moghit/Audio_Classification

1from flask import Flask, render_template, request, jsonify
2import os
3from predict import model, words, extract_features, sr
4import librosa
5import numpy as np
6# this web app was designed by achraf
7app = Flask(__name__)
8
9# Mapping des mots vers les chiffres
10word_to_digit = {
11    'zero': '0', 'one': '1', 'two': '2', 'three': '3', 'four': '4',
12    'five': '5', 'six': '6', 'seven': '7', 'eight': '8', 'nine': '9'
13}
14
15def report_with_probabilities(prediction):
16    """
17    Fonction modifiée pour retourner le meilleur résultat ET toutes les probabilités
18    """
19    test = []
20    values = prediction[0]
21    for i in range(10): 
22        value = np.round(values[i] * 100, 2)
23        value = round(float(value), 2)
24        word = str(words[i])
25        test.append((value, word))
26    
27    # Trier par probabilité décroissante
28    values_sorted = sorted(test, key=lambda item: item[0], reverse=True)
29    
30    # Retourner le meilleur résultat et toutes les probabilités
31    best_prediction = values_sorted[0][1]
32    all_probabilities = [{"word": word, "probability": prob} for prob, word in values_sorted]
33    
34    return best_prediction, all_probabilities
35
36@app.route('/')
37def home():
38    return render_template("index.html")
39
40@app.route('/predict')
41def predict_page():
42    return render_template("predict.html")
43import subprocess
44
45@app.route('/upload', methods=['POST'])
46def upload_audio():
47    if 'audio' not in request.files:
48        return jsonify({'error': 'No audio file found', 'success': False}), 400
49    
50    # Sauvegarde du fichier
51    audio_file = request.files['audio']
52    audio_path = 'recording.wav'
53    
54    audio_file.save(audio_path)    
55    subprocess.run(["ffmpeg", "-y", "-i", "recording.wav", "recording.wav"], stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL)
56
57    try:
58        # Chargement de l'audio avec librosa (compatible avec predict.py)
59        audio_signal, _ = librosa.load("recording.wav", sr=sr)
60        # Utilisation des fonctions importées de predict.py
61        X_test = extract_features(audio_signal, sr)
62        prediction = model.predict(X_test)
63        # Utilisation de notre fonction modifiée pour obtenir toutes les probabilités
64        predicted_word, all_probabilities = report_with_probabilities(prediction)
65        
66        # Conversion en chiffre
67        predicted_digit = word_to_digit.get(predicted_word.lower(), '?')
68        
69        print(f"Predicted word: {predicted_word}, Predicted digit: {predicted_digit}")
70        # Nettoyage
71        os.remove(audio_path)
72        
73        return jsonify({
74            'success': True,
75            'prediction': predicted_word,
76            'digit': predicted_digit,
77            'display': f"{predicted_word.capitalize()} ({predicted_digit})",
78            'probabilities': all_probabilities
79        })
80        
81    except Exception as e:
82        if os.path.exists(audio_path):
83            os.remove(audio_path)
84        return jsonify({
85            'success': False,
86            'error': str(e)
87        }), 500
88
89if __name__ == '__main__':
90    app.run(debug=True)