completo

app.py

@@ -11,6 +11,7 @@ class ModelHandler:
     def __init__(self, model_names, token):
         self.clients = {model_key: InferenceClient(model_name, token=token) for model_key, model_name in model_names.items()}
         self.current_model = list(model_names.keys())[0]
+        self.conversation_history = []  # Memoria de conversación
 
     def switch_model(self, model_key):
         if model_key in self.clients:
@@ -19,18 +20,47 @@ class ModelHandler:
             raise ValueError(f"Modelo {model_key} no está disponible.")
 
     def generate_response(self, input_text):
-        prompt = f"Debes de responder a cualquier pregunta:\nPregunta: {input_text}"
+        # Agrega el historial de la conversación al prompt
+        self.conversation_history.append({"role": "user", "content": input_text})
+        prompt = f"Historial de conversación: {self.conversation_history}\nPregunta: {input_text}"
+        
         try:
             messages = [{"role": "user", "content": prompt}]
             client = self.clients[self.current_model]
             response = client.chat_completion(messages=messages, max_tokens=500)
             if hasattr(response, 'choices') and response.choices:
-                return response.choices[0].message.content
+                generated_text = response.choices[0].message.content
+                self.conversation_history.append({"role": "assistant", "content": generated_text})
+                return generated_text
             else:
                 return str(response)
         except Exception as e:
             return f"Error al realizar la inferencia: {e}"
 
+    def analyze_emotion(self, input_text):
+        # Diccionario para traducir emociones al español
+        emotion_translation = {
+            "joy": "Alegría",
+            "anger": "Enojo",
+            "fear": "Miedo",
+            "sadness": "Tristeza",
+            "love": "Amor",
+            "surprise": "Sorpresa"
+        }
+        
+        try:
+            client = InferenceClient("bhadresh-savani/distilbert-base-uncased-emotion", token=hf_token)
+            response = client.text_classification(input_text)
+            
+            # Traducir las emociones y formatear la respuesta
+            emotions = [
+                f"{emotion_translation[label['label']]}: {label['score']:.2%}"
+                for label in response
+            ]
+            return "\n".join(emotions)
+        except Exception as e:
+            return f"Error al analizar la emoción: {e}"
+
 # Lista de modelos disponibles (con nombres amigables para la interfaz)
 model_names = {
     "CHATBOT": "microsoft/Phi-3-mini-4k-instruct"
@@ -41,9 +71,6 @@ model_handler = ModelHandler(model_names, hf_token)
 
 # Define la función para generación de imágenes con progreso
 def generate_image_with_progress(prompt):
-    """
-    Genera una imagen utilizando el modelo de "stabilityai/stable-diffusion-2" y muestra un progreso.
-    """
     try:
         client = InferenceClient("stabilityai/stable-diffusion-2", token=hf_token)
         
@@ -58,17 +85,16 @@ def generate_image_with_progress(prompt):
         yield f"Error al generar la imagen: {e}", None
 
 # Configura la interfaz en Gradio con selección de modelos y generación de imágenes
-with gr.Blocks(title="Multi-Model LLM Chatbot with Image Generation") as demo:
+with gr.Blocks(title="Multi-Model LLM Chatbot with Image Generation and Emotion Analysis") as demo:
     gr.Markdown(
         """
-        ## Chatbot Multi-Modelo LLM con Generación de Imágenes
-        Este chatbot permite elegir entre múltiples modelos de lenguaje para responder preguntas o generar imágenes 
-        a partir de descripciones.
+        ## Chatbot Multi-Modelo LLM con Generación de Imágenes y Análisis de Emociones
+        Este chatbot permite elegir entre múltiples modelos de lenguaje para responder preguntas, recordar la conversación o analizar emociones en los textos.
         """
     )
     with gr.Row():
         model_dropdown = gr.Dropdown(
-            choices=list(model_names.keys()) + ["Generación de Imágenes"],
+            choices=list(model_names.keys()) + ["Generación de Imágenes", "Análisis de Emociones"],
             value="CHATBOT",
             label="Seleccionar Acción/Modelo",
             interactive=True
@@ -91,12 +117,11 @@ with gr.Blocks(title="Multi-Model LLM Chatbot with Image Generation") as demo:
                 interactive=False
             )
     submit_button = gr.Button("Enviar")
-    
+
     # Define la función de actualización
     def process_input(selected_action, user_input):
         try:
             if selected_action == "Generación de Imágenes":
-                # Manejamos el generador de progreso
                 progress_generator = generate_image_with_progress(user_input)
                 last_status = None
                 last_image = None
@@ -104,13 +129,16 @@ with gr.Blocks(title="Multi-Model LLM Chatbot with Image Generation") as demo:
                     last_status = status
                     last_image = image
                 return last_status, last_image
+            elif selected_action == "Análisis de Emociones":
+                emotion_result = model_handler.analyze_emotion(user_input)
+                return f"Emoción detectada:\n{emotion_result}", None
             else:
                 model_handler.switch_model(selected_action)
                 response = model_handler.generate_response(user_input)
                 return response, None
         except Exception as e:
             return f"Error: {e}", None
-    
+
     # Conecta la función a los componentes
     submit_button.click(
         fn=process_input,
@@ -119,4 +147,4 @@ with gr.Blocks(title="Multi-Model LLM Chatbot with Image Generation") as demo:
     )
 
 # Lanza la interfaz
-demo.launch()
+demo.launch()