ───────────────
def describe_and_speak(img: Image.Image):
    logging.info("[DEBUG] describe_and_speak 함수 호출됨")

    # ① 영어 캡션 생성
    pixel_values = processor(images=img, return_tensors="pt").pixel_values
    generated_ids = blip_model.generate(pixel_values, max_length=64)
    caption_en = processor.batch_decode(generated_ids, skip_special_tokens=True)[0].strip()
    logging.info(f"[DEBUG] caption_en: {caption_en}")
    print(f"[DEBUG] caption_en: {caption_en}")

    # ② 번역
    try:
        result = translation_pipeline(caption_en)
        caption_ko = result[0]['translation_text'].strip()
    except Exception as e:
        logging.error(f"[ERROR] 번역 오류: {e}")
        caption_ko = ""
    logging.info(f"[DEBUG] caption_ko: {caption_ko}")
    print(f"[DEBUG] caption_ko: {caption_ko}")

    if not caption_ko:
        return "이미지에 대한 설명을 생성할 수 없습니다.", None

    # ③ TTS 합성
    try:
        sr, wav = synthesize_tts(caption_ko)
        return caption_ko, (sr, wav)
    except Exception as e:
        logging.error(f"[ERROR] TTS 에러: {e}")
        return caption_ko, None

# ─────────────── 5. Gradio 인터페이스 ───────────────
demo = gr.Interface(
    fn=describe_and_speak,
    inputs=gr.Image(type="pil", sources=["upload", "webcam"], label="입력 이미지"),
    outputs=[
        gr.Textbox(label="한글 캡션"),
        gr.Audio(label="음성 재생", type="numpy")
    ],
    title="이미지 → 한글 캡션 & 음성 변환",
    description="BLIP으로 영어 캡션 생성 → NLLB로 한국어 번역 → VITS로 음성 생성"
)

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