Update app.py

app.py

@@ -1,34 +1,30 @@
-import gradio as gr
+import os
+from flask import Flask, request, jsonify
 from transformers import pipeline
 
-# Cargamos el modelo de clasificación de emociones
-emotion_classifier = pipeline(
-    "text-classification",
-    model="finiteautomata/beto-emotion-analysis",
-    tokenizer="finiteautomata/beto-emotion-analysis",
-    return_all_scores=True
-)
+# Inicializamos Flask y el pipeline de Hugging Face
+app = Flask(__name__)
 
-# Diccionario de traducción de emociones en inglés a español
-emociones_traducidas = {
-    'others': 'otras',
-    'joy': 'alegría',
-    'sadness': 'tristeza',
-    'anger': 'ira',
-    'surprise': 'sorpresa',
-    'disgust': 'asco',
-    'fear': 'miedo'
-}
+# Cargar el modelo de Hugging Face para clasificación de emociones
+emotion_classifier = pipeline("text-classification", model="j-hartmann/emotion-english-distilroberta-base")
 
-def analizar_emocion(texto):
-    # Detectar emociones
-    resultado = emotion_classifier(texto)
-    emocion_principal = max(resultado[0], key=lambda x: x['score'])
-    etiqueta_traducida = emociones_traducidas[emocion_principal['label']]
-    return f"Emoción principal: {etiqueta_traducida} (confianza: {emocion_principal['score']:.2f})"
+@app.route("/predict", methods=["POST"])
+def predict_emotion():
+    try:
+        # Obtener el texto del cuerpo de la solicitud
+        data = request.get_json()
+        text = data["text"]
+        
+        # Hacer la predicción
+        result = emotion_classifier(text)
+        
+        # Retornar la emoción predicha
+        return jsonify({"emotion": result[0]['label'], "confidence": result[0]['score']})
+    
+    except Exception as e:
+        return jsonify({"error": str(e)}), 400
 
-# Crear la interfaz Gradio
-iface = gr.Interface(fn=analizar_emocion, inputs="text", outputs="text")
+if __name__ == "__main__":
+    # Iniciar la aplicación Flask
+    app.run(host="0.0.0.0", port=5000)
 
-# Lanzar la interfaz
-iface.launch()