#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 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 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 PresentationGenerator: def __init__(self): self.token = os.getenv('Authentification_HF') if not self.token: raise ValueError("Token d'authentification HuggingFace non trouvé") login(self.token) self.text_model = None self.text_tokenizer = None def load_text_model(self, model_name): """Charge le modèle de génération de texte""" model_id = TEXT_MODELS[model_name] model_path = None # Vérifiez si le modèle est déjà téléchargé localement if model_id.endswith('.gguf'): model_filename = model_id.split('/')[-1] local_path = f"./models/{model_filename}" if os.path.exists(local_path): model_path = local_path else: model_path = hf_hub_download( repo_id=model_id.split('/')[0] + '/' + model_id.split('/')[1], filename=model_filename, token=self.token, cache_dir="./models" ) self.text_model = Llama( model_path=model_path, n_ctx=4096, n_batch=512, verbose=False ) print(f"Modèle GGUF {model_id} chargé avec succès!") else: self.text_tokenizer = AutoTokenizer.from_pretrained(model_id, token=self.token) self.text_model = AutoModelForCausalLM.from_pretrained( model_id, torch_dtype=torch.bfloat16, device_map="auto", token=self.token ) print(f"Modèle Transformers {model_id} chargé avec succès!") def generate_text(self, prompt, temperature=0.7, max_tokens=4096): """Génère le texte de la présentation""" start_time = time.time() if isinstance(self.text_model, Llama): response = self.text_model( prompt, max_tokens=max_tokens, temperature=temperature, echo=False ) generated_text = response['choices'][0]['text'] else: inputs = self.text_tokenizer.apply_chat_template( [{"role": "user", "content": prompt}], return_tensors="pt", return_dict=True ) outputs = self.text_model.generate( **inputs, max_new_tokens=max_tokens, temperature=temperature ) generated_text = self.text_tokenizer.decode(outputs[0], skip_special_tokens=True) print(f"Texte généré en {time.time() - start_time:.2f} secondes") return generated_text 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() print(f"#LOG supplémentaire: Parsing line: {line}") # LOG supplémentaire 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) print(f"#LOG supplémentaire: Parsed slides: {slides}") # LOG supplémentaire 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 def generate_skeleton(text, text_model_name, temperature, max_tokens): """Génère le squelette de la présentation""" try: start_time = time.time() generator = PresentationGenerator() # Chargement du modèle de texte uniquement yield "Chargement du modèle...", None, None generator.load_text_model(text_model_name) # Génération du contenu yield "Génération du contenu de la présentation...", None, None full_prompt = PREPROMPT + "\n\n" + text generated_content = generator.generate_text(full_prompt, temperature, max_tokens) execution_time = time.time() - start_time status = f"Squelette généré avec succès en {execution_time:.2f} secondes!" # Retourne le statut et le contenu généré return status, generated_content, None except Exception as e: print(f"Erreur lors de la génération: {str(e)}") return f"Erreur: {str(e)}", None, None def create_presentation_file(generated_content): """Crée le fichier PowerPoint à partir du contenu généré""" try: generator = PresentationGenerator() # Création de la présentation yield "Création de la présentation PowerPoint...", None 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 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") output_file = gr.File( label="Présentation PowerPoint" ) progress_bar = gr.Progress(track_tqdm=True) 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, progress_bar ] ) if __name__ == "__main__": demo.launch()