Download README.txt from ZeloTech/zelotech: direct link, hf CLI and curl.
- Browser
- Download file 3.36 kB
-
https://huggingface.co/spaces/ZeloTech/zelotech/resolve/main/README.txt
- Command line
-
hf download hf://spaces/ZeloTech/zelotech/README.txt
-
curl -L -o README.txt https://huggingface.co/spaces/ZeloTech/zelotech/resolve/main/README.txt
3.36 kB
| --- | |
| title: Servico de Extracao e Transcricao | |
| emoji: 📄 | |
| colorFrom: blue | |
| colorTo: indigo | |
| sdk: docker | |
| app_port: | |
| pinned: false | |
| --- | |
| ## Introdução | |
| API em FastAPI com dois endpoints: | |
| - `POST /extract-text` — recebe PDF, JPG ou PNG e devolve o texto contido (cru, sem tratamento). | |
| - `POST /transcribe` — recebe audio (ogg/opus do WhatsApp, mp3, m4a, wav...) e devolve a transcricao em PT-BR. | |
| A inferencia fica isolada atras de uma interface, entao rodar local hoje e na nuvem depois e questao de deploy e configuracao, nao de reescrita. | |
| ## Estrutura | |
| app/ | |
| main.py # monta o FastAPI, carrega os modelos no boot | |
| config.py # configuracao por env (flags das decisoes adiadas) | |
| api/ | |
| deps.py # injecao de dependencia | |
| routes_text.py # /extract-text | |
| routes_audio.py # /transcribe | |
| domain/ | |
| transcriber.py # interface Transcriber (o contrato) | |
| extractor.py # interface TextExtractor (o contrato) | |
| infra/ | |
| factory.py # escolhe a implementacao pela config | |
| local_transcriber.py # faster-whisper (hoje) | |
| local_extractor.py # Tesseract + PyMuPDF (hoje) | |
| services/ | |
| files.py # upload -> arquivo temporario, limpeza | |
| detect.py # tipo do arquivo por magic bytes | |
| audio_utils.py # ffmpeg: normaliza audio -> wav 16k mono | |
| pdf_utils.py # camada de texto vs. OCR, pagina a pagina | |
| ocr.py # Tesseract | |
| ## Rodando local | |
| Pre-requisitos de sistema: `ffmpeg` e `tesseract-ocr` com o idioma portugues (`tesseract-ocr-por`). | |
| # Ubuntu/Debian | |
| sudo apt install ffmpeg tesseract-ocr tesseract-ocr-por | |
| python -m venv .venv && source .venv/bin/activate | |
| pip install -r requirements.txt | |
| cp .env.example .env | |
| uvicorn app.main:app --reload | |
| Testando: | |
| curl -F "file=@documento.pdf" http://localhost:8000/extract-text | |
| curl -F "file=@audio.opus" http://localhost:8000/transcribe | |
| Docs interativas em `http://localhost:8000/docs`. | |
| ## Docker | |
| docker build -t extracao-transcricao . | |
| docker run -p 8000:8000 extracao-transcricao | |
| ## As duas decisoes que ficaram para depois | |
| Nenhuma exige tocar nas rotas ou na logica de upload. | |
| **Self-managed vs. gerenciado** — campo `APP_ASR_BACKEND` / `APP_OCR_BACKEND`. Hoje e `local`. Para migrar, escreva uma classe adaptadora nova em `infra/` que implemente o mesmo metodo (`transcribe` ou `extract`), registre-a na `factory.py` e troque a env var. | |
| **GPU vs. CPU** — campo `APP_DEVICE` (`cpu` ou `cuda`). Em GPU, ajuste tambem `APP_ASR_COMPUTE_TYPE` para `float16`. O codigo e o mesmo; muda so a config e o alvo de deploy. | |
| ## Notas para producao | |
| - **Pesos do modelo:** evite baixar do HF Hub em runtime. Descomente a linha de pre-download no `Dockerfile` para embuti-los na imagem (cold start menor, sem chamada de saida). | |
| - **Perfis de compute distintos:** o OCR e leve (CPU) e a transcricao e pesada (pode querer GPU). Da para separar os dois em deployments independentes e escalar cada um sozinho. | |
| - **Carga:** para volume alto ou arquivos grandes, processe a inferencia em fila/worker em vez de inline na requisicao. | |
| - **Pinagem:** troque os `>=` do `requirements.txt` por versoes exatas quando fechar o ambiente. | |
| - **Manter o pipeline `transformers` atual:** crie um adaptador com o mesmo metodo e aponte a factory para ele. | |