app.py

import openai

import whisper

import tempfile

import gradio as gr

from pydub import AudioSegment

import fitz  # PyMuPDF para manejar PDFs

import docx  # Para manejar archivos .docx

import pandas as pd  # Para manejar archivos .xlsx y .csv



# Configura tu clave API de OpenAI

openai.api_key = "sk-proj-oa7IsWQdSibP9urkzepFT3BlbkFJ9L9tXiDZpjgPikmAhtQP"



# Cargar el modelo Whisper de mayor calidad

model = whisper.load_model("large")



def preprocess_audio(audio_file):

    """Preprocesa el archivo de audio para mejorar la calidad."""

    try:

        audio = AudioSegment.from_file(audio_file)

        # Normaliza el audio al -20 dBFS

        audio = audio.apply_gain(-audio.dBFS + (-20))

        # Exporta el audio procesado a un archivo temporal

        with tempfile.NamedTemporaryFile(delete=False, suffix=".mp3") as temp_file:

            audio.export(temp_file.name, format="mp3")

            return temp_file.name

    except Exception as e:

        return f"Error al preprocesar el archivo de audio: {str(e)}"



def transcribir_audio(audio_file):

    """Transcribe un archivo de audio."""

    try:

        if isinstance(audio_file, str):

            archivo_path = preprocess_audio(audio_file)

        else:

            with tempfile.NamedTemporaryFile(delete=False, suffix=".mp3") as temp_file:

                temp_file.write(audio_file.read())

                temp_file.flush()

                archivo_path = preprocess_audio(temp_file.name)

        resultado = model.transcribe(archivo_path)

        return resultado.get("text", "Error en la transcripción")

    except Exception as e:

        return f"Error al procesar el archivo de audio: {str(e)}"



def leer_documento(documento_path):

    """Lee el contenido de un documento PDF, DOCX, XLSX o CSV."""

    try:

        # Identificar el tipo de archivo

        if documento_path.endswith(".pdf"):

            doc = fitz.open(documento_path)

            texto_completo = ""

            for pagina in doc:

                texto_completo += pagina.get_text()

            return texto_completo

        elif documento_path.endswith(".docx"):

            doc = docx.Document(documento_path)

            texto_completo = "\n".join([parrafo.text for parrafo in doc.paragraphs])

            return texto_completo

        elif documento_path.endswith(".xlsx"):

            df = pd.read_excel(documento_path)

            texto_completo = df.to_string()

            return texto_completo

        elif documento_path.endswith(".csv"):

            df = pd.read_csv(documento_path)

            texto_completo = df.to_string()

            return texto_completo

        else:

            return "Tipo de archivo no soportado. Por favor suba un documento PDF, DOCX, XLSX o CSV."

    except Exception as e:

        return f"Error al leer el documento: {str(e)}"



def generar_noticia(instrucciones, hechos, tamaño, tono, *args):

    """Genera una noticia a partir de instrucciones, hechos y transcripciones."""

    base_de_conocimiento = {

        "instrucciones": instrucciones,

        "hechos": hechos,

        "contenido_documentos": [],

        "audio_data": []

    }



    # Recolecta los documentos y el audio desde los argumentos

    num_audios = 5 * 3  # 5 audios * 3 campos (audio, nombre, cargo)

    audios = args[:num_audios]

    documentos = args[num_audios:]



    # Leer el contenido de los documentos si se han subido

    for documento in documentos:

        if documento is not None:

            contenido_doc = leer_documento(documento.name)

            print(f"Contenido del documento {documento.name}: {contenido_doc}")

            base_de_conocimiento["contenido_documentos"].append(contenido_doc)



    # Recolecta datos de cada archivo de audio

    for i in range(0, len(audios), 3):

        audio_file, nombre, cargo = audios[i:i+3]

        if audio_file is not None:

            base_de_conocimiento["audio_data"].append({"audio": audio_file, "nombre": nombre, "cargo": cargo})



    transcripciones_texto = ""

    transcripciones_brutas = ""

    total_citas_directas = 0



    # Transcribe y compila las transcripciones

    for idx, data in enumerate(base_de_conocimiento["audio_data"]):

        if data["audio"] is not None:

            transcripcion = transcribir_audio(data["audio"])

            transcripcion_texto = f'"{transcripcion}" - {data["nombre"]}, {data["cargo"]}'

            transcripcion_bruta = f'[Audio {idx + 1}]: "{transcripcion}" - {data["nombre"]}, {data["cargo"]}'



            # Decidir si usar cita directa o indirecta

            if total_citas_directas < len(base_de_conocimiento["audio_data"]) * 0.8:

                transcripciones_texto += transcripcion_texto + "\n"

                total_citas_directas += 1

            else:

                transcripciones_texto += f'{data["nombre"]} mencionó que {transcripcion}' + "\n"



            transcripciones_brutas += transcripcion_bruta + "\n\n"



            print(f"Transcripción bruta [Audio {idx + 1}]: {transcripcion_bruta}")

            print(f"Transcripciones brutas acumuladas: {transcripciones_brutas}")



    contenido_documentos = "\n\n".join(base_de_conocimiento["contenido_documentos"])



    # Prompt adicional para instrucciones internas

    prompt_interno = """

    Instrucciones para el modelo:

    - Asegúrate de que al menos el 80% de las citas sean directas y estén entrecomilladas.

    - El 20% restante puede ser citas indirectas.

    - No inventes información nueva.

    - Sé riguroso con los hechos proporcionados.

    - Al procesar los documentos cargados, extrae y resalta citas importantes y testimonios textuales de las fuentes.

    - Al procesar los documentos cargados, extrae y resalta cifras clave.

    """



    # Compila el prompt para OpenAI

    prompt = f"""

    {prompt_interno}

    Escribe una noticia con la siguiente información, incluyendo un título, un sumario de 20 palabras, y el cuerpo del contenido cuyo tamaño es {tamaño} palabras. El tono debe ser {tono}.

    Instrucciones: {base_de_conocimiento["instrucciones"]}

    Hechos: {base_de_conocimiento["hechos"]}

    Contenido adicional de los documentos: {contenido_documentos}

    Utiliza las siguientes transcripciones como citas directas e indirectas (sin cambiar ni inventar contenido):

    {transcripciones_texto}

    """



    try:

        respuesta = openai.ChatCompletion.create(

            model="gpt-3.5-turbo",

            messages=[{"role": "user", "content": prompt}],

            temperature=0.1  # Bajamos la temperatura para mayor rigurosidad

        )

        noticia = respuesta['choices'][0]['message']['content']

        return noticia, transcripciones_brutas

    except Exception as e:

        return f"Error al generar la noticia: {str(e)}", ""



with gr.Blocks() as demo:

    gr.Markdown("## Chatbot de noticias")

    with gr.Row():

        with gr.Column(scale=2):

            instrucciones = gr.Textbox(label="Instrucciones para la noticia", lines=2)

            hechos = gr.Textbox(label="Describe los hechos de la noticia", lines=4)

            tamaño = gr.Number(label="Tamaño del cuerpo de la noticia (en palabras)", value=100)

            tono = gr.Dropdown(label="Tono de la noticia", choices=["serio", "neutral", "divertido"], value="neutral")

        with gr.Column(scale=3):

            inputs_list = [instrucciones, hechos, tamaño, tono]

            with gr.Tabs():

                for i in range(1, 6):

                    with gr.TabItem(f"Audio {i}"):

                        audio = gr.Audio(type="filepath", label=f"Audio {i}")

                        nombre = gr.Textbox(label="Nombre", scale=1)

                        cargo = gr.Textbox(label="Cargo", scale=1)

                        inputs_list.extend([audio, nombre, cargo])

                for i in range(1, 6):

                    with gr.TabItem(f"Documento {i}"):

                        documento = gr.File(label=f"Documento {i}", type="filepath", file_count="single")

                        inputs_list.append(documento)



    with gr.Row():

        generar = gr.Button("Generar noticia")

    with gr.Row():

        noticia_output = gr.Textbox(label="Noticia generada", lines=20)

    with gr.Row():

        transcripciones_output = gr.Textbox(label="Transcripciones brutas de los audios", lines=10)



    generar.click(fn=generar_noticia, inputs=inputs_list, outputs=[noticia_output, transcripciones_output])



demo.launch(share=True)