app.py

import tensorflow as tf
import numpy as np
import cv2
import gradio as gr

# Charger le modèle sans compilation (pour éviter les erreurs liées à batch_shape)
try:
    generator = tf.keras.models.load_model('generator.h5', compile=False)  # Charger sans compilation
except ValueError as e:
    print("Erreur lors du chargement du modèle, vérifier batch_shape.")
    print(e)

# Fonction pour générer une vidéo à partir d'un bruit aléatoire
def generate_video():
    # Générer un bruit aléatoire (entrée pour le générateur)
    noise = np.random.normal(0, 1, (1, 16, 64, 64, 3))  # Exemple de bruit pour 16 frames de 64x64x3
    generated_video = generator.predict(noise)  # Générer la vidéo

    # Normaliser les données générées
    video = (generated_video[0] * 255).astype(np.uint8)  # Convertir en entier 8 bits
    filename = "/content/generated_video.mp4"
    
    # Sauvegarder la vidéo
    fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Codec vidéo
    height, width, _ = video[0].shape
    out = cv2.VideoWriter(filename, fourcc, 15, (width, height))  # 15 FPS

    # Ajouter les frames dans le fichier vidéo
    for frame in video:
        out.write(frame)
    out.release()

    return filename

# Interface Gradio
def interface_function():
    # Appeler la fonction de génération et retourner la vidéo générée
    video_file = generate_video()
    return video_file

# Définir l'interface avec Gradio
gr.Interface(
    fn=interface_function,  # Fonction à exécuter
    inputs=[],              # Pas d'entrée utilisateur
    outputs=gr.Video(label="Vidéo générée"),  # Vidéo en sortie
    title="Générateur de Vidéos avec IA",
    description="Cliquez sur le bouton ci-dessous pour générer une vidéo aléatoire avec l'IA."
).launch(server_name="0.0.0.0", server_port=7860)