Update app.py

app.py

@@ -4,15 +4,11 @@ import traceback
 import requests
 import gradio as gr
 
-# 1. Configuración de la API externa
+# 1. Configuración de la API externa de Hugging Face
 API_URL = "https://api-inference.huggingface.co/models/joyfox/Qwen-Image-Edit-Cosplay"
 HF_TOKEN = os.getenv("HF_TOKEN")
 
 def fusionar_cosplay_bridge(imagen_real, imagen_ref):
-    """
-    Función puente que recibe las peticiones de Android a través de Gradio,
-    las reempaqueta con el formato de Qwen y llama a la API de Inferencia Serverless.
-    """
     if not HF_TOKEN:
         print("[-] ERROR: El HF_TOKEN no está configurado en los Secrets del Space.")
         raise gr.Error("Falta el token HF_TOKEN en el servidor.")
@@ -20,14 +16,13 @@ def fusionar_cosplay_bridge(imagen_real, imagen_ref):
     try:
         print("[+] Petición recibida desde Android a través del puente de Gradio...")
         
-        # Gradio maneja automáticamente los strings entrantes. 
-        # Aseguramos que tengan el prefijo Data URI limpio para el modelo Qwen.
+        # Aseguramos que los strings Base64 tengan el prefijo Data URI limpio
         data_uri_real = imagen_real if imagen_real.startswith("data:") else f"data:image/jpeg;base64,{imagen_real}"
         data_uri_ref = imagen_ref if imagen_ref.startswith("data:") else f"data:image/jpeg;base64,{imagen_ref}"
         
-        prompt_texto = "把图2中动漫人物中的发型，服饰和装扮道具迁移到图1的真实人物，图1真实人物保持高度人脸一致性"
+        prompt_texto = "把图2中动漫人物中的发型，服饰和装扮道具迁移到图1 de la 真实人物，图1真实人物保持高度人脸一致性"
         
-        # Payload JSON requerido por la API Serverless de Hugging Face
+        # Payload estructurado para el modelo de visión Qwen
         json_payload = {
             "inputs": {
                 "text": prompt_texto,
@@ -50,11 +45,11 @@ def fusionar_cosplay_bridge(imagen_real, imagen_ref):
         if respuesta.status_code == 200:
             content_type = respuesta.headers.get("content-type", "").lower()
             
-            # Si el modelo responde con JSON estructurado
             if "application/json" in content_type:
+                # Si devuelve la estructura JSON del modelo
                 return respuesta.json()
-            # Si responde directamente con los bytes crudos de la imagen procesada
             else:
+                # Si devuelve los bytes directos de la imagen final
                 imagen_procesada_base64 = base64.b64encode(respuesta.content).decode("utf-8")
                 return {"data": f"data:image/jpeg;base64,{imagen_procesada_base64}"}
         else:
@@ -67,25 +62,15 @@ def fusionar_cosplay_bridge(imagen_real, imagen_ref):
         print("=====================================================\n")
         raise gr.Error(f"Crash interno en el servidor: {str(e)}")
 
-# 2. Definición de la interfaz de Gradio
-# Usamos gr.Text de tipo string para recibir el Base64 puro sin que Gradio intente guardarlo en disco de forma local.
-with gr.Blocks() as demo:
-    gr.Markdown("# Cosplay API Bridge Active 🎭")
-    gr.Markdown("Este Space actúa como puente directo de red para peticiones móviles.")
-    
-    # Declaramos los componentes de entrada/salida de forma invisible o visible para pruebas
-    input_real = gr.Textbox(visible=False)
-    input_ref = gr.Textbox(visible=False)
-    output_json = gr.JSON()
-    
-    # Definimos la función asociada con un nombre de endpoint explícito (api_name)
-    btn = gr.Button("Procesar", visible=False)
-    btn.click(
-        fn=fusionar_cosplay_bridge, 
-        inputs=[input_real, input_ref], 
-        outputs=output_json, 
-        api_name="predict"
-    )
+# 2. Interfaz nativa de Gradio compatible con API REST externa
+# Definimos una Interface clásica. Esto obliga a Gradio a exponer la ruta /api/predict automáticamente
+demo = gr.Interface(
+    fn=fusionar_cosplay_bridge,
+    inputs=[gr.Textbox(label="Imagen Real Base64"), gr.Textbox(label="Imagen Referencia Base64")],
+    outputs=gr.JSON(label="Resultado"),
+    title="Cosplay API Bridge Active 🎭",
+    description="Servidor optimizado para peticiones móviles desde Android."
+)
 
-# Lanzamos el entorno nativo de Gradio
-demo.launch()
+if __name__ == "__main__":
+    demo.launch()