app.py

import gradio as gr
import openai
from transformers import pipeline
import base64
import os
from dotenv import load_dotenv

# Carga variables de entorno de archivo .env
load_dotenv()

# Configuración de clave API OpenAI
openai.api_key = os.getenv("OPENAI_API_KEY")

# Modelos de texto OpenAI disponibles
MODELOS_OPENAI = ["gpt-3.5-turbo", "gpt-4-turbo", "gpt-4o", "gpt-5"]

# Configurar pipeline Whisper para reconocimiento y detección de idioma
asr = pipeline("automatic-speech-recognition", model="openai/whisper-large")

# Preset para voz sensual Maya1 (ajustar según modelo real)
PRESET_CHARACTERS = {
    "Female Sexy": {
        "description": "Voz femenina sensual, ritmo pausado y cálido tono seductor.",
        "example_text": "Hola, ¿cómo puedo hacer que tu día sea aún más especial?"
    }
}

# Función simulada para síntesis audio Maya1 (reemplaza esta función por integración real)
def generate_speech_maya1(text, preset="Female Sexy"):
    # Simula retorno de archivo de audio generado
    return "audio_generado.wav"

# Función para transcribir y detectar idioma del audio
def transcribe_and_detect(audio):
    result = asr(audio)
    texto = result.get("text", "")
    idioma = result.get("language", "es")
    return texto, idioma

# Genera texto de respuesta en español y tono seductor
def generar_respuesta(mensaje, modelo):
    prompt = f"Responde en español con voz sensual y seductora: {mensaje}"
    response = openai.ChatCompletion.create(
        model=modelo,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# Generar imagen con GPT-5 y OpenAI Responses API
def generar_imagen(prompt):
    response = openai.responses.create(
        model="gpt-5",
        input=prompt,
        tools=[{"type": "image_generation"}],
    )
    image_data = [output.result for output in response.output if output.type == "image_generation_call"]
    if image_data:
        img_b64 = image_data[0]
        img_bytes = base64.b64decode(img_b64)
        path = "imagen_generada.png"
        with open(path, "wb") as f:
            f.write(img_bytes)
        return path
    return None

# Función principal que integra audio, texto, voz e imagen
def chatbot_completo(audio, modelo_texto, preset_voz, prompt_imagen):
    texto_usuario, _ = transcribe_and_detect(audio)
    texto_respuesta = generar_respuesta(texto_usuario, modelo_texto)
    audio_path = generate_speech_maya1(texto_respuesta, preset_voz)
    image_path = generar_imagen(prompt_imagen) if prompt_imagen.strip() else None
    return texto_usuario, texto_respuesta, audio_path, image_path

# Construcción interfaz Gradio
with gr.Blocks() as demo:
    gr.Markdown("# Chatbot Multimodal Avanzado\nDetecta idioma, responde con voz sensual y genera imágenes")
    with gr.Row():
        with gr.Column():
            audio_in = gr.Audio(type="filepath", label="Habla aquí")
            modelo_sel = gr.Dropdown(MODELOS_OPENAI, value="gpt-4-turbo", label="Modelo de texto")
            preset_sel = gr.Dropdown(list(PRESET_CHARACTERS.keys()), value="Female Sexy", label="Preset de voz sensual")
            text_img = gr.Textbox(label="Texto para generar imagen (opcional)", lines=2)
            btn = gr.Button("Enviar")
        with gr.Column():
            text_trans = gr.Textbox(label="Texto reconocido")
            text_resp = gr.Textbox(label="Respuesta del chatbot")
            audio_resp = gr.Audio(type="filepath", label="Respuesta de voz")
            image_resp = gr.Image(label="Imagen generada (opcional)")
    btn.click(
        chatbot_completo,
        inputs=[audio_in, modelo_sel, preset_sel, text_img],
        outputs=[text_trans, text_resp, audio_resp, image_resp]
    )

if __name__ == "__main__":
    demo.launch()