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(""+"/"+chunk.content+"/"+"", unsafe_allow_html=True) placeholder.markdown(f"

{chunk.content}

", unsafe_allow_html=True) ''' st.write("") st.write("") st.write("") st.write("")