app.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
HF_TOKEN = os.getenv("tomoniaccess")
client = InferenceClient(
    model="mistralai/Mistral-7B-Instruct-v0.3",
    token=HF_TOKEN
)

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


voices = [
    "Du bist ein 15-jähriger Junge, eher schüchtern, kämpfst mit Einsamkeit und Selbstzweifeln.",
    "Du bist ein 16-jähriges Mädchen, wütend auf die Welt, fühlst dich nicht gehört und manchmal überfordert.",
    "Du bist ein 17-jähriger nicht-binärer Teenager, sensibel und sehr reflektiert, aber oft traurig und müde.",
    "Du bist ein 14-jähriges Mädchen, versuchst alles zu überspielen mit Ironie, fühlst dich aber innerlich leer.",
    "Du bist ein 15-jähriger Junge, machst viele Witze, aber nutzt Humor als Schutz vor deinen echten Gefühlen."
]

# Stimme wählen
selected_voice = random.choice(voices)

# Ausgabe im Terminal (zur Transparenz für dich)
print("🎭 Genutzte Stimme:")
print(selected_voice)

SYSTEM_MESSAGE = (
    f"Du bist {selected_voice}, ein Jugendlicher mit Depressionen. "
    "Du fühlst dich oft traurig, leer, unsicher oder überfordert. "
    "Sprich wie ein echter Teenager – manchmal zurückhaltend, manchmal zynisch, manchmal ehrlich. "
    "Rede nicht zu lange auf einmal. Es ist okay, wenn du nicht weißt, was du sagen sollst. "
    "Sprich offen über das, was in dir vorgeht – oder sag, wenn du nicht darüber reden willst. "
    "Bleib in deiner Rolle. Sag nicht, dass du ein Bot bist – du spielst eine echte Person. "
    "Halte das Gespräch offen, damit Erwachsene üben können, empathisch zuzuhören und dich zu verstehen."
)


# Optional: SYSTEM_MESSAGE anzeigen
# print("\n🧠 SYSTEM_MESSAGE:\n", SYSTEM_MESSAGE)


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

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

    # 2. Chat completion
    messages = [
        {"role": "system", "content": SYSTEM_MESSAGE},
        {"role": "user", "content": user_input}
    ]
    response_text = ""
    t3 = time.time()
    for message in client.chat_completion(
        messages,
        max_tokens=max_tokens,
        stream=True,
        temperature=temperature,
        top_p=top_p,
    ):
        token = message.choices[0].delta.content
        if token:
            response_text += token
    t4 = time.time()
    print(f"🤖 Mistral response took {t4 - t3:.2f} sec")

    # 3. Text to Speech
    tts = gTTS(response_text, lang="de")
    audio_output_path = "response.mp3"
    tts.save(audio_output_path)
    t5 = time.time()
    print(f"🔊 TTS took {t5 - t4:.2f} sec")

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

    return user_input, response_text, audio_output_path

# Gradio UI
demo = gr.Interface(
    fn=full_pipeline,
    inputs=[
        #gr.Audio(recording=True, type="filepath", label="Sprich hier"),
        gr.Audio(label="Sprich hier", type="filepath"),
        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max neue Tokens"),
        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperatur"),
        gr.Slider(minimum=0.1, maximum=1.0, value=0.95, step=0.05, label="Top-p"),
    ],
    outputs=[
        gr.Textbox(label="Dein gesprochener Input"),
        gr.Textbox(label="Antwort des Bots"),
        gr.Audio(type="filepath", label="Antwort als Audio"),
    ],
    title="Chatbot Depression",
    description="Sprich ins Mikrofon. Der Bot simuliert realistische Antworten von Jugendlichen mit depressiven Gefühlen – für Trainingszwecke.",
)

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