import gradio as gr
from transformers import pipeline, T5Tokenizer, T5ForConditionalGeneration
import requests

# Configura tu token de Hugging Face directamente aquí
token = "tu_nuevo_token_aqui"  # Reemplaza "tu_nuevo_token_aqui" con tu token de Hugging Face real
if not token:
    raise ValueError("El token no se configuró. Asegúrate de ingresarlo correctamente.")

# Configuración de los headers para la API con el token
API_URL = "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-en-es"
headers = {"Authorization": f"Bearer {token}"}

# Cargar el modelo y el tokenizador de resumen
tokenizer = T5Tokenizer.from_pretrained("sumedh/t5-base-amazonreviews", clean_up_tokenization_spaces=True)
model = T5ForConditionalGeneration.from_pretrained("sumedh/t5-base-amazonreviews")
summarizer = pipeline("summarization", model=model, tokenizer=tokenizer)

# Función para realizar el resumen y la traducción
def texto_sum(text):
    # Resumir el texto de entrada
    summary = summarizer(text, do_sample=False)[0]['summary_text']
    
    # Realizar la traducción del resumen utilizando la API de Hugging Face
    response = requests.post(API_URL, headers=headers, json={"inputs": summary})
    translation = response.json()
    
    # Verificar si hay errores en la respuesta de la traducción
    if 'error' in translation:
        return f"Error en la traducción: {translation['error']}"
    
    return translation[0]['translation_text']

# Interfaz de Gradio
demo = gr.Interface(
    fn=texto_sum,
    inputs=gr.Textbox(label="Texto a introducir:", pla