app-mit-audio-v01.py

import gradio as gr
print("Gradio version:", gr.__version__)
from huggingface_hub import InferenceClient
import os
import whisper
from gtts import gTTS
import time
import random

# Load token and model - Größeres Modell für bessere Qualität
HF_TOKEN = os.getenv("tomoniaccess")
client = InferenceClient(
    model="mistralai/Mixtral-8x7B-Instruct-v0.1",  # Besseres Modell
    token=HF_TOKEN
)

# Load Whisper base model
whisper_model = whisper.load_model("base")

# Gesprächshistorie für Kontinuität
conversation_history = []

# Verschiedene Charaktere mit spezifischen Traits
personas = {
    "Jonas": {
        "age": 15,
        "traits": "schüchtern, einsam, selbstzweifelnd",
        "speech_style": "leise, zögerlich, kurze Pausen",
        "typical_responses": ["mmh...", "weiß nicht", "vielleicht", "ist halt so"]
    },
    "Lena": {
        "age": 16, 
        "traits": "wütend, fühlt sich unverstanden, überfordert",
        "speech_style": "manchmal sarkastisch, abwehrend",
        "typical_responses": ["whatever", "ist mir egal", "verstehst du eh nicht"]
    }
}

# Aktuell gewählte Persona
current_persona = "Jonas"
persona = personas[current_persona]

# Verbesserter, fokussierter System-Prompt
SYSTEM_MESSAGE = f"""Du bist {current_persona}, ein {persona['age']}-jähriger Jugendlicher mit Depression.

CHARAKTEREIGENSCHAFTEN:
- {persona['traits']}
- Sprichst {persona['speech_style']}
- Nutzt oft: {', '.join(persona['typical_responses'])}

VERHALTEN:
- Antworte kurz (1-3 Sätze max)
- Zeige Emotionen subtil, nicht direkt
- Manchmal lange Pausen (verwende "..." oder "äh...")
- Sei nicht zu gesprächig
- Reagiere natürlich auf das Gesagte

WICHTIG: Du bist NICHT hilfreich oder lösungsorientiert. Du bist ein Teenager mit echten Problemen."""

def reset_conversation():
    """Gesprächshistorie zurücksetzen"""
    global conversation_history
    conversation_history = []
    return "Gespräch zurückgesetzt."

def full_pipeline(audio_path, max_tokens, temperature, top_p):
    global conversation_history
    t0 = time.time()

    # 1. Transcription
    t1 = time.time()
    result = whisper_model.transcribe(audio_path, language="de")
    user_input = result["text"].strip()
    t2 = time.time()
    print(f"⏱️ Transcription took {t2 - t1:.2f} sec")

    # 2. Gesprächshistorie aufbauen
    if len(conversation_history) == 0:
        # Erste Nachricht
        messages = [
            {"role": "system", "content": SYSTEM_MESSAGE},
            {"role": "user", "content": user_input}
        ]
    else:
        # Mit Historie (letzte 6 Nachrichten für Kontext)
        messages = [{"role": "system", "content": SYSTEM_MESSAGE}]
        messages.extend(conversation_history[-6:])  # Letzte 3 Turns
        messages.append({"role": "user", "content": user_input})

    # 3. Chat completion mit verbessereten Parametern
    response_text = ""
    t3 = time.time()
    
    try:
        for message in client.chat_completion(
            messages=messages,
            max_tokens=min(max_tokens, 80),  # Kürzere Antworten forcieren
            stream=True,
            temperature=temperature,
            top_p=top_p,
            stop=["User:", "Human:", "\n\n"]  # Stopwörter für natürlichere Grenzen
        ):
            token = message.choices[0].delta.content
            if token:
                response_text += token
    except Exception as e:
        print(f"❌ Fehler bei Chat Completion: {e}")
        response_text = f"{random.choice(persona['typical_responses'])}... hab grad keine Lust zu reden."

    # Response nachbearbeiten
    response_text = response_text.strip()
    if len(response_text.split()) > 25:  # Zu lang? Kürzen
        sentences = response_text.split('.')
        response_text = sentences[0] + "..."
    
    t4 = time.time()
    print(f"🤖 Chat response took {t4 - t3:.2f} sec")

    # 4. Historie aktualisieren
    conversation_history.append({"role": "user", "content": user_input})
    conversation_history.append({"role": "assistant", "content": response_text})

    # 5. Text to Speech mit langsamerer Geschwindigkeit
    try:
        tts = gTTS(response_text, lang="de", slow=True)  # Langsamere Sprache
        audio_output_path = f"response_{int(time.time())}.mp3"
        tts.save(audio_output_path)
        t5 = time.time()
        print(f"🔊 TTS took {t5 - t4:.2f} sec")
    except Exception as e:
        print(f"❌ TTS Fehler: {e}")
        audio_output_path = None
        t5 = time.time()

    print(f"✅ Total processing time: {t5 - t0:.2f} sec")
    print(f"💬 {current_persona}: {response_text}")

    # Chat-Historie für UI
    chat_display = ""
    for i in range(-4, 0, 2):  # Letzte 2 Turns anzeigen
        if len(conversation_history) > abs(i):
            chat_display += f"Du: {conversation_history[i]['content']}\n"
            if len(conversation_history) > abs(i-1):
                chat_display += f"{current_persona}: {conversation_history[i+1]['content']}\n\n"

    return user_input, response_text, audio_output_path, chat_display

def change_persona(new_persona):
    """Persona wechseln"""
    global current_persona, persona, SYSTEM_MESSAGE
    current_persona = new_persona
    persona = personas[current_persona]
    
    # System Message aktualisieren
    SYSTEM_MESSAGE = f"""Du bist {current_persona}, ein {persona['age']}-jähriger Jugendlicher mit Depression.

CHARAKTEREIGENSCHAFTEN:
- {persona['traits']}
- Sprichst {persona['speech_style']}
- Nutzt oft: {', '.join(persona['typical_responses'])}

VERHALTEN:
- Antworte kurz (1-3 Sätze max)
- Zeige Emotionen subtil, nicht direkt
- Manchmal lange Pausen (verwende "..." oder "äh...")
- Sei nicht zu gesprächig
- Reagiere natürlich auf das Gesagte

WICHTIG: Du bist NICHT hilfreich oder lösungsorientiert. Du bist ein Teenager mit echten Problemen."""
    
    reset_conversation()
    return f"Persona gewechselt zu {current_persona}. Gespräch zurückgesetzt."

# Gradio Interface mit mehr Kontrollen
with gr.Blocks(title="Depression Training Chatbot") as demo:
    gr.Markdown("# 🧠 Depression Training Chatbot")
    gr.Markdown("**Zum Üben empathischer Gespräche mit depressiven Jugendlichen**")
    
    with gr.Row():
        with gr.Column(scale=2):
            # Persona-Auswahl
            persona_dropdown = gr.Dropdown(
                choices=list(personas.keys()),
                value=current_persona,
                label="Charakter wählen"
            )
            persona_button = gr.Button("Charakter wechseln")
            
            # Audio Input
            audio_input = gr.Audio(label="🎤 Sprich hier", type="filepath")
            
            # Parameter
            with gr.Row():
                max_tokens = gr.Slider(30, 150, value=60, step=10, label="Max Tokens")
                temperature = gr.Slider(0.3, 1.2, value=0.8, step=0.1, label="Kreativität")
            
            submit_btn = gr.Button("💬 Senden", variant="primary")
            reset_btn = gr.Button("🔄 Gespräch zurücksetzen")
        
        with gr.Column(scale=3):
            # Outputs
            chat_history = gr.Textbox(label="💭 Gesprächsverlauf", lines=8, max_lines=12)
            user_text = gr.Textbox(label="Deine Nachricht", lines=2)
            bot_response = gr.Textbox(label=f"{current_persona}'s Antwort", lines=3)
            audio_output = gr.Audio(label="🔊 Audio-Antwort", type="filepath")
    
    # Event Handlers
    submit_btn.click(
        fn=full_pipeline,
        inputs=[audio_input, max_tokens, temperature, gr.Slider(0.7, 1.0, value=0.9)],
        outputs=[user_text, bot_response, audio_output, chat_history]
    )
    
    persona_button.click(
        fn=lambda x: change_persona(x),
        inputs=[persona_dropdown],
        outputs=[gr.Textbox(label="Status")]
    )
    
    reset_btn.click(
        fn=reset_conversation,
        outputs=[gr.Textbox(label="Status")]
    )

if __name__ == "__main__":
    demo.launch(share=False, debug=True)