Update ui.py

ui.py

@@ -2,7 +2,7 @@ import gradio as gr
 import matplotlib.pyplot as plt
 from sentiment import analyze_sentiment
 
-# 📌 定義可選擇的模型
+# 📌 可選擇的模型
 MODEL_OPTIONS = {
     "🌎 多語言推特情緒分析 (XLM-RoBERTa)": "cardiffnlp/twitter-xlm-roberta-base-sentiment",
     "📖 多語言情緒分析 (BERT)": "nlptown/bert-base-multilingual-uncased-sentiment",
@@ -24,20 +24,11 @@ intro_text = """
 本應用使用 Hugging Face 的 `XLM-RoBERTa`、`BERT`、`DistilBERT` 模型來進行**多語言情緒分析**。  
 輸入任何語言的文本，AI 會自動判斷其**情緒分類（正向 / 中立 / 負向）**，並提供**信心度（%）**。
 
-## 🔹 **功能特色**
-✅ **支援多語言**（繁體中文、英文、法文、日文等）  
-✅ **即時分析**，不需下載模型  
-✅ **提供信心度**，結果更透明  
-
-## 📌 **如何使用**
+## 📌 **使用方式**
 1️⃣ **輸入一句話或一段文本**（可輸入中文、英文、日文等）  
-2️⃣ **選擇 AI 模型**  
+2️⃣ **選擇 AI 模型（預設為 `XLM-RoBERTa`）**  
 3️⃣ **點擊「分析情緒」**  
 4️⃣ **查看結果，包括情緒分類 & 信心度**  
-
-## ⚠️ **使用須知**
-- 目前模型適合**一般文本**，但對**諷刺、幽默**等語句可能不準確。  
-- 若遇到分析錯誤，請**重新輸入文本或稍後再試**。  
 """
 
 developer_info = """
@@ -58,20 +49,23 @@ def create_ui():
         model_selector = gr.Dropdown(choices=list(MODEL_OPTIONS.keys()), value="🌎 多語言推特情緒分析 (XLM-RoBERTa)", label="選擇 AI 模型")
 
         analyze_button = gr.Button("分析情緒")
-        progress_bar = gr.Textbox(visible=False, label="模型載入進度")  # 進度條（文字顯示）
+        progress_bar = gr.Textbox(visible=False, label="模型載入進度")
 
         result_output = gr.Markdown(label="分析結果")
         plot_output = gr.Plot(label="信心度")
 
         # 📌 綁定按鈕功能
         def process_analysis(text, model_name):
-            progress_bar.update("🔄 AI 模型載入中，請稍後...", visible=True)
             model_id = MODEL_OPTIONS[model_name]
+
+            # **只有當選擇的模型與目前使用的模型不一致時，才顯示進度條**
+            if model_id != analyze_sentiment.CURRENT_MODEL:
+                progress_bar.update("🔄 AI 模型載入中，請稍後...", visible=True)
             
             result, confidence_score = analyze_sentiment(text, model_id)
-            
+
             plot = plot_confidence(confidence_score)
-            progress_bar.update("", visible=False)
+            progress_bar.update("", visible=False)  # 隱藏進度條
             return result, plot
 
         analyze_button.click(process_analysis, inputs=[text_input, model_selector], outputs=[result_output, plot_output, progress_bar])