app.py

import gradio as gr
from transformers import pipeline

APP_NAME = "MoodMapper"
MODEL_ID = "j-hartmann/emotion-english-distilroberta-base"

_clf = None
def get_clf():
    global _clf
    if _clf is None:
        _clf = pipeline(
            "text-classification",
            model=MODEL_ID,
            return_all_scores=True,
            truncation=True
        )
    return _clf

EXAMPLES = [
    ["I just got the internship — I'm so happy!"],
    ["Je suis déçue et un peu en colère par ce mail."],
    ["This is fine, nothing special today."],
    ["I'm worried about the deadline..."],
    ["Quelle surprise ! Je ne m’y attendais pas."]
]

def predict_emotion(text):
    try:
        if not text or not text.strip():
            return {"": 0.0}, "Veuillez entrer un texte."
        scores = get_clf()(text)[0]
        score_dict = {s["label"]: float(s["score"]) for s in scores}
        top = max(scores, key=lambda d: d["score"])
        notes = (
            f"**Émotion prédite :** {top['label']} ({top['score']*100:.1f}%)\n\n"
            "- Fonctionne mieux sur des phrases courtes et explicites.\n"
            "- Modèle surtout entraîné en anglais ; le français simple passe quand même.\n"
            "- L'ironie et le sarcasme peuvent tromper le modèle."
        )
        return score_dict, notes
    except Exception as e:
        return {"error": 1.0}, f"Erreur interne : {e}"

with gr.Blocks(title=APP_NAME) as demo:
    gr.Markdown(f"# {APP_NAME} — Détecteur d'émotions (texte)")
    txt = gr.Textbox(
        label="Votre texte",
        placeholder="Ex: Je suis déçue et un peu en colère par ce mail.",
        lines=3
    )
    btn = gr.Button("Analyser")
    out_scores = gr.Label(label="Scores (confiances)")
    out_notes = gr.Markdown()
    gr.Examples(inputs=txt, examples=EXAMPLES, label="Exemples à tester")
    btn.click(predict_emotion, txt, [out_scores, out_notes])
    txt.submit(predict_emotion, txt, [out_scores, out_notes])

# Ne pas lancer manuellement sur Hugging Face
app = demo