as

app.py

@@ -6,12 +6,12 @@ import threading
 from transformers import AutoModelForCausalLM, AutoTokenizer
 import torch
 
-# Cargar modelo y tokenizer de Hugging Face
-MODEL_NAME = "microsoft/DialoGPT-small"  # También puedes probar 'medium' o 'large'
+# ======== Cargar el modelo DialoGPT =========
+MODEL_NAME = "microsoft/DialoGPT-small"
 tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
 model = AutoModelForCausalLM.from_pretrained(MODEL_NAME)
 
-# FastAPI para la API
+# ======== Definir API con FastAPI =========
 app = FastAPI()
 
 class Message(BaseModel):
@@ -19,21 +19,24 @@ class Message(BaseModel):
 
 @app.post("/chat")
 def chat(msg: Message):
+    """Genera respuesta basada en el input del usuario."""
     input_text = msg.text
     inputs = tokenizer.encode(input_text + tokenizer.eos_token, return_tensors="pt")
     response_ids = model.generate(inputs, max_length=100, pad_token_id=tokenizer.eos_token_id)
     response_text = tokenizer.decode(response_ids[:, inputs.shape[-1]:][0], skip_special_tokens=True)
     return {"response": response_text}
 
-# Ejecutar FastAPI en segundo plano
+# ======== Función para ejecutar FastAPI en segundo plano =========
 def run_api():
     uvicorn.run(app, host="0.0.0.0", port=7860)
 
 threading.Thread(target=run_api, daemon=True).start()
 
-# Streamlit UI
+# ======== Interfaz con Streamlit =========
 st.title("Mi Amigo Virtual 🤖")
-user_input = st.text_input("Escribe un mensaje:")
+st.write("Escríbeme algo y te responderé!")
+
+user_input = st.text_input("Tú:")
 if user_input:
     response = chat(Message(text=user_input))
     st.write("🤖:", response["response"])

requirements.txt

@@ -1,12 +1,5 @@
-#transformers
-#torch
-#streamlit
-#ffmpeg
-#fastapi
-#uvicorn
 fastapi
 uvicorn
-streamlit
-requests
 transformers
-torch
+torch
+streamlit