Update app.py

app.py

@@ -4,25 +4,24 @@ import traceback
 import requests
 import gradio as gr
 
-# 1. Configuración de la API externa de Hugging Face
+# Configuración de la API externa
 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):
     if not HF_TOKEN:
-        print("[-] ERROR: El HF_TOKEN no está configurado en los Secrets del Space.")
+        print("[-] ERROR: El HF_TOKEN no está configurado.")
         raise gr.Error("Falta el token HF_TOKEN en el servidor.")
 
     try:
-        print("[+] Petición recibida desde Android a través del puente de Gradio...")
+        print("[+] Petición recibida desde Android. Procesando cadenas...")
         
-        # Aseguramos que los strings Base64 tengan el prefijo Data URI limpio
+        # Validamos y formateamos los prefijos Data URI requeridos por el modelo Qwen
         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 de la 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的真实人物，图1真实人物保持高度人脸一致性"
         
-        # Payload estructurado para el modelo de visión Qwen
         json_payload = {
             "inputs": {
                 "text": prompt_texto,
@@ -38,39 +37,36 @@ def fusionar_cosplay_bridge(imagen_real, imagen_ref):
             "Content-Type": "application/json"
         }
         
-        print("[+] Enviando payload a la API de Inferencia...")
+        print("[+] Conectando con la API de Inferencia...")
         respuesta = requests.post(API_URL, headers=headers, json=json_payload, timeout=110)
-        print(f"[+] Respuesta de Hugging Face recibida. Estado: {respuesta.status_code}")
+        print(f"[+] API de Inferencia respondió con código: {respuesta.status_code}")
         
         if respuesta.status_code == 200:
             content_type = respuesta.headers.get("content-type", "").lower()
-            
             if "application/json" in content_type:
-                # Si devuelve la estructura JSON del modelo
                 return respuesta.json()
             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:
-            print(f"[-] Error de la API de Inferencia: {respuesta.text}")
+            print(f"[-] Error de Hugging Face: {respuesta.text}")
             raise gr.Error(f"HF API Error: {respuesta.status_code}")
 
     except Exception as e:
         print("\n================= CRASH EN EL PUENTE =================")
         traceback.print_exc()
         print("=====================================================\n")
-        raise gr.Error(f"Crash interno en el servidor: {str(e)}")
+        raise gr.Error(f"Crash interno: {str(e)}")
 
-# 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
+# Montamos la interfaz tradicional para forzar la exposición de endpoints REST estándar
 demo = gr.Interface(
     fn=fusionar_cosplay_bridge,
-    inputs=[gr.Textbox(label="Imagen Real Base64"), gr.Textbox(label="Imagen Referencia Base64")],
+    inputs=[gr.Textbox(label="Real"), gr.Textbox(label="Ref")],
     outputs=gr.JSON(label="Resultado"),
-    title="Cosplay API Bridge Active 🎭",
-    description="Servidor optimizado para peticiones móviles desde Android."
+    api_name="predict"
 )
 
+# 🌟 CRÍTICO PARA GRADIO 6: Desactivamos el SSR experimental y la transpilación de funciones a JS
+# Esto apaga el servidor Node.js interno y delega todo el tráfico directamente al proceso Python ASGI.
 if __name__ == "__main__":
-    demo.launch()
+    demo.launch(ssr_mode=False, show_api=True)