tabs/chatbot_tab.py

import streamlit as st # type: ignore
import os
from datetime import datetime
from extra_streamlit_components import tab_bar, TabBarItemData
import io
from gtts import gTTS
import soundfile as sf
import wavio
from audio_recorder_streamlit import audio_recorder
import speech_recognition as sr
import whisper
import numpy as np
from translate_app import tr
import getpass
from langchain_mistralai import ChatMistralAI
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import START, END, MessagesState, StateGraph
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from typing import Sequence
from langchain_core.messages import BaseMessage, SystemMessage, HumanMessage, AIMessage, trim_messages
from langgraph.graph.message import add_messages
from typing_extensions import Annotated, TypedDict
from dotenv import load_dotenv

import warnings
warnings.filterwarnings('ignore')

title = "Sales coaching"
sidebar_name = "Sales coaching"
dataPath = st.session_state.DataPath

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_ENDPOINT"]="https://api.smith.langchain.com"
os.environ["LANGCHAIN_HUB_API_URL"]="https://api.smith.langchain.com"
os.environ["LANGCHAIN_PROJECT"] = "Sales Coaching Chatbot" 
if st.session_state.Cloud != 0:
    load_dotenv()
os.getenv("LANGCHAIN_API_KEY")
os.getenv("MISTRAL_API_KEY")
    
    
    
    
model = ChatMistralAI(model="mistral-large-latest")
# model = ChatOpenAI(model="gpt-3.5-turbo")


language = "French"
prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "Répond à toutes les questions du mieux possible en {language}.",
        ),
        MessagesPlaceholder(variable_name="messages"),
    ]
)

class State(TypedDict):
    messages: Annotated[Sequence[BaseMessage], add_messages]
    language: str

def call_model(state: State):
    chain = prompt | model
    response = chain.invoke(state)
    return {"messages": [response]}

# Define a new graph
workflow = StateGraph(state_schema=State)

# Define the (single) node in the graph
workflow.add_edge(START, "model")
workflow.add_node("model", call_model)
workflow.add_edge("model", END)

# Add memory
memory = MemorySaver()
app = workflow.compile(checkpointer=memory)

# @st.cache_data
def init():
    global config,thread_id, context,human_message1,ai_message1,language, app, model_speech
    
    thread_id = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    config = {"configurable": {"thread_id": thread_id}}
    model_speech = whisper.load_model("base") 
    
    context = """Tu es un Directeur Commercial, mal organisé, d'une entreprise qui commercialise une solution technologique B2B. """    
    human_message1 = """Je souhaites que nous ayons une conversation verbale entre un commercial de mon entreprise, Marc (moi),  et toi que je prospecte.
Mon entreprise propose une solution logicielle pour gérer la proposition de valeur d’entreprises B2B qui commercialises des solutions technologiques.   
    
Les problématiques adressées par ma solution sont:  
- Il est difficile pour les startups de concevoir et formaliser une proposition de valeur unique et pertinente
- Il est difficile pour les forces de vente d'articuler clairement les messages de la proposition de valeur
- Il est chronophage pour les scale-ups de former leur forces de ventes sur les évolutions de la proposition de valeur et de ses messages   Valeur ajoutée de ma solution  
- Augmenter les performances commerciales
- Réduction du cycle de vente
- Accelerer la croissance du chiffre d'affaires
- Concentrer les ressources sur les opportunités qualifiées
- Réduction temps de monté en compétence des nouvelles embauches
- Augmenter le taux de conversion d'affaires gagnées
- Améliorer l'efficacité globale des ventes
- Améliorer l'efficience et la confiance des forces de ventes  
- Optimiser les processus commerciaux pour réduire les cycles de vente, fidéliser les clients et augmenter la productivité
- Favoriser le développement personnel des forces de vente   

Les cas d’usages adressés par ma solution sont  :  
- Affiner et modéliser la proposition de valeur
- Décliner les messages marketing & commerciaux
- Former la force de vente sur la proposition de valeur
- Orchestrer les conversations clients
- Partager les retours terrain
- Mettre en oeuvre des meilleures pratiques commerciales
- Identifier et reproduire les messages de vente gagnants

Je suis Marc, le vendeur.
Répond à mes questions en tant que Directeur commercial désorganisé, connaissant mal le concept de proposition de valeur,
et mon équipe de vente n'est pas performante.  
 
Attention: Ce n'est pas toi qui m'aide, c'est moi qui t'aide avec ma solution.
"""
    ai_message1 = "J'ai bien compris, je suis un Directeur Commercial prospecté et je réponds seulement à tes questions. Je réponds à une seule question à la fois, sans commencer mes réponses par 'En tant que Directeur Commercial'"   

    context = st.text_area(label=tr("Contexte:"), value=context)
    human_message1 = st.text_area(label=tr("Consigne"), value=human_message1,height=300)
    ai_message1 = st.text_area(label=tr("Réponse du prospect"), value=ai_message1)
    messages = [
        SystemMessage(content=context),
        HumanMessage(content=human_message1),
        AIMessage(content=ai_message1),
        HumanMessage(content="")
        ]
    
    

    app.invoke(
            {"messages": messages, "language": language},
            config,
        )
    '''
    st.write("**Contexte:** "+context)
    st.write("")
    st.write("**Human Message:** "+human_message1)
    st.write("")
    st.write("**AI Message:** "+ai_message1)
    '''
    st.write("")
    return config, thread_id

# Fonction pour générer et jouer le texte en speech
def play_audio(custom_sentence, Lang_target, speed=1.0):
    # Générer le speech avec gTTS
    audio_stream_bytesio_src = io.BytesIO()
    tts = gTTS(custom_sentence, lang=Lang_target)
    
    # Revenir au début du flux audio
    audio_stream_bytesio_src.seek(0)
    audio_stream_bytesio_src.truncate(0)
    
    tts.write_to_fp(audio_stream_bytesio_src)

    audio_stream_bytesio_src.seek(0)
    
    # Charger l'audio dans un tableau numpy
    data, samplerate = sf.read(audio_stream_bytesio_src)

    # Modifier la vitesse de lecture en ajustant le taux d'échantillonnage
    new_samplerate = int(samplerate * speed)
    new_audio_stream_bytesio = io.BytesIO()

    # Enregistrer l'audio avec la nouvelle fréquence d'échantillonnage
    sf.write(new_audio_stream_bytesio, data, new_samplerate, format='wav')
    new_audio_stream_bytesio.seek(0)

    # Lire l'audio dans Streamlit
    st.audio(new_audio_stream_bytesio, autoplay=True)



def run():
    global thread_id, config, model_speech
   
    st.write("")
    st.write("")
    st.title(tr(title))
    
    chosen_id = tab_bar(data=[
        TabBarItemData(id="tab1", title=tr("Initialisation"), description=tr("d'une nouvelle conversation")),
        TabBarItemData(id="tab2", title=tr("Conversation"), description=tr("avec le prospect"))],
        default="tab1")
                        
                        
    if (chosen_id == "tab1"):
        config,thread_id = init()
        query = ""
        st.button(label=tr("Validez"), type="primary")
    else:  # tab2
        try:
            config
            # On ne fait rien
        except NameError:
            config,thread_id = init()
        
        st.write("**thread_id:** "+thread_id)
        # query = st.text_area(label=tr("Vendeur:"), value="")
        query = ""
        audio_bytes = audio_recorder (pause_threshold=2.0,  sample_rate=16000, text=tr("Cliquez pour parler, puis attendre 2sec."), \
                                      recording_color="#e8b62c", neutral_color="#1ec3bc", icon_size="6x",)
    
        if audio_bytes:
            st.write("**"+tr("Vendeur")+" :**\n")
            # Fonction pour générer et jouer le texte en speech
            st.audio(audio_bytes, format="audio/wav", autoplay=False)
            try:
                detection = False
                if detection:
                    # Create a BytesIO object from the audio stream
                    audio_stream_bytesio = io.BytesIO(audio_bytes)

                    # Read the WAV stream using wavio
                    wav = wavio.read(audio_stream_bytesio) 

                    # Extract the audio data from the wavio.Wav object
                    audio_data = wav.data

                    # Convert the audio data to a NumPy array
                    audio_input = np.array(audio_data, dtype=np.float32)
                    audio_input = np.mean(audio_input, axis=1)/32768
                            
                    result = model_speech.transcribe(audio_input)
                    Lang_detected = result["language"]
                    query = result["text"]
                    st.write(tr("Langue détectée")+" : "+Lang_detected)
                
                else:
                    # Avec l'aide de la bibliothèque speech_recognition de Google
                    Lang_detected = "fr"
                    # Transcription google
                    audio_stream = sr.AudioData(audio_bytes, 32000, 2) 
                    r = sr.Recognizer()
                    query = r.recognize_google(audio_stream, language = Lang_detected)
                         
                # Transcription 
                st.write("**Vendeur :** "+query)
                st.write("")
            
                if query != "":
                    input_messages = [HumanMessage(query)]
                    output = app.invoke(
                        {"messages": input_messages, "language": language},
                        config,
                    )

                    # Récupération de la réponse
                    custom_sentence = output["messages"][-1].content
                    
                    # Joue l'audio
                    if language=="French": Lang_target = "fr"  # Langue de la réponse
                    play_audio(custom_sentence, Lang_target, 1)
                    
                    st.write("**Prospect :** "+custom_sentence)
                    

                    
            except KeyboardInterrupt:
                st.write(tr("Arrêt de la reconnaissance vocale."))
            except:
                st.write(tr("Problème, essayer de nouveau.."))

        
        '''
            # Créer un espace réservé pour afficher les tokens
            placeholder = st.empty()
            
            for chunk, metadata in app.stream(
                {"messages": input_messages, "language": language},
                config,
                stream_mode="messages",
                ):
                if isinstance(chunk, AIMessage):  # Filter to just model responses
                    # st.markdown("<span style='white-space: nowrap;'>"+"/"+chunk.content+"/"+"</span>", unsafe_allow_html=True)
                    placeholder.markdown(f"<p style='display: inline;'>{chunk.content}</p>", unsafe_allow_html=True)
        '''
        st.write("")
        st.write("")
        st.write("")
        st.write("")