app.py_143_OK

#https://huggingface.co/spaces/MisterAI/GenDoc_05
#app.py_143



import os
import gradio as gr
from huggingface_hub import hf_hub_download, login
from transformers import AutoModelForCausalLM, AutoTokenizer
from pptx import Presentation
from pptx.util import Inches, Pt
import torch
from llama_cpp import Llama
import time

# [Configuration des modèles et PREPROMPT restent identiques]
TEXT_MODELS = {
    "Utter-Project_EuroLLM-1.7B": "utter-project/EuroLLM-1.7B",
    "Mistral Nemo 2407 (GGUF)": "MisterAI/Bartowski_MistralAI_Mistral-Nemo-Instruct-2407-IQ4_XS.gguf",
    "Mixtral 8x7B": "mistralai/Mixtral-8x7B-v0.1",
    "Lucie 7B": "OpenLLM-France/Lucie-7B"
}

PREPROMPT = """Vous êtes un assistant IA expert en création de présentations PowerPoint professionnelles.
Générez une présentation structurée et détaillée au format Markdown en suivant ce format EXACT:

TITRE: [Titre principal de la présentation]

DIAPO 1:
Titre: [Titre de la diapo]
Points:
- Point 1
- Point 2
- Point 3

DIAPO 2:
Titre: [Titre de la diapo]
Points:
- Point 1
- Point 2
- Point 3

[Continuez avec ce format pour chaque diapositive]

Analysez le texte suivant et créez une présentation professionnelle :"""

class ModelManager:
    _instance = None
    
    def __new__(cls):
        if cls._instance is None:
            cls._instance = super(ModelManager, cls).__new__(cls)
            cls._instance.initialized = False
        return cls._instance
    
    def __init__(self):
        if not self.initialized:
            self.token = os.getenv('Authentification_HF')
            if not self.token:
                raise ValueError("Token d'authentification HuggingFace non trouvé")
            login(self.token)
            self.loaded_models = {}
            self.loaded_tokenizers = {}
            self.initialized = True
    
    def get_model(self, model_name):
        """Charge ou récupère un modèle déjà chargé"""
        if model_name not in self.loaded_models:
            print(f"Chargement du modèle {model_name}...")
            model_id = TEXT_MODELS[model_name]
            
            if model_id.endswith('.gguf'):
                model_path = hf_hub_download(
                    repo_id=model_id.split('/')[0] + '/' + model_id.split('/')[1],
                    filename=model_id.split('/')[-1],
                    token=self.token
                )
                self.loaded_models[model_name] = Llama(
                    model_path=model_path,
                    n_ctx=4096,
                    n_batch=512,
                    verbose=False
                )
                print(f"Modèle GGUF {model_id} chargé avec succès!")
            else:
                self.loaded_tokenizers[model_name] = AutoTokenizer.from_pretrained(model_id, token=self.token)
                self.loaded_models[model_name] = AutoModelForCausalLM.from_pretrained(
                    model_id,
                    torch_dtype=torch.bfloat16,
                    device_map="auto",
                    token=self.token
                )
                print(f"Modèle Transformers {model_id} chargé avec succès!")
        
        return self.loaded_models[model_name], self.loaded_tokenizers.get(model_name)

class PresentationGenerator:
    def __init__(self):
        self.model_manager = ModelManager()
    
    def generate_text(self, prompt, model_name, temperature=0.7, max_tokens=4096):
        """Génère le texte de la présentation"""
        model, tokenizer = self.model_manager.get_model(model_name)
        
        if isinstance(model, Llama):
            response = model(
                prompt,
                max_tokens=max_tokens,
                temperature=temperature,
                echo=False
            )
            return response['choices'][0]['text']
        else:
            # Modification ici pour gérer les modèles sans chat template
            inputs = tokenizer(
                prompt,
                return_tensors="pt",
                truncation=True,
                max_length=4096
            ).to(model.device)
            
            outputs = model.generate(
                **inputs,
                max_new_tokens=max_tokens,
                temperature=temperature,
                do_sample=True,
                pad_token_id=tokenizer.eos_token_id
            )
            return tokenizer.decode(outputs[0], skip_special_tokens=True)

    # [Le reste de la classe PresentationGenerator reste identique]
    def parse_presentation_content(self, content):
        """Parse le contenu généré en sections pour les diapositives"""
        slides = []
        current_slide = None
        
        for line in content.split('\n'):
            line = line.strip()
            if line.startswith('TITRE:'):
                slides.append({'type': 'title', 'title': line[6:].strip()})
            elif line.startswith('DIAPO'):
                if current_slide:
                    slides.append(current_slide)
                current_slide = {'type': 'content', 'title': '', 'points': []}
            elif line.startswith('Titre:') and current_slide:
                current_slide['title'] = line[6:].strip()
            elif line.startswith('- ') and current_slide:
                current_slide['points'].append(line[2:].strip())
        
        if current_slide:
            slides.append(current_slide)
        
        return slides

    def create_presentation(self, slides):
        """Crée la présentation PowerPoint avec texte uniquement"""
        prs = Presentation()
        
        # Première diapo (titre)
        title_slide = prs.slides.add_slide(prs.slide_layouts[0])
        title_slide.shapes.title.text = slides[0]['title']
        
        # Autres diapos
        for slide in slides[1:]:
            content_slide = prs.slides.add_slide(prs.slide_layouts[1])
            content_slide.shapes.title.text = slide['title']
            
            # Ajout du texte
            if slide['points']:
                body = content_slide.shapes.placeholders[1].text_frame
                body.clear()
                for point in slide['points']:
                    p = body.add_paragraph()
                    p.text = point
                    p.level = 0
        
        return prs

# [Les fonctions generate_skeleton et create_presentation_file restent identiques]
def generate_skeleton(text, text_model_name, temperature, max_tokens):
    """Génère le squelette de la présentation"""
    try:
        start_time = time.time()
        generator = PresentationGenerator()
        
        # Génération du contenu
        full_prompt = PREPROMPT + "\n\n" + text
        generated_content = generator.generate_text(full_prompt, text_model_name, temperature, max_tokens)
        
        execution_time = time.time() - start_time
        status = f"Squelette généré avec succès en {execution_time:.2f} secondes!"
        
        return status, generated_content, gr.update(visible=True)
        
    except Exception as e:
        print(f"Erreur lors de la génération: {str(e)}")
        return f"Erreur: {str(e)}", None, gr.update(visible=False)

def create_presentation_file(generated_content):
    """Crée le fichier PowerPoint à partir du contenu généré"""
    try:
        generator = PresentationGenerator()
        
        # Création de la présentation
        slides = generator.parse_presentation_content(generated_content)
        prs = generator.create_presentation(slides)
        
        # Sauvegarde avec chemin absolu
        output_path = os.path.abspath("presentation.pptx")
        prs.save(output_path)
        
        # Vérification que le fichier existe
        if not os.path.exists(output_path):
            raise FileNotFoundError(f"Le fichier {output_path} n'a pas été créé correctement")
        
        return output_path
        
    except Exception as e:
        print(f"Erreur lors de la création du fichier: {str(e)}")
        return None

# [L'interface Gradio reste identique]
with gr.Blocks(theme=gr.themes.Glass()) as demo:
    gr.Markdown(
        """
        # Générateur de Présentations PowerPoint IA
        
        Créez des présentations professionnelles automatiquement avec l'aide de l'IA.
        """
    )
    
    with gr.Row():
        with gr.Column(scale=1):
            text_model_choice = gr.Dropdown(
                choices=list(TEXT_MODELS.keys()),
                value=list(TEXT_MODELS.keys())[0],
                label="Modèle de génération de texte"
            )
            temperature = gr.Slider(
                minimum=0.1,
                maximum=1.0,
                value=0.7,
                step=0.1,
                label="Température"
            )
            max_tokens = gr.Slider(
                minimum=1000,
                maximum=4096,
                value=2048,
                step=256,
                label="Tokens maximum"
            )
    
    with gr.Row():
        with gr.Column(scale=2):
            input_text = gr.Textbox(
                lines=10,
                label="Votre texte",
                placeholder="Décrivez le contenu que vous souhaitez pour votre présentation..."
            )
    
    with gr.Row():
        generate_skeleton_btn = gr.Button("Générer le Squelette de la Présentation", variant="primary")
    
    with gr.Row():
        with gr.Column():
            status_output = gr.Textbox(
                label="Statut",
                lines=2
            )
            generated_content = gr.Textbox(
                label="Contenu généré",
                lines=10,
                show_copy_button=True
            )
            create_presentation_btn = gr.Button("Créer Présentation", visible=False)
            output_file = gr.File(
                label="Présentation PowerPoint"
            )
    
    generate_skeleton_btn.click(
        fn=generate_skeleton,
        inputs=[
            input_text,
            text_model_choice,
            temperature,
            max_tokens
        ],
        outputs=[
            status_output,
            generated_content,
            create_presentation_btn
        ]
    )
    
    create_presentation_btn.click(
        fn=create_presentation_file,
        inputs=[generated_content],
        outputs=[output_file]
    )

if __name__ == "__main__":
    demo.launch()