# 多言語・簡易多モーダルWeb参照AIエージェント（Hugging Face Spaces対応）

## 概要

このプロジェクトは、テキスト・画像・動画を入力として受け取り、多言語でのWeb情報検索と要約を並列に行い、指定された言語で結果を統合・出力するAIエージェントです。

**Hugging Face Spaces（無料ティア）でのデプロイを想定**して設計されています。

---

## 主な機能

* テキスト、画像、動画のマルチモーダル入力に対応
* 入力言語の自動検出と処理
* タスクの自動分解と並列処理（非同期実行）
* Web検索とページ要約（Serper API + BeautifulSoup）
* アップロードされた画像・動画のLLMによる簡易分析（GPT-4oなど）
* 指定言語での統合出力（日本語、英語、スペイン語、フランス語、中国語）

---

## 使用技術

* **フロントエンド/UI**: Gradio
* **バックエンド**: Python + asyncio + OpenAI API
* **Web検索**: Serper API（[https://serper.dev）](https://serper.dev）)
* **LLM**: GPT-4o（openaiライブラリ経由）
* **画像処理**: Pillow（軽量な画像サイズ取得など）
* **動画処理**: MoviePy（キーフレーム抽出）

---

## インストールと実行方法

```bash
# 依存ライブラリのインストール
pip install -r requirements.txt

# 環境変数の設定（.envファイルまたはシェルで）
export OPENAI_API_KEY=your_openai_key
export SERPER_API_KEY=your_serper_key

# アプリ起動
python app.py
```

---

## Hugging Face Spacesでの注意点

* **無料ティアでは** CPUリソースとディスク容量に制限があります。
* 画像・動画の処理はアップロードされた小ファイル（短時間の.mp4等）に限定してください。
* Webからの画像・動画の**ダウンロード・保存は行わず、URLと要約のみ表示**されます。
* GPT-4oの使用により画像・動画内容の要約は可能ですが、コスト・速度に注意。
* 外部APIキーは Spaces の Secrets に登録してください（例: `OPENAI_API_KEY`, `SERPER_API_KEY`）。

---

## 今後の拡張可能性

* Gemini API や Claude API 対応
* 音声抽出および文字起こし対応（短時間動画）
* 出力形式のカスタマイズ（Markdown, JSONなど）

---

## 作者

tugaa

---

## ライセンス

MIT