Spaces:
Sleeping
Sleeping
| 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) |