Ajouter le script Gradio et les dépendances*

.env

@@ -0,0 +1,2 @@
+QDRANT_URL="https://ebe79742-e3ac-4d09-a2c6-63946024cc7a.us-east4-0.gcp.cloud.qdrant.io"
+QDRANT_KEY=""_NnGLuSMH4Qwv-ancoFh88YvzuR7WbyidAorVOVQ_eMCbPhxTb2TSw"

.gitignore

@@ -0,0 +1,2 @@
+# Ignore le fichier .env
+.env

app.py

@@ -1,55 +1,54 @@
 import os
+
 import gradio as gr
 from qdrant_client import QdrantClient
 from transformers import ClapModel, ClapProcessor
-from huggingface_hub import HfApi
-
-# Utilisation de Hugging Face Hub API pour récupérer les secrets
-api = HfApi()
-secrets = api.repository_config("leadr64/audi_data")  # Remplacez par votre nom d'utilisateur et nom du repository
-
-qdrant_url = secrets.get("QDRANT_URL")
-qdrant_key = secrets.get("QDRANT_KEY")
-
-if not qdrant_url or not qdrant_key:
-    raise ValueError("QDRANT_URL and QDRANT_KEY must be set as secrets in your Hugging Face repository.")
+from dotenv import load_dotenv
+import os
 
-client = QdrantClient(qdrant_url, qdrant_key)
+# Charger les variables d'environnement à partir du fichier .env
+load_dotenv()
 
-# Chargement de la base de données Qdrant en local
-print("[INFO] Client créé...")
+# Récupérer le mot de passe depuis les variables d'environnement
+QDRANT_URL = os.getenv('QDRANT_URL')
+QDRANT_KEY = os.getenv('QDRANT_KEY')
+# Loading the Qdrant DB in local ###################################################################
+client = QdrantClient(QDRANT_URL, api_key=QDRANT_KEY)
+print("[INFO] Client created...")
 
-# Chargement du modèle
-print("[INFO] Chargement du modèle...")
-model_name = "laion/clap-large-v2"
+# loading the model
+print("[INFO] Loading the model...")
+model_name = "laion/larger_clap_general"
 model = ClapModel.from_pretrained(model_name)
 processor = ClapProcessor.from_pretrained(model_name)
 
-# Interface Gradio
+# Gradio Interface #################################################################################
 max_results = 10
 
+
 def sound_search(query):
     text_inputs = processor(text=query, return_tensors="pt")
     text_embed = model.get_text_features(**text_inputs)[0]
 
     hits = client.search(
         collection_name="demo_spaces_db",
-        query_vector=text_embed.tolist(),  # Convertir le tenseur en liste
+        query_vector=text_embed,
         limit=max_results,
     )
     return [
         gr.Audio(
-            value=hit.payload['audio_path'],
+            hit.payload['audio_path'],
             label=f"style: {hit.payload['style']} -- score: {hit.score}")
         for hit in hits
     ]
 
+
 with gr.Blocks() as demo:
     gr.Markdown(
-        """# Base de données de recherche de sons """
+        """# Sound search database """
     )
-    inp = gr.Textbox(placeholder="Quel son recherchez-vous ?")
-    out = [gr.Audio(label=f"{x}") for x in range(max_results)]  # Nécessaire d'avoir des objets différents
-    inp.change(fn=sound_search, inputs=inp, outputs=out)
+    inp = gr.Textbox(placeholder="What sound are you looking for ?")
+    out = [gr.Audio(label=f"{x}") for x in range(max_results)]  # Necessary to have different objs
+    inp.change(sound_search, inp, out)
 
 demo.launch()