# app.py

import gradio as gr
from transformers import pipeline

# --- 1. Carga del Modelo de Lenguaje ---
# Utilizamos un pipeline de Hugging Face para simplificar la interacción con el modelo.
# Intentamos cargar el modelo en GPU (device=0) si está disponible para un rendimiento más rápido,
# de lo contrario, se carga en CPU.
try:
    generator = pipeline("text-generation", model="google/gemma-2b-it", device=0)
except Exception:
    generator = pipeline("text-generation", model="google/gemma-2b-it")

# --- 2. Función para Generar Contenido Educativo ---
def generar_contenido_audiovisual(tema, idioma):
    """
    Genera un módulo de aprendizaje interactivo sobre un tipo de audiovisual específico
    basado en el tema y el idioma.
    """
    # Definimos un prompt detallado para guiar al modelo.
    # El modelo actuará como un experto en educación y audiovisual.
    prompt = f"Actúa como un experto en educación y audiovisual. Genera un módulo de aprendizaje interactivo sobre '{tema}'.\n" \
             f"Este módulo debe incluir:\n" \
             f"1. Una introducción concisa.\n" \
             f"2. Características principales del tipo de audiovisual.\n" \
             f"3. Ejemplos relevantes.\n" \
             f"4. Una actividad práctica o pregunta de reflexión para el estudiante.\n" \
             f"El contenido debe ser adecuado para estudiantes de tecnología e informática y estar redactado en '{idioma}'.\n" \
             f"Asegúrate de que la explicación sea clara, concisa y atractiva."

    # Usamos el generador para obtener una respuesta del modelo.
    # max_new_tokens: Controla la longitud máxima del texto generado. Un valor más alto permite más contenido.
    # num_return_sequences: Genera una única respuesta.
    # truncation=True: Para manejar prompts largos si es necesario.
    response = generator(
        prompt,
        max_new_tokens=1500, # Un valor de 1500 tokens debería ser suficiente para un módulo completo
        num_return_sequences=1,
        truncation=True,
        add_special_tokens=True
    )

    # El resultado del pipeline es una lista de diccionarios; extraemos el texto.
    # A veces, el prompt puede repetirse en la salida, así que lo eliminamos si es el caso.
    generated_text = response[0]['generated_text']
    if generated_text.startswith(prompt):
        generated_text = generated_text[len(prompt):].strip()

    return generated_text

# --- 3. Definición de la Interfaz de Usuario con Gradio ---
# Configuramos los componentes de entrada (inputs) y salida (outputs) para la aplicación.
interfaz = gr.Interface(
    fn=generar_contenido_audiovisual, # La función Python que se ejecutará
    inputs=[
        gr.Textbox(
            label="Tema del Audiovisual",
            lines=2,
            placeholder="Ej. Cine Documental, Animación 3D, Videoclip Musical"
        ),
        gr.Radio(
            ["Español", "Inglés"],
            label="Idioma del Contenido"
        )
    ],
    outputs=gr.Markdown(label="Contenido del Módulo de Aprendizaje"), # Usamos Markdown para un formato de texto enriquecido
    title="💡 Ambiente Virtual de Aprendizaje: Tipos de Audiovisual 🎥",
    description="Explora diferentes tipos de audiovisuales. Ingresa un tema y el idioma para generar un módulo de aprendizaje personalizado. Ideal para docentes y estudiantes de tecnología e informática.",
    theme="huggingface", # Un tema visual que se integra bien con Hugging Face Spaces
    examples=[ # Ejemplos predefinidos para facilitar la prueba y el uso
        ["Cortometraje de Ficción", "Español"],
        ["Realidad Virtual Inmersiva", "Inglés"],
        ["Vlog de YouTube", "Español"]
    ]
)

# --- 4. Lanzamiento de la Aplicación ---
if __name__ == "__main__":
    interfaz.launch()