Update app.py

app.py

@@ -10,28 +10,33 @@ from pydub import AudioSegment
 if "history" not in st.session_state:
     st.session_state.history = []
 
-def recognize_speech(audio_data, show_messages=True):
-    recognizer = sr.Recognizer()
-    audio_recording = sr.AudioFile(audio_data)
-
-    with audio_recording as source:
-        audio = recognizer.record(source)
-
-    try:
-        audio_text = recognizer.recognize_google(audio, language="es-ES")
-        if show_messages:
-            st.subheader("Texto Reconocido:")
-            st.write(audio_text)
-            st.success("Reconocimiento de voz completado.")
-    except sr.UnknownValueError:
-        st.warning("No se pudo reconocer el audio. ¿Intentaste grabar algo?")
-        audio_text = ""
-    except sr.RequestError:
-        st.error("Hablame para comenzar!")
-        audio_text = ""
+recognizer = sr.Recognizer()
+microphone = sr.Microphone()
+
+# reconociendo voz
+def recognize_speech_with_vad(audio_data, show_messages=True):
+    with microphone as source:
+        try:
+            st.info("Escuchando...")
+            audio_data.record(source, vad_enabled=True)
+            st.success("Fin de la grabación. Procesando audio...")
+            audio_text = recognizer.recognize_google(audio_data, language="es-ES")
+
+            if show_messages:
+                st.subheader("Texto Reconocido:")
+                st.write(audio_text)
+
+        except sr.UnknownValueError:
+            st.warning("No se pudo reconocer el audio. ¿Intentaste grabar algo?")
+            audio_text = ""
+        except sr.RequestError:
+            st.error("Hablame para comenzar!")
+            audio_text = ""
 
     return audio_text
 
+
+# preparando entrada para el modelo de lenguaje
 def format_prompt(message, history):
     prompt = "<s>"
 
@@ -42,6 +47,7 @@ def format_prompt(message, history):
     prompt += f"[INST] {message} [/INST]"
     return prompt
 
+# generando respuesta en texto
 def generate(audio_text, history, temperature=None, max_new_tokens=512, top_p=0.95, repetition_penalty=1.0):
     client = InferenceClient("mistralai/Mixtral-8x7B-Instruct-v0.1")
 
@@ -70,6 +76,7 @@ def generate(audio_text, history, temperature=None, max_new_tokens=512, top_p=0.
     audio_file = text_to_speech(response, speed=1.3)
     return response, audio_file
 
+# texto a voz
 def text_to_speech(text, speed=1.3):
     tts = gTTS(text=text, lang='es')
     audio_fp = io.BytesIO()
@@ -82,6 +89,13 @@ def text_to_speech(text, speed=1.3):
     modified_audio_fp.seek(0)
     return modified_audio_fp
 
+# reproductor de texto a voz
+def audio_player_markup(audio_file):
+    return f"""
+        <audio autoplay="autoplay" controls="controls" src="data:audio/mp3;base64,{base64.b64encode(audio_file.read()).decode()}" type="audio/mp3" id="audio_player"></audio>
+    """
+
+# interfaz de usuario
 def main():
     st.title("Chatbot de Voz a Voz")
     st.info("Habla para grabar...")
@@ -97,12 +111,7 @@ def main():
             output, audio_file = generate(audio_text, history=st.session_state.history)  
 
             if audio_file is not None:
-                st.markdown(
-                    f"""
-                    <audio autoplay="autoplay" controls="controls" src="data:audio/mp3;base64,{base64.b64encode(audio_file.read()).decode()}" type="audio/mp3" id="audio_player"></audio>
-                    """,
-                    unsafe_allow_html=True
-                )
+                st.markdown(audio_player_markup(audio_file), unsafe_allow_html=True)
 
 if __name__ == "__main__":
     main()