Creacion del demo con Gradio blocks y TabItem

app.py

@@ -0,0 +1,61 @@
+import tensorflow as tf
+
+inception_net = tf.keras.applications.M
+
+import requests
+
+respuesta  = requests.get("https://git.io/JJkYN")
+etiquetas = respuesta.text.split("\n")
+# Obteniendo las labels de "https://git.io/JJkYN"
+
+def clasifica_imagen(inp):
+  inp = inp.reshape((-1,224,224,3))
+  inp = tf.keras.applications.mobilenet_v2.preprocess_input(inp)
+  prediction = inception_net.predict(inp).flatten()
+  confidences = {etiquetas[i]: float(prediction[i]) for i in range(1000)}
+  return confidences
+
+import gradio as gr
+from transformers import pipeline
+
+trans = pipeline("automatic-speech-recognition", model="facebook/wav2vec2-large-xlsr-53-spanish")
+clasificador = pipeline("text-classification", model="pysentimiento/robertuito-sentiment-analysis")
+
+def audio_a_text(audio):
+  text = trans(audio)["text"]
+  return text
+
+def texto_a_sentimiento(text):
+  return clasificador(text)[0]["label"]
+
+
+demo = gr.Blocks()
+
+with demo:
+  gr.Markdown("Este es el segundo demo con Blocks")
+  with gr.Tabs():
+    with gr.TabItem("Transcribe audio en español"):
+      with gr.Row():
+        audio = gr.Audio(source="microphone", type="filepath")
+        transcripcion = gr.Textbox()
+      b1 = gr.Button("Transcribe porfa")
+    
+    with gr.TabItem("Análisis de sentimiento en español"):
+      with gr.Row():
+        texto = gr.Textbox()
+        label = gr.Label()
+      b2 = gr.Button("sentimiento porfa")
+    
+    with gr.TabItem("Clasificacion de imagenes"):
+      with gr.Row():
+        imagen = gr.Image(shape=(224,224))
+        label1 = gr.Label(num_top_classes=3)
+      b3 = gr.Button("clasifica")
+
+
+    b1.click(audio_a_text, inputs = audio, outputs = transcripcion)
+    b2.click(texto_a_sentimiento, inputs = texto, outputs = label)
+    b3.click(clasifica_imagen, inputs = imagen, outputs=label1)
+
+
+demo.launch()