import gradio as gr
from transformers import pipeline
import re

# --- 1. Inicialización de Modelos ---
# NOTA: Los modelos se cargan una sola vez al iniciar la aplicación para mayor eficiencia.

try:
    # Modelo de Resumen
    summarizer = pipeline("summarization", model="facebook/bart-large-cnn")

    # Modelo de Generación de Texto (para Captions)
    caption_generator = pipeline("text-generation", model="PlanTL-GOB-ES/gpt2-base-bne")
    
    # Modelo de Generación de Imágenes (Placeholder)
    # Aquí iría el modelo real de Stable Diffusion cuando las dependencias estén listas.

except Exception as e:
    print(f"Error al cargar un modelo: {e}")
    # Asigna None a los modelos que fallen para manejarlo después
    summarizer = None
    caption_generator = None

# --- 2. Definición de Funciones para cada Herramienta ---

def summarize_text(text):
    """Función para resumir texto."""
    if not summarizer:
        return "Error: El modelo de resumen no está disponible."
    if not text or not isinstance(text, str) or text.strip() == "":
        return "Por favor, introduce un texto para resumir."
    
    try:
        summary = summarizer(text, min_length=50, max_length=200, do_sample=False)
        return summary[0]['summary_text']
    except Exception as e:
        return f"Ha ocurrido un error al procesar el texto: {e}"

def generate_captions(topic):
    """Función para generar captions virales."""
    if not caption_generator:
        return ["Error: El modelo de captions no está disponible.", "", ""]
    if not topic or not isinstance(topic, str) or topic.strip() == "":
        return ["Por favor, introduce un tema.", "", ""]
        
    prompt = f"Escribe 3 ideas de captions virales para una publicación en redes sociales sobre '{topic}'. Incluye emojis y hashtags. No repitas el prompt en la respuesta."
    
    try:
        outputs = caption_generator(prompt, max_new_tokens=80, num_return_sequences=3, do_sample=True, temperature=0.9, top_k=50)
        captions = [re.sub(re.escape(prompt), '', out['generated_text']).strip() for out in outputs]
        # Asegurarnos de que siempre devolvemos 3 elementos
        while len(captions) < 3:
            captions.append("")
        return captions
    except Exception as e:
        return [f"Ha ocurrido un error: {e}", "", ""]

def generate_image(prompt):
    """Función placeholder para generar imágenes."""
    # Esta es una simulación. La implementación real requiere 'diffusers' y 'torch'.
    return f"Imagen generada para el prompt: '{prompt}' (esto es un placeholder)"

# --- 3. Creación de la Interfaz con Gradio ---

with gr.Blocks(theme=gr.themes.Default(primary_hue="purple", secondary_hue="indigo"), css=".gradio-container {background-color: #0A0A0A}") as demo:
    gr.Markdown("# GeniusTools Backend API")
    
    # --- Endpoints de la API ---
    # Usamos `api_name` para crear un endpoint que podamos llamar desde el frontend.
    
    # Endpoint para Resumen
    gr.Interface(
        fn=summarize_text,
        inputs=gr.Textbox(label="Texto a resumir"),
        outputs=gr.Textbox(label="Resumen"),
        api_name="summarize"
    )

    # Endpoint para Captions
    gr.Interface(
        fn=generate_captions,
        inputs=gr.Textbox(label="Tema del post"),
        outputs=[gr.Textbox(label=f"Sugerencia {i+1}") for i in range(3)],
        api_name="generate_captions"
    )

    # Endpoint para Imágenes
    gr.Interface(
        fn=generate_image,
        inputs=gr.Textbox(label="Descripción de la imagen"),
        outputs=gr.Textbox(label="Resultado (Placeholder)"),
        api_name="generate_image"
    )

# --- 4. Lanzamiento de la Aplicación ---
if __name__ == "__main__":
    demo.launch()