import gradio as gr
import gemini_gradio
import google.generativeai as genai
import os
from dotenv import load_dotenv  # Asegúrate de instalar dotenv si no lo tienes: pip install python-dotenv

# Cargar las variables de entorno desde el archivo .env
load_dotenv()

# Verifica la versión de genai
print("google-generativeai:", genai.__version__)

# Obtener la clave de la API de las variables de entorno
GOOGLE_API_KEY = os.getenv("GOOGLE_API_KEY")

# Verificar que la clave de la API esté configurada
if not GOOGLE_API_KEY:
    raise ValueError("GOOGLE_API_KEY is not set in environment variables.")

# Configuración del modelo Gemini
generation_config = {
    "temperature": 1,
    "top_p": 0.95,
    "top_k": 40,
    "max_output_tokens": 8192,
    "response_mime_type": "text/plain",
}

# Configuración del modelo en gemini_gradio
def configure_model():
    genai.configure(api_key=GOOGLE_API_KEY)  # Configura la API Key
    model = genai.GenerativeModel(
        model_name="gemini-1.5-flash", 
        generation_config=generation_config
    )
    return model

# Función que genera la respuesta usando el modelo configurado
def generate_response(input_text):
    model = configure_model()  # Cargar el modelo con los parámetros configurados
    response = model.generate(input_text)  # Generar la respuesta
    return response.text  # Ajusta según la estructura de la respuesta del modelo

# Integración con la interfaz Gradio
with gr.Blocks() as demo:
    gr.Markdown("**Gemini Model with Custom Parameters**")

    input_text = gr.Textbox(label="Enter Text", placeholder="Type here...")
    output_text = gr.Textbox(label="Generated Response")
    
    input_text.submit(generate_response, inputs=input_text, outputs=output_text)

demo.launch()