import gradio as gr
from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image

# OCRモデルとプロセッサの準備
processor = TrOCRProcessor.from_pretrained("microsoft/trocr-base-stage1")
model = VisionEncoderDecoderModel.from_pretrained("microsoft/trocr-base-stage1")

# OCR実行関数
def ocr_image(image):
    # 画像をモデルに入力し、文字起こしを実行
    pixel_values = processor(images=image, return_tensors="pt").pixel_values
    generated_ids = model.generate(pixel_values)
    generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
    return generated_text

# Gradioインターフェースの構築
interface = gr.Interface(
    fn=ocr_image,               # 実行関数
    inputs=gr.Image(type="pil"),  # カメラからの画像入力
    outputs="text",              # 出力形式（テキスト）
    live=True                    # ライブプレビューの有効化
)

# アプリの起動
interface.launch()