update

app.py

@@ -7,15 +7,17 @@ import os
 from openai import OpenAI
 from groq import Groq
 
-import json
-
 from youtube_transcript_api import YouTubeTranscriptApi
 from youtube_transcript_api._errors import NoTranscriptFound
-
+import yt_dlp
 
 from moviepy.editor import VideoFileClip
 from pytube import YouTube
 import os
+import io
+import time
+import json
+from urllib.parse import urlparse, parse_qs
 
 from google.cloud import storage
 from google.oauth2 import service_account
@@ -24,11 +26,13 @@ from googleapiclient.http import MediaFileUpload
 from googleapiclient.http import MediaIoBaseDownload
 from googleapiclient.http import MediaIoBaseUpload
 
-import io
-import time
+from educational_material import EducationalMaterial
+
+
+
+
 
 
-from urllib.parse import urlparse, parse_qs
 
 
 # 假设您的环境变量或Secret的名称是GOOGLE_APPLICATION_CREDENTIALS_JSON
@@ -381,6 +385,47 @@ def get_transcript(video_id):
             continue  # 當前語言的字幕沒有找到，繼續嘗試下一個語言
     return None  # 所有嘗試都失敗，返回None
 
+def generate_transcription(video_id):
+    youtube_url = f'https://www.youtube.com/watch?v={video_id}'
+    codec_name = "mp3"
+    ydl_opts = {
+        'format': 'bestaudio/best',
+        'postprocessors': [{
+            'key': 'FFmpegExtractAudio',
+            'preferredcodec': codec_name,
+            'preferredquality': '192'
+        }],
+        'outtmpl': f'{video_id}.%(ext)s',
+    }
+    print("===download video mp3===")
+    with yt_dlp.YoutubeDL(ydl_opts) as ydl:
+        ydl.download([youtube_url])
+
+    audio_path = f'{video_id}.{codec_name}'
+
+    print("===transcription by open ai===")
+    with open(audio_path, "rb") as audio_file:
+        srt_content = OPEN_AI_CLIENT.audio.transcriptions.create(
+            model="whisper-1", 
+            file=audio_file,
+            response_format="verbose_json",
+            timestamp_granularities=["segment"],
+            prompt="Transcribe the following audio file. if chinese, please using 'language: zh-TW' in the prompt.",
+        )
+
+    # get segments
+    segments = srt_content.segments
+    transcription = [
+        {
+            "text": item["text"],
+            "start": int(item["start"]),
+            "duration": int(item["end"] - item["start"]) 
+        }
+        for item in segments
+    ]
+    return transcription    
+
+
 def process_transcript_and_screenshots(video_id):
     print("====process_transcript_and_screenshots====")
 
@@ -457,7 +502,13 @@ def process_transcript_and_screenshots_on_gcs(video_id):
     is_transcript_exists = gcs_check_file_exists(gcs_client, bucket_name, transcript_blob_name)
     if not is_transcript_exists:
         # 从YouTube获取逐字稿并上传
-        transcript = get_transcript(video_id)
+        try:
+            transcript = get_transcript(video_id)
+        except:
+            # call open ai whisper
+            print("===call open ai whisper===")
+            transcript = generate_transcription(video_id)
+
         if transcript:
             print("成功獲取字幕")
         else:
@@ -999,243 +1050,36 @@ def change_questions(password, df_string):
     print("=====get_questions=====")
     return q1, q2, q3
 
-# --- 學習單 ---
-def generate_worksheet(password, df_string, worksheet_topic, worksheet_grade, worksheet_level, worksheet_algorithm):
-    verify_password(password)
-
-    # df_string delete embed_url, screenshot_path
-    df_string_json = json.loads(df_string)
-    for entry in df_string_json:
-        entry.pop('embed_url', None)
-        entry.pop('screenshot_path', None)
-    df_string_text = json.dumps(df_string_json, ensure_ascii=False, indent=2)
-
-    worksheet_prompt = get_worksheet_prompt(worksheet_algorithm)
-
-    # 使用 OpenAI 生成基于上传数据的问题
-    sys_content = "你是一個擅長資料分析跟影片教學備課的老師，請精讀資料文本，自行判斷資料的種類，使用 zh-TW"
-    user_content = f"""
-        這是逐字稿：{df_string_text}
-        ---
-        這是學習單模型：{worksheet_algorithm}
-        這是學習單科目：{worksheet_topic}
-        這是學習單年級：{worksheet_grade}
-        這是學習單難度：{worksheet_level}
-
-        請根據逐字稿進行以下工作：
-        不要提到 【逐字稿】 這個詞，直接給出工作內容即可
-        如果是中文素材，請嚴格使用 zh-TW
-        {worksheet_prompt}
-    """
-    messages = [
-        {"role": "system", "content": sys_content},
-        {"role": "user", "content": user_content}
-    ]
-
-    print("=====generate_worksheet messages=====")
-    print(messages)
-    print("=====generate_worksheet messages=====")
 
+# AI 生成教學素材
+def on_generate_ai_content(password, df_string, topic, grade, level, specific_feature, content_type):
+    verify_password(password)
+    material = EducationalMaterial(df_string, topic, grade, level, specific_feature, content_type)
+    prompt = material.generate_content_prompt()
+    user_content = material.build_user_content()
+    messages = material.build_messages(user_content)
+    ai_model_name = "gpt-4-1106-preview"
     request_payload = {
-        "model": "gpt-4-1106-preview",
+        "model": ai_model_name,
         "messages": messages,
-        "max_tokens": 4000,
+        "max_tokens": 4000  # 举例，实际上您可能需要更详细的配置
     }
+    ai_content = material.send_ai_request(OPEN_AI_CLIENT, request_payload)
+    return ai_content, prompt, prompt
 
-    response = OPEN_AI_CLIENT.chat.completions.create(**request_payload)
-    worksheet = response.choices[0].message.content.strip()
-    print("=====worksheet=====")
-    print(worksheet)
-    print("=====worksheet=====")
-    return worksheet, worksheet_prompt
-
-def get_worksheet_prompt(algorithm="Bloom認知階層理論"):
-    bloom_worksheet_prompt = """
-    你是個專業的教師，熟悉布魯姆(Benjamin Bloom, 1964) 的認知理論。布魯姆認為人類的能力，大致可分為三個領域(domains)，即認知領域(cognitive domain)、情意領域(affective domain)、技能領域 (psychomotor domain)。
-    
-    【認知領域】涉及知能及其運作，著重心智、學習以及問題解決的工作。認知目標從簡單的認識或記憶能力到複雜的評鑑能力。大部分的教育目標都屬於這個領域。認知領域的目標分為六個層次，每個層次代表不同的心智功能。
-    - 📖 知識：在認知目標中知識是最低層次的能力，包括名詞、事實、規則和原理原則等的認識和記憶。用來表示此種能力的行為動詞有：指出、寫出、界定、說明、舉例、命名、認明等。例：能在地圖上指出長江流經的省分。
-    - 🤔 理解：理解是指能把握所學過知識或概念的意義，包含轉譯、解釋、推論等能力。代表此能力的行為動詞有：解釋、說明、區別、舉例、摘要、歸納等。例：能解釋光合作用。
-    - 🛠️ 應用：應用是指將所學到的規則、方法、步驟、原理、原則和概念，應用到新情境的能力。用來表示此能力的行為動詞有：預測、證明、解決、修改、表現、應用等。例：學生能預測抽出容器內之氣體對容器的影響。
-    - 🔍 分析：分析是指將所學到的概念或原則，分析為各個構成的部分，或找出各部分之間的相互關係，包括要素、關係及組織原理等的分析。用以表示此種能力的行為動詞有：選出、分析、判斷：區分、指出某些組成要素、指出某些的相互關係等。例：讀完某篇文章後，學生能區分事實和意見。
-    - 🌐 綜合：綜合是指將所學到的片斷概念或知識、原理原則或事實，統整成新的整體。用來表示此種能力的行為動詞有：設計、組織、綜合、創造、歸納、聯合等。例：讀完一篇有關防治汙染的文章後，學生能綜合防治汙染的各種方法。
-    - 🏅 評鑑：評鑑是認知目標中最高層次的能力，指依據某項標準做價值的判斷的能力。用來表示此能力的行為動詞有：評鑑、判斷、評論、比較、批判等。例：學生能評斷辯論中的謬論。
-
-    學習單包含以下的內容，將以布魯姆教育目標來建構提問的架構；請用 markdown 格式來呈現。
-    - 📝 主題：請使用上傳檔案的檔名作為標題
-    - 🔑 重點： 和影片有關重要知識摘要
-    - 💭 概念：概念性問題 - 布魯姆的知識層級；數學知識的建構
-    - 📊 計算：程序性問題 - 布魯姆的理解層級；和影片相同的例題，類似的練習題 → 計算與步驟操作
-    - 🚀 延伸與應用 - 布魯姆的應用、分析、綜合、評鑑層級 → 延伸思考與應用
-    
-    其中，「重點」的題目請用挖空的填空題；在「計算」的程序性問題請以單選題或填空題的形式來建立，需要 3 個題目；「延伸與應用」請使用問答題的形式來建立，一題即可。
-    題目和題目之間要換行，並加上 point 符號，像是 "-" 或是 "1." 等等
-
-    這是範例格式：
-    🌐 主題：【概念】認識公里
-
-    🎓【對象】 
-    科目： 數學
-    年級： 三年級
-    難度： 基礎
-
-    🏞️【情境描述】
-    狐狸貓和家人出遊，過程中認識測量較長距離的單位「公里」。
-
-    🔑【影片重點】
-    - 公里是用來測量長距離的單位，通常用於測量很遠的距離。
-    - 1公里等於＿＿＿公尺，也稱為千米。
-    - 公里的英文簡寫是 ＿＿＿＿。
-
-    🌟【概念】
-    - 請問公里通常用於測量什麼類型的距離？
-    - 如果一圈操場是200公尺，那跑5圈是多少公尺？多少公里？
-    - 為什麼我們需要使用公里這個單位來測量距離？
-
-    🔢【計算】
-    1. 一圈操場是200公尺，跑10圈是多少公里？(A) 1公里 (B) 2公里 (C) 3公里 (D) 4公里
-    2. 如果你跑了5圈操場，運動手環上會顯示你跑了多少公里？
-    3. 6000公尺等於多少公里？
-
-    💡【延伸與應用】
-    - 假設你參加一場慈善路跑活動，全程是5公里。如果你已經跑了3公里，還剩下多少公里？你覺得這樣的活動對你的體能有什麼影響？
-    """
-
-    Polya_worksheet_prompt = """
-    你是個專業的教師，熟悉 George Polya(1945) 的數學問題解決策略。
-    Polya提出了一個四步驟的數學問題解決策略，在他影響深遠的經典著作 How to solve it《如何解題》中指出解難過程可分為四個階段：
-    (1) 理解問題 (understanding the problem)
-    (2) 設計解題策略 (devising a plan)
-    (3) 按步解題 (carrying out the plan)
-    (4) 回顧解答 (looking back) (edited) 
-
-    請以此設計學習單並依據文本跟難度給予題目
-    請一定要使用 zh-TW
-    
-    這是範例格式：
-    🌐 主題：【概念】認識公里
-
-    🎓【對象】
-    科目： 數學
-    年級： 三年級
-    難度： 基礎
-
-    🏞️【情境描述】
-    狐狸貓和家人出遊，過程中認識測量較長距離的單位「公里」。
-
-    ❓【給出問題】
-    - 如果日月潭環潭自行車道共30公里，狐狸貓騎行了13.7公里後休息，剩餘多少公里尚未騎行？
-    
-    🤔【理解問題】
-    首先，我們必須完全理解問題的所有細節。在此情境中，我們需要釐清以下幾點：
-    - 日月潭環潭自行車道的總長度為30公里。
-    - 狐狸貓已經騎行了13.7公里。
-    - 我們的目標是計算狐狸貓還剩下多少公里未騎行。
-
-    🧭【設計解題策略】
-    接下來，根據我們對問題的理解來設計解決問題的計劃。在此步驟中，我們決定採用哪種策略來解決問題。對於這個問題，最直接的計劃是使用算術減法：
-    - 總公里數（30公里）減去已騎行的公里數（13.7公里）。
-
-    📝【按步解題】
-    按照設計的計劃執行解題步驟。在這裡我們執行減法運算：
-    30−13.7=16.3
-    這意味著狐狸貓還有16.3公里未騎行。
-
-    ✨【回顧解答】
-    最後，解題完成後，我們回顧和反思整個解題過程。在這一步，我們驗證計算的結果是否符合邏輯，是否正確解決了原問題。
-    同時，考慮是否有更有效或簡便的方法來解決類似的問題。在這個例子中，使用直接減法是最簡單直接的方法。
-    但在其他情境下，可能需要考慮使用圖形、表格或代數表達式等其他策略來解決問題。
-    """
-    
-    # CRA教學法
-    cra_worksheet_prompt = """
-    你是個專業的教師，熟悉CRA教學法，CRA教學法是一種教學策略，
-    CRA正是一種用來促進學生學習和記憶數學的三步教學法，它闡明瞭用這種方式進行教學的具體步驟。
-    CRA的三個步驟互相依賴，運用CRA能建立起一種概念結構，從而形成知識的意義關聯。
-    CRA策略的第一個階段， 即實例(C)階段，是一個“做”的階段。在這一階段，教師用加工材料建模，這些材料包括彩色圓片、立方體、十進位積木、六形六色積木，以及分數積木，等等。在使用這些材料時，必須考慮到兒童的視覺、觸覺及動感經驗。
-    階段二，即描述(R)階段，是一個“看”的階段。在這一-階段，具體的模型被改成了圖片展示，教師可用手繪圖片或貼紙來對概念進行解釋。
-    最後一個階段，即抽象(A)階段，是一個抽象的“符號”階段， 在這一階段， 教師使用數字、字母等數學符號(如:2, 6, 3x, +,-等)來進行教學。
-    運用CRA的前提是學生在學習“規則”前必須學會概念。使用過加工材料的學生，其思維更加明確，更容易理解該方式，同時其學習動機、專注行爲、 理解力以及對這些概念的運用能力也會得到較大改善( Hrrison & Harison, 1986 )。
-    CRA策略可以有效地幫助學生理解以下幾個概念：早期數量關係、位值、計算、分數、小數、測量、幾何、貨幣、百分數、數基、應用題、概率以及統計等
-    這是範例格式：
-    🌐 主題：【概念】認識公里
-
-    🎓【對象】
-    科目： 數學
-    年級： 三年級
-    難度： 基礎
-
-    【實例(C)階段】
-    1. 用彩色圓片來解釋什麼是分數？
-    2. 用立方體來解釋什麼是體積？
-    3. 用十進位積木來解釋什麼是小數？
-
-    【描述(R)階段】
-    1. 用手繪圖片來解釋什麼是分數？
-    2. 用貼紙來解釋什麼是體積？
-    3. 用手繪圖片來解釋什麼是小數？
-
-    【抽象(A)階段】
-    1. 用數字來解釋什麼是分數？
-    2. 用字母來解釋什麼是體積？
-    3. 用數字來解釋什麼是小數？
-    
-    """
-
-    case = {
-        "Bloom認知階層理論": bloom_worksheet_prompt,
-        "Polya數學解題法": Polya_worksheet_prompt,
-        "CRA教學法": cra_worksheet_prompt
-    }
-
-    return case[algorithm]
-    
-def generate_exam_fine_tune_result(password, worksheet_prompt, df_string_output, exam_result, exam_result_fine_tune_prompt):
+def generate_exam_fine_tune_result(password, exam_result_prompt , df_string_output, exam_result, exam_result_fine_tune_prompt):
     verify_password(password)
-
-    # df_string delete embed_url, screenshot_path
-    df_string_json = json.loads(df_string_output)
-    for entry in df_string_json:
-        entry.pop('embed_url', None)
-        entry.pop('screenshot_path', None)
-    df_string_text = json.dumps(df_string_json, ensure_ascii=False, indent=2)
-
-    # 使用 OpenAI 生成基于上传数据的问题
-    sys_content = "你是一個擅長資料分析跟影片教學備課的老師，請精讀資料文本，自行判斷資料的種類，使用 zh-TW"
-    user_content = f"""
-        這是逐字稿：{df_string_text}
-        ---
-        這是預設的 prompt 
-        {worksheet_prompt}
-        ---
-        產生了以下的結果：
-        {exam_result}
-        ---
-        但我不是很滿意，請根據以下的調整，產生新的結果
-        {exam_result_fine_tune_prompt}
-    """
-    messages = [
-        {"role": "system", "content": sys_content},
-        {"role": "user", "content": user_content}
-    ]
-
-    print("=====generate_exam_fine_tune_result messages=====")
-    print(messages)
-    print("=====generate_exam_fine_tune_result messages=====")
-
+    material = EducationalMaterial(df_string_output, "", "", "", "", "")
+    user_content = material.build_fine_tune_user_content(exam_result_prompt, exam_result, exam_result_fine_tune_prompt)
+    messages = material.build_messages(user_content)
+    ai_model_name = "gpt-4-1106-preview"
     request_payload = {
-        "model": "gpt-4-1106-preview",
+        "model": ai_model_name,
         "messages": messages,
-        "max_tokens": 4000,
+        "max_tokens": 4000  # 举例，实际上您可能需要更详细的配置
     }
-
-    response = OPEN_AI_CLIENT.chat.completions.create(**request_payload)
-    exam_fine_tune_result = response.choices[0].message.content.strip()
-    print("=====exam_fine_tune_result=====")
-    print(exam_fine_tune_result)
-    print("=====exam_fine_tune_result=====")
-    return exam_fine_tune_result
-
+    ai_content = material.send_ai_request(OPEN_AI_CLIENT, request_payload)
+    return ai_content
 
 # ---- Chatbot ----
 def respond(password, user_message, data, chat_history, socratic_mode=False):
@@ -1689,6 +1533,41 @@ def next_slide():
     return update_slide(1)
 
 
+IS_PASSWORD_SHOW = True
+IS_YOUTUBE_LINK_SHOW = True
+IS_YOUTUBE_LINK_BTN_SHOW = True
+
+def init_params(text, request: gr.Request):
+    if request:
+        print("Request headers dictionary:", request.headers)
+        print("IP address:", request.client.host)
+        print("Query parameters:", dict(request.query_params))
+        # url = request.url
+        print("Request URL:", request.url)
+
+        # if youtube_link in query_params
+        if "youtube_id" in request.query_params:
+            youtube_id = request.query_params["youtube_id"]
+            youtube_link = f"https://www.youtube.com/watch?v={youtube_id}"
+            print(f"youtube_link: {youtube_link}")
+        else:
+            youtube_link = ""
+            print("youtube_link not in query_params")
+
+        origin = request.headers.get("origin", "")
+        if "junyiacademy" in origin:
+            password_text = "6161"
+            global IS_PASSWORD_SHOW            
+            global IS_YOUTUBE_LINK_SHOW
+            global IS_YOUTUBE_LINK_BTN_SHOW
+            IS_PASSWORD_SHOW = False
+            IS_YOUTUBE_LINK_SHOW = False
+            IS_YOUTUBE_LINK_BTN_SHOW = False
+
+        else:
+            password_text = ""
+
+    return password_text, youtube_link
 
 HEAD = """
     <meta charset="UTF-8">
@@ -1720,11 +1599,11 @@ HEAD = """
 
 with gr.Blocks() as demo:
     with gr.Row():
-        password = gr.Textbox(label="Password", type="password", elem_id="password_input")
+        password = gr.Textbox(label="Password", type="password", elem_id="password_input", visible=IS_PASSWORD_SHOW)
         file_upload = gr.File(label="Upload your CSV or Word file", visible=False)
-        youtube_link = gr.Textbox(label="Enter YouTube Link", elem_id="youtube_link_input")
+        youtube_link = gr.Textbox(label="Enter YouTube Link", elem_id="youtube_link_input", visible=IS_YOUTUBE_LINK_SHOW)
         video_id = gr.Textbox(label="video_id", visible=False)
-        youtube_link_btn = gr.Button("Submit_YouTube_Link")
+        youtube_link_btn = gr.Button("Submit_YouTube_Link", elem_id="youtube_link_btn", visible=IS_YOUTUBE_LINK_BTN_SHOW)
         web_link = gr.Textbox(label="Enter Web Page Link", visible=False)
     with gr.Tab("學生版"):
         with gr.Row():
@@ -1781,20 +1660,27 @@ with gr.Blocks() as demo:
 
     with gr.Tab("教師版"):
         with gr.Row():
-            gr.Markdown("## 教育評量饗宴") 
+            content_topic = gr.Dropdown(label="選擇主題", choices=["數學", "自然", "國文", "英文", "社會"], value="數學")                 
+            content_grade = gr.Dropdown(label="選擇年級", choices=["一年級", "二年級", "三年級", "四年級", "五年級", "六年級", "七年級", "八年級", "九年級", "十年級", "十一年級", "十二年級"], value="三年級")
+            content_level = gr.Dropdown(label="差異化教學", choices=["基礎", "中級", "進階"], value="基礎")
         with gr.Row():
             with gr.Column(scale=1):
                 # with gr.Tab("認知階層評量題目"):
                 #     cognitive_level_content = gr.Textbox(label="輸入學習目標與內容")
                 #     cognitive_level_content_btn = gr.Button("生成評量題目")
                 with gr.Tab("學習單"):
-                    worksheet_topic = gr.Dropdown(label="選擇學習單主題", choices=["數學", "自然", "國文", "英文", "社會"], value="數學")                 
-                    worksheet_grade = gr.Dropdown(label="選擇學習單年級", choices=["一年級", "二年級", "三年級", "四年級", "五年級", "六年級", "七年級", "八年級", "九年級", "十年級", "十一年級", "十二年級"], value="三年級")
-                    worksheet_level = gr.Dropdown(label="選擇學習單難度", choices=["基礎", "中級", "進階"], value="基礎")
-                    worksheet_algorithm = gr.Dropdown(label="選擇學習單理論", choices=["Bloom認知階層理論", "Polya數學解題法", "CRA教學法"], value="Bloom認知階層理論")
-                    worksheet_content_btn = gr.Button("生成學習單")
+                    worksheet_content_type_name = gr.Textbox(value="worksheet", visible=False)
+                    worksheet_algorithm = gr.Dropdown(label="選擇教學策略或理論", choices=["Bloom認知階層理論", "Polya數學解題法", "CRA教學法"], value="Bloom認知階層理論")
+                    worksheet_content_btn = gr.Button("生成學習單 📄")
                     with gr.Accordion("prompt", open=False):
                         worksheet_prompt = gr.Textbox(label="worksheet_prompt", show_copy_button=True, lines=40)
+                with gr.Tab("課程計畫"):
+                    lesson_plan_content_type_name = gr.Textbox(value="lesson_plan", visible=False)
+                    lesson_plan_time = gr.Slider(label="選擇課程時間(分鐘)", minimum=10, maximum=120, step=5, value=40)
+                    lesson_plan_btn = gr.Button("生成課程計畫")
+                    with gr.Accordion("prompt", open=False):
+                        lesson_plan_prompt = gr.Textbox(label="worksheet_prompt", show_copy_button=True, lines=40)
+
                 with gr.Tab("素養導向閱讀題組"):
                     literacy_oriented_reading_content = gr.Textbox(label="輸入閱讀材料")
                     literacy_oriented_reading_content_btn = gr.Button("生成閱讀理解題")
@@ -1807,8 +1693,9 @@ with gr.Blocks() as demo:
                 # with gr.Tab("後設認知"):
                 #     metacognition_content = gr.Textbox(label="輸入後設認知相關問題")
                 #     metacognition_content_btn = gr.Button("生成後設認知問題")
-            with gr.Column(scale=1):
+            with gr.Column(scale=2):
                 # 生成對應不同模式的結果
+                exam_result_prompt = gr.Textbox(visible=False)
                 exam_result = gr.Textbox(label="初次生成結果", show_copy_button=True)
                 exam_result_fine_tune_prompt = gr.Textbox(label="根據結果，輸入你想更改的想法")
                 exam_result_fine_tune_btn = gr.Button("微調結果")
@@ -1919,14 +1806,27 @@ with gr.Blocks() as demo:
 
     # 教師版 學習單
     worksheet_content_btn.click(
-        generate_worksheet,
-        inputs=[password, df_string_output, worksheet_topic, worksheet_grade, worksheet_level, worksheet_algorithm],
-        outputs=[exam_result, worksheet_prompt]
+        on_generate_ai_content,
+        inputs=[password, df_string_output, content_topic, content_grade, content_level, worksheet_algorithm, worksheet_content_type_name],
+        outputs=[exam_result, worksheet_prompt, exam_result_prompt]
+    )
+    lesson_plan_btn.click(
+        on_generate_ai_content,
+        inputs=[password, df_string_output, content_topic, content_grade, content_level, lesson_plan_time, lesson_plan_content_type_name],
+        outputs=[exam_result, lesson_plan_prompt, exam_result_prompt]
     )
+
+    # 生成結果微調
     exam_result_fine_tune_btn.click(
         generate_exam_fine_tune_result,
-        inputs=[password, worksheet_prompt, df_string_output, exam_result, exam_result_fine_tune_prompt],
+        inputs=[password, exam_result_prompt, df_string_output, exam_result, exam_result_fine_tune_prompt],
         outputs=[exam_result_fine_result]
     )
 
+    demo.load(
+        init_params, 
+        inputs =[youtube_link],
+        outputs = [password , youtube_link]
+    )
+
 demo.launch(allowed_paths=["videos"])