Update app.py

app.py

@@ -4,66 +4,78 @@ import gradio as gr
 from transformers import pipeline
 
 # --- 1. Carga del Modelo de Lenguaje ---
-# Usaremos un pipeline de Hugging Face para facilitar la interacción con el modelo.
-# Puedes probar otros modelos si este no se ajusta perfectamente a tus necesidades
-# o si deseas uno más grande/pequeño.
-# Ejemplo con Gemma-2B-IT:
+# Utilizamos un pipeline de Hugging Face para simplificar la interacción con el modelo.
+# Se intenta 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) # device=0 para usar GPU si está disponible
+    generator = pipeline("text-generation", model="google/gemma-2b-it", device=0)
 except Exception:
-    generator = pipeline("text-generation", model="google/gemma-2b-it") # Si no hay GPU, usa CPU
-
+    generator = pipeline("text-generation", model="google/gemma-2b-it")
 
 # --- 2. Función para Generar Contenido Educativo ---
 def generar_contenido_audiovisual(tema, duracion, lenguaje):
     """
-    Genera contenido educativo sobre un tipo de audiovisual específico.
+    Genera un módulo de aprendizaje interactivo sobre un tipo de audiovisual específico
+    basado en el tema, duración y lenguaje.
     """
+    # 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"Incluye una introducción, características principales, ejemplos, y una actividad práctica.\n" \
-             f"El contenido debe ser adecuado para una duración de '{duracion}' y estar en '{lenguaje}'.\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 una duración de '{duracion}' y estar redactado en '{lenguaje}'.\n" \
              f"Asegúrate de que la explicación sea clara, concisa y atractiva para estudiantes de tecnología e informática."
 
-    # Usamos el generador para obtener una respuesta del modelo
-    # max_new_tokens controla la longitud máxima de la respuesta generada.
-    # num_return_sequences es para generar múltiples respuestas, pero para un AVA, una es suficiente.
-    # truncation=True para manejar prompts largos si es necesario.
-    # add_special_tokens=True para asegurar que el modelo maneje correctamente la entrada.
-    # Puedes ajustar los parámetros como 'do_sample', 'temperature', 'top_p' para controlar la creatividad.
+    # Usamos el generador para obtener una respuesta del modelo.
+    # max_new_tokens: Controla la longitud máxima del texto generado. Ajusta si necesitas más o menos contenido.
+    # num_return_sequences: Genera una única respuesta.
+    # truncation=True: Para manejar prompts largos si es necesario.
     response = generator(
         prompt,
-        max_new_tokens=1000, # Ajusta esto para más o menos contenido
+        max_new_tokens=1500, # Un valor más alto para módulos más completos
         num_return_sequences=1,
         truncation=True,
         add_special_tokens=True
     )
 
-    # El resultado del pipeline es una lista de diccionarios, tomamos el texto generado.
-    # A veces, el prompt inicial puede repetirse, así que lo eliminamos si es el caso.
+    # 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 ---
-# Definimos los componentes de entrada y salida para nuestra función.
+# Configuramos los componentes de entrada (inputs) y salida (outputs) para la aplicación.
 interfaz = gr.Interface(
-    fn=generar_contenido_audiovisual,
+    fn=generar_contenido_audiovisual, # La función Python que se ejecutará
     inputs=[
-        gr.Textbox(label="Tema del Audiovisual (ej. Cine Documental, Animación 3D, Videoclip Musical)", lines=2, placeholder="Ej. Cortometraje de Ficción"),
-        gr.Dropdown(["5 minutos", "15 minutos", "30 minutos", "Una clase completa (60 minutos)"], label="Duración Estimada del Módulo"),
-        gr.Radio(["Español", "Inglés"], label="Lenguaje del Contenido")
+        gr.Textbox(
+            label="Tema del Audiovisual",
+            lines=2,
+            placeholder="Ej. Cine Documental, Animación 3D, Videoclip Musical"
+        ),
+        gr.Dropdown(
+            ["5 minutos", "15 minutos", "30 minutos", "Una clase completa (60 minutos)"],
+            label="Duración Estimada del Módulo"
+        ),
+        gr.Radio(
+            ["Español", "Inglés"],
+            label="Lenguaje del Contenido"
+        )
     ],
-    outputs=gr.Markdown(label="Contenido del Módulo de Aprendizaje"), # Usamos Markdown para un formato más rico
+    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, la duración deseada y el lenguaje para generar un módulo de aprendizaje personalizado. Ideal para docentes y estudiantes de tecnología e informática.",
-    theme="huggingface", # Un tema que encaja bien con la plataforma
-    examples=[
-        ["Cine Documental", "30 minutos", "Español"],
-        ["Animación Stop Motion", "15 minutos", "Inglés"],
-        ["Realidad Virtual Inmersiva", "Una clase completa (60 minutos)", "Español"]
+    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", "30 minutos", "Español"],
+        ["Realidad Virtual Inmersiva", "Una clase completa (60 minutos)", "Inglés"],
+        ["Vlog de YouTube", "5 minutos", "Español"]
     ]
 )