Rename alanvideos_final.py to app.py

alanvideos_final.py

@@ -1,278 +0,0 @@
-# -*- coding: utf-8 -*-
-"""AlanVideos FINAL.ipynb
-
-Automatically generated by Colab.
-
-Original file is located at
-    https://colab.research.google.com/drive/1dMbuk4RyLyFp1-DhetRxkP8vB_TdTszO
-"""
-
-!pip install -q -r requirements.txt
-
-# Commented out IPython magic to ensure Python compatibility.
-# %%writefile app.py
-# 
-# import os
-# import re
-# import streamlit as st
-# import transformers
-# from transformers import pipeline
-# from transformers import AutoTokenizer
-# import nltk
-# from PIL import Image
-# import torch
-# import ffmpeg
-# import speech_recognition as sr
-# from pytube import YouTube
-# import string
-# import whisper
-# from moviepy.editor import AudioFileClip
-# from langchain.text_splitter import CharacterTextSplitter
-# from langchain_core.messages import AIMessage, HumanMessage, SystemMessage
-# from langchain.embeddings import OpenAIEmbeddings
-# from langchain.vectorstores import FAISS
-# from langchain.chat_models import ChatOpenAI
-# from langchain.memory import ConversationBufferWindowMemory
-# from langchain.chains import ConversationalRetrievalChain
-# from langchain.callbacks import get_openai_callback
-# from key import openai_api_key
-# from langchain import PromptTemplate
-# from langchain import LLMChain
-# os.environ['OPENAI_API_KEY'] = openai_api_key
-# 
-# 
-#   # Criando a função que corta o texto em chunks:
-# def get_chunks(texto_transcrito):
-#     """Função que recebe uma string (um texto transcrito) e devolve
-#     uma lista de strings, em que cada string ("chunk") contém um
-#     tamanho específico, com overlap entre os pedaços. """
-#     text_splitter=CharacterTextSplitter(separator='.', chunk_size=1000, chunk_overlap=100, length_function=len)
-#     chunks = text_splitter.split_text(texto_transcrito)
-#     return chunks
-# 
-#   # Criando a função de vectorstore para transformar os chunks de texto em embeddings:
-# def get_vectorstore(chunks):
-#     """Função que recebe uma lista de chunks de texto e
-#     os converte em embeddings (representações numéricas)
-#     usando um modelo de embeddings pré-treinado. """
-#     embeddings = OpenAIEmbeddings()
-#     vectorstore = FAISS.from_texts(texts=chunks, embedding=embeddings)
-#     return vectorstore
-# 
-# 
-#   # Criando a função para converter o vídeo para o formato adequado:
-# @st.cache_data
-# def convert_mp4_to_wav(mp4_file, wav_file):
-#     """Função que converte um arquivo de vídeo no formato MP4 para um arquivo de
-#     áudio no formato WAV a partir das seguintes entradas: o caminho do arquivo
-#     de vídeo no formato MP4 que se deseja converter; o caminho onde o arquivo
-#     de áudio WAV resultante será salvo. Nenhuma saída explícita é retornada."""
-#     video = AudioFileClip(mp4_file)
-#     video.write_audiofile(wav_file)
-# 
-#   # Criando a função que gera a transcrição:
-# @st.cache_data
-# def get_transcriptions(url):
-#     """ Função que recebe um link de um vídeo no YouTube e
-#     devolve um dicionário contendo o título do vídeo (key)
-#     e a transcrição de seu áudio (value). """
-#     dicionario = {}
-#       # Baixando o áudio:
-#     youtube_content = YouTube(url)
-#     audio_streams = youtube_content.streams.filter(only_audio=True)
-#     audio_streams[0].download()
-#     title = youtube_content.title
-#       # Convertendo para Wav:
-#     mp4_file = '/content/'+''.join(char for char in title if char not in string.punctuation.replace('/', '').replace('-', '').replace('!', '').replace('(', '').replace(')', ''))+'.mp4'
-#     wav_file = '/content/'+''.join(char for char in title if char not in string.punctuation.replace('/', '').replace('-', '').replace('!', '').replace('(', '').replace(')', ''))+'.wav'
-#     convert_mp4_to_wav(mp4_file, wav_file)
-#       # Inicializando o reconhecedor de fala:
-#     r = sr.Recognizer()
-#       # Carregando o áudio gravado pelo Whisper em um objeto de áudio:
-#     with sr.AudioFile(wav_file) as source:
-#         audio = r.record(source)
-#       # Transcrevendo:
-#     texto_transcrito = r.recognize_whisper(audio)
-#       # Adicionando ao dicionario:
-#     dicionario[title] = texto_transcrito
-#     return dicionario
-# 
-# 
-#   # Criando a função que carrega o sumarizador extrativo (para português e inglês) via HuggingFace:
-# @st.cache_resource
-# def load_extractive():
-#     """ Função sem valores de entrada que carrega o modelo
-#      de sumarização extrativa via HuggingFace. """
-#     return pipeline("summarization", model="NotXia/longformer-bio-ext-summ", tokenizer=AutoTokenizer.from_pretrained("NotXia/longformer-bio-ext-summ"), trust_remote_code=True)
-# 
-#   # Criando a função que gera a sumarização extrativa:
-# @st.cache_data
-# def get_summarization(_model_pipeline, full_text, ratio):
-#     """ Função que recebe um texto completo a ser resumido, juntamente
-#     à taxa desejada de sumarização e a pipeline do modelo que fará o
-#     sumário, e devolve a versão resumida desse texto. """
-#     sentences = nltk.sent_tokenize(full_text)
-#     extractive_sentences = _model_pipeline({"sentences": sentences}, strategy="ratio", strategy_args=ratio)
-#     extractive_text = " ".join(extractive_sentences[0])
-#     return extractive_text
-# 
-# 
-#   # Criando a função que gera a tradução do texto a partir do ChatGPT:
-# @st.cache_data
-# def get_translation(summarized_text):
-#     """ Função que recebe um resumo a ser traduzido,
-#     juntamente à pipeline do modelo que fará a tradução,
-#     e devolve a versão traduzida do texto. """
-#     LLM = ChatOpenAI(openai_api_key=openai_api_key, temperature=0.25, model_name="gpt-3.5-turbo")
-#     messages = [SystemMessage(content='Você é um especialista em traduções de texto do inglês para português'), HumanMessage(content=summarized_text)]
-#     translation = LLM(messages)
-#     return translation.content
-# 
-# 
-#   # Criando a função que corrige os erros de transcrição do texto a partir do ChatGPT:
-# @st.cache_data
-# def get_correction(transcription):
-#     """ Função que recebe a transcrição (em PT-BR) e corrige eventuais
-#     erros do whisper - por exemplo, a troca de palavras que, embora
-#     semelhantes na pronúncia, são totalmente absurdas no contexto. """
-#     correction_prompt = PromptTemplate.from_template(template = 'Você é um especialista em correção de textos. Você receberá uma transcrição de um áudio e deverá substituir as palavras transcritas erroneamente, considerando apenas a pronúncia, por palavras adequadas que façam sentido no contexto do texto. Além disso, corrija questões gramáticais para facilitar a compreensão. Corrija a seguinte transcrição: {transcription}')
-#     LLM = ChatOpenAI(openai_api_key=openai_api_key, temperature=0.1, model_name="gpt-3.5-turbo")
-#     corrector = LLMChain(prompt=correction_prompt, llm=LLM)
-#     with get_openai_callback() as cb:
-#         corrected_transcription = corrector.run({"transcription": transcription})
-#         total_t = cb.total_tokens
-#         prompt_t = cb.prompt_tokens
-#         completion_t = cb.completion_tokens
-#         total_cost = cb.total_cost
-#     return corrected_transcription
-# 
-# 
-#   # Criando o chatbot
-# def alan_videos(vectorstore):
-#     """ Função que inicializa e configura um LLM da OpenAI
-#     e retorna um chatbot configurado pronto para uso. """
-#     memory = ConversationBufferWindowMemory(memory_key='chat_history', return_messages=True, k=3)
-#     LLM = ChatOpenAI(openai_api_key=openai_api_key, temperature=0.25, model_name="gpt-3.5-turbo")
-#     retriever=vectorstore.as_retriever()
-#     chatbot = ConversationalRetrievalChain.from_llm(llm=LLM, retriever=retriever, memory=memory)
-#     return chatbot
-# 
-#   # Criando um modelo de chat:
-# def chat(pergunta):
-#     """ Função que processa uma pergunta utilizando o chatbot
-#     configurado (alan_videos) e retorna sua resposta. """
-#     with get_openai_callback() as cb:
-#         resposta = st.session_state.alanvideos.invoke({"question": pergunta})
-#         total_t = cb.total_tokens
-#         prompt_t = cb.prompt_tokens
-#         completion_t = cb.completion_tokens
-#         total_cost = cb.total_cost
-#     return resposta['answer']
-# 
-# 
-#   # Criando a função para customização com CSS:
-# def local_css(file_name):
-#     """ Função que carrega um arquivo CSS local e aplica o estilo
-#     ao Streamlit app, personalizando a interface do usuário. """
-#     with open(file_name, "r") as f:
-#         st.markdown(f"<style>{f.read()}</style>", unsafe_allow_html=True)
-# 
-#   # Configurando a aba do site:
-# icon = Image.open("Traçado laranja #f1863d.png")
-# st.set_page_config(page_title="AlanVideos", page_icon=icon, layout="wide", initial_sidebar_state="auto")
-# 
-# 
-#   # Configurando o site:
-# def main():
-#     local_css("style.css")
-# 
-#     header = st.container()
-#     model = st.container()
-#     model_1 = st.container()
-#     model_2 = st.container()
-# 
-#       # Configurando a barra lateral:
-#     with st.sidebar:
-#         with st.form("data_collection"):
-#             link = st.text_area(label="Coloque o link do seu vídeo do YouTube:", height=25, placeholder="Digite seu link...")
-#             language = st.selectbox('Qual a linguagem do seu vídeo?', ('Português (pt)', 'Inglês (en)'))
-#             translate = st.selectbox('Você deseja que o seu vídeo seja traduzido para Português?', ('Não', 'Sim'))
-#             compression_rate = st.slider(label="Selecione o percentual de sumarização:", min_value=0.05, max_value=0.50, value=0.25, step=0.05)
-#             submitted = st.form_submit_button("Enviar")
-# 
-#             # Verificando se o link do vídeo é válido:
-#             if link != '':
-#                 if re.match((r'(https?://)?(www\.)?''(youtube|youtu|youtube-nocookie)\.(com|be)/''(watch\?v=|embed/|v/|.+\?v=)?([^&=%\?]{11})'), link):
-#                     st.success('Dados coletados!', icon="✅")
-#                 else:
-#                     st.error('Link inválido. Por favor, insira um link do YouTube.', icon="🚨")
-# 
-#     if "alanvideos" not in st.session_state:
-#         st.session_state.alanvideos = None
-# 
-#       # Configurando o cabeçalho:
-#     with header:
-#         st.title(":orange[Alan]Chat")
-#         st.subheader("Olá, usuário! Este é um projeto que utiliza técnicas de inteligência artificial para simplificar e acelerar a compreensão de conteúdo audiovisual. Por favor, preencha o formulário ao lado para que possamos responder as suas dúvidas a respeito de um vídeo do YouTube!  :)", divider = "orange")
-# 
-#       # Configurando os modelos:
-#     with model:
-#         if submitted and re.match((r'(https?://)?(www\.)?''(youtube|youtu|youtube-nocookie)\.(com|be)/''(watch\?v=|embed/|v/|.+\?v=)?([^&=%\?]{11})'), link):
-#             with st.spinner("Carregando modelos..."):
-#                 nltk.download("punkt")
-#                 extractive = load_extractive()
-#             with st.spinner("Transcrevendo texto..."):
-#                 transcription = get_transcriptions(link)
-#                 texto_cru = ''.join(list(transcription.values()))
-#               # Preparando o modelo de sumarização após o envio de um link:
-#             with model_1:
-#                 st.header("Texto Sumarizado:")
-#                 with st.spinner("Carregando sumarização..."):
-#                     summary = get_summarization(extractive, texto_cru, compression_rate)
-#                       # Usando o GPT para corrigir a transcrição, caso o vídeo seja em PT-BR:
-#                     if language == 'Português (pt)':
-#                         summary = get_correction(summary)
-#                       # Usando o GPT para traduzir a transcrição para PT-BR, caso o usuário prefira:
-#                     elif language == 'Inglês (en)' and translate == 'Sim':
-#                         with st.spinner("Traduzindo sumarização..."):
-#                             summary = get_translation(summary)
-#                     st.session_state['summary'] = summary
-#               # Preparando o AlanVideos após o envio de um link:
-#             with model_2:
-#                 st.header("Resposta das perguntas:")
-#                 with st.spinner("Preparando AlanVideoss..."):
-#                       # Separando o texto em chunks:
-#                     chunks = get_chunks(texto_cru)
-#                       # Armazenando os pedaços de texto em embeddings:
-#                     vectorstore = get_vectorstore(chunks)
-#                       # Criando o chatbot:
-#                     st.session_state.alanvideos = alan_videos(vectorstore)
-# 
-#       # Apresentando os resultados:
-#     with model:
-#           # Resultado do modelo de sumarização:
-#         with model_1:
-#             if 'summary' in st.session_state:
-#                 st.write(st.session_state['summary'])
-#       # Resultado do AlanVideos:
-#     if 'summary' in st.session_state:
-#         if "chat_history" not in st.session_state:
-#             st.session_state.chat_history = [AIMessage(content=f"Olá, meu nome é Alan, e estou aqui para responder perguntas sobre o vídeo. Como posso ajudar?")]
-#         pergunta = st.chat_input('Faça uma pergunta sobre o vídeo: ')
-#         if pergunta is not None and pergunta != "":
-#             resposta = chat(pergunta)
-#             st.session_state.chat_history.append(HumanMessage(content=pergunta))
-#             st.session_state.chat_history.append(AIMessage(content=resposta))
-#         for message in st.session_state.chat_history:
-#             if isinstance(message, AIMessage):
-#                 with st.chat_message("AI"):
-#                     st.write(message.content)
-#             elif isinstance(message, HumanMessage):
-#                 with st.chat_message("Human"):
-#                     st.write(message.content)
-# 
-# main()
-
-!wget -q -O - ipv4.icanhazip.com
-
-!streamlit run app.py & npx localtunnel --port 8501

app.py

@@ -0,0 +1,262 @@
+import os
+import re
+import streamlit as st
+import transformers
+from transformers import pipeline
+from transformers import AutoTokenizer
+import nltk
+from PIL import Image
+import torch
+import ffmpeg
+import speech_recognition as sr
+from pytube import YouTube
+import string
+import whisper
+from moviepy.editor import AudioFileClip
+from langchain.text_splitter import CharacterTextSplitter
+from langchain_core.messages import AIMessage, HumanMessage, SystemMessage
+from langchain.embeddings import OpenAIEmbeddings
+from langchain.vectorstores import FAISS
+from langchain.chat_models import ChatOpenAI
+from langchain.memory import ConversationBufferWindowMemory
+from langchain.chains import ConversationalRetrievalChain
+from langchain.callbacks import get_openai_callback
+from key import openai_api_key
+from langchain import PromptTemplate
+from langchain import LLMChain
+os.environ['OPENAI_API_KEY'] = openai_api_key
+
+
+
+  # Criando a função que corta o texto em chunks:
+def get_chunks(texto_transcrito):
+    """Função que recebe uma string (um texto transcrito) e devolve
+    uma lista de strings, em que cada string ("chunk") contém um
+    tamanho específico, com overlap entre os pedaços. """
+    text_splitter=CharacterTextSplitter(separator='.', chunk_size=1000, chunk_overlap=100, length_function=len)
+    chunks = text_splitter.split_text(texto_transcrito)
+    return chunks
+
+  # Criando a função de vectorstore para transformar os chunks de texto em embeddings:
+def get_vectorstore(chunks):
+    """Função que recebe uma lista de chunks de texto e
+    os converte em embeddings (representações numéricas)
+    usando um modelo de embeddings pré-treinado. """
+    embeddings = OpenAIEmbeddings()
+    vectorstore = FAISS.from_texts(texts=chunks, embedding=embeddings)
+    return vectorstore
+
+
+  # Criando a função para converter o vídeo para o formato adequado:
+@st.cache_data
+def convert_mp4_to_wav(mp4_file, wav_file):
+    """Função que converte um arquivo de vídeo no formato MP4 para um arquivo de
+    áudio no formato WAV a partir das seguintes entradas: o caminho do arquivo
+    de vídeo no formato MP4 que se deseja converter; o caminho onde o arquivo
+    de áudio WAV resultante será salvo. Nenhuma saída explícita é retornada."""
+    video = AudioFileClip(mp4_file)
+    video.write_audiofile(wav_file)
+
+  # Criando a função que gera a transcrição:
+@st.cache_data
+def get_transcriptions(url):
+    """ Função que recebe um link de um vídeo no YouTube e
+    devolve um dicionário contendo o título do vídeo (key)
+    e a transcrição de seu áudio (value). """
+    dicionario = {}
+      # Baixando o áudio:
+    youtube_content = YouTube(url)
+    audio_streams = youtube_content.streams.filter(only_audio=True)
+    audio_streams[0].download()
+    title = youtube_content.title
+      # Convertendo para Wav:
+    mp4_file = '/content/'+''.join(char for char in title if char not in string.punctuation.replace('/', '').replace('-', '').replace('!', '').replace('(', '').replace(')', ''))+'.mp4'
+    wav_file = '/content/'+''.join(char for char in title if char not in string.punctuation.replace('/', '').replace('-', '').replace('!', '').replace('(', '').replace(')', ''))+'.wav'
+    convert_mp4_to_wav(mp4_file, wav_file)
+      # Inicializando o reconhecedor de fala:
+    r = sr.Recognizer()
+      # Carregando o áudio gravado pelo Whisper em um objeto de áudio:
+    with sr.AudioFile(wav_file) as source:
+        audio = r.record(source)
+      # Transcrevendo:
+    texto_transcrito = r.recognize_whisper(audio)
+      # Adicionando ao dicionario:
+    dicionario[title] = texto_transcrito
+    return dicionario
+
+
+  # Criando a função que carrega o sumarizador extrativo (para português e inglês) via HuggingFace:
+@st.cache_resource
+def load_extractive():
+    """ Função sem valores de entrada que carrega o modelo
+     de sumarização extrativa via HuggingFace. """
+    return pipeline("summarization", model="NotXia/longformer-bio-ext-summ", tokenizer=AutoTokenizer.from_pretrained("NotXia/longformer-bio-ext-summ"), trust_remote_code=True)
+
+  # Criando a função que gera a sumarização extrativa:
+@st.cache_data
+def get_summarization(_model_pipeline, full_text, ratio):
+    """ Função que recebe um texto completo a ser resumido, juntamente
+    à taxa desejada de sumarização e a pipeline do modelo que fará o
+    sumário, e devolve a versão resumida desse texto. """
+    sentences = nltk.sent_tokenize(full_text)
+    extractive_sentences = _model_pipeline({"sentences": sentences}, strategy="ratio", strategy_args=ratio)
+    extractive_text = " ".join(extractive_sentences[0])
+    return extractive_text
+
+
+  # Criando a função que gera a tradução do texto a partir do ChatGPT:
+@st.cache_data
+def get_translation(summarized_text):
+    """ Função que recebe um resumo a ser traduzido,
+    juntamente à pipeline do modelo que fará a tradução,
+    e devolve a versão traduzida do texto. """
+    LLM = ChatOpenAI(openai_api_key=openai_api_key, temperature=0.25, model_name="gpt-3.5-turbo")
+    messages = [SystemMessage(content='Você é um especialista em traduções de texto do inglês para português'), HumanMessage(content=summarized_text)]
+    translation = LLM(messages)
+    return translation.content
+
+
+  # Criando a função que corrige os erros de transcrição do texto a partir do ChatGPT:
+@st.cache_data
+def get_correction(transcription):
+    """ Função que recebe a transcrição (em PT-BR) e corrige eventuais
+    erros do whisper - por exemplo, a troca de palavras que, embora
+    semelhantes na pronúncia, são totalmente absurdas no contexto. """
+    correction_prompt = PromptTemplate.from_template(template = 'Você é um especialista em correção de textos. Você receberá uma transcrição de um áudio e deverá substituir as palavras transcritas erroneamente, considerando apenas a pronúncia, por palavras adequadas que façam sentido no contexto do texto. Além disso, corrija questões gramáticais para facilitar a compreensão. Corrija a seguinte transcrição: {transcription}')
+    LLM = ChatOpenAI(openai_api_key=openai_api_key, temperature=0.1, model_name="gpt-3.5-turbo")
+    corrector = LLMChain(prompt=correction_prompt, llm=LLM)
+    with get_openai_callback() as cb:
+        corrected_transcription = corrector.run({"transcription": transcription})
+        total_t = cb.total_tokens
+        prompt_t = cb.prompt_tokens
+        completion_t = cb.completion_tokens
+        total_cost = cb.total_cost
+    return corrected_transcription
+
+
+  # Criando o chatbot
+def alan_videos(vectorstore):
+    """ Função que inicializa e configura um LLM da OpenAI 
+    e retorna um chatbot configurado pronto para uso. """
+    memory = ConversationBufferWindowMemory(memory_key='chat_history', return_messages=True, k=3)
+    LLM = ChatOpenAI(openai_api_key=openai_api_key, temperature=0.25, model_name="gpt-3.5-turbo")
+    retriever=vectorstore.as_retriever()
+    chatbot = ConversationalRetrievalChain.from_llm(llm=LLM, retriever=retriever, memory=memory)
+    return chatbot
+
+  # Criando um modelo de chat:
+def chat(pergunta):
+    """ Função que processa uma pergunta utilizando o chatbot 
+    configurado (alan_videos) e retorna sua resposta. """
+    with get_openai_callback() as cb:
+        resposta = st.session_state.alanvideos.invoke({"question": pergunta})
+        total_t = cb.total_tokens
+        prompt_t = cb.prompt_tokens
+        completion_t = cb.completion_tokens
+        total_cost = cb.total_cost
+    return resposta['answer']
+
+
+  # Criando a função para customização com CSS:
+def local_css(file_name):
+    """ Função que carrega um arquivo CSS local e aplica o estilo
+    ao Streamlit app, personalizando a interface do usuário. """
+    with open(file_name, "r") as f:
+        st.markdown(f"<style>{f.read()}</style>", unsafe_allow_html=True)
+
+  # Configurando a aba do site:
+icon = Image.open("Traçado laranja #f1863d.png")
+st.set_page_config(page_title="AlanVideos", page_icon=icon, layout="wide", initial_sidebar_state="auto")
+
+
+
+  # Configurando o site:
+def main():
+    local_css("style.css")
+
+    header = st.container()
+    model = st.container()
+    model_1 = st.container()
+    model_2 = st.container()
+
+      # Configurando a barra lateral:
+    with st.sidebar:
+        with st.form("data_collection"):
+            link = st.text_area(label="Coloque o link do seu vídeo do YouTube:", height=25, placeholder="Digite seu link...")
+            language = st.selectbox('Qual a linguagem do seu vídeo?', ('Português (pt)', 'Inglês (en)'))
+            translate = st.selectbox('Você deseja que o seu vídeo seja traduzido para Português?', ('Não', 'Sim'))
+            compression_rate = st.slider(label="Selecione o percentual de sumarização:", min_value=0.05, max_value=0.50, value=0.25, step=0.05)
+            submitted = st.form_submit_button("Enviar")
+
+            # Verificando se o link do vídeo é válido:
+            if link != '':
+                if re.match((r'(https?://)?(www\.)?''(youtube|youtu|youtube-nocookie)\.(com|be)/''(watch\?v=|embed/|v/|.+\?v=)?([^&=%\?]{11})'), link):
+                    st.success('Dados coletados!', icon="✅")
+                else:
+                    st.error('Link inválido. Por favor, insira um link do YouTube.', icon="🚨")
+
+    if "alanvideos" not in st.session_state:
+        st.session_state.alanvideos = None
+
+      # Configurando o cabeçalho:
+    with header:
+        st.title(":orange[Alan]Chat")
+        st.subheader("Olá, usuário! Este é um projeto que utiliza técnicas de inteligência artificial para simplificar e acelerar a compreensão de conteúdo audiovisual. Por favor, preencha o formulário ao lado para que possamos responder as suas dúvidas a respeito de um vídeo do YouTube!  :)", divider = "orange")
+
+      # Configurando os modelos:
+    with model:
+        if submitted and re.match((r'(https?://)?(www\.)?''(youtube|youtu|youtube-nocookie)\.(com|be)/''(watch\?v=|embed/|v/|.+\?v=)?([^&=%\?]{11})'), link):
+            with st.spinner("Carregando modelos..."):
+                nltk.download("punkt")
+                extractive = load_extractive()
+            with st.spinner("Transcrevendo texto..."):
+                transcription = get_transcriptions(link)
+                texto_cru = ''.join(list(transcription.values()))
+              # Preparando o modelo de sumarização após o envio de um link:
+            with model_1:
+                st.header("Texto Sumarizado:")
+                with st.spinner("Carregando sumarização..."):
+                    summary = get_summarization(extractive, texto_cru, compression_rate)
+                      # Usando o GPT para corrigir a transcrição, caso o vídeo seja em PT-BR:
+                    if language == 'Português (pt)':
+                        summary = get_correction(summary)
+                      # Usando o GPT para traduzir a transcrição para PT-BR, caso o usuário prefira:
+                    elif language == 'Inglês (en)' and translate == 'Sim':
+                        with st.spinner("Traduzindo sumarização..."):
+                            summary = get_translation(summary)
+                    st.session_state['summary'] = summary
+              # Preparando o AlanVideos após o envio de um link:
+            with model_2:
+                st.header("Resposta das perguntas:")
+                with st.spinner("Preparando AlanVideoss..."):
+                      # Separando o texto em chunks:
+                    chunks = get_chunks(texto_cru)
+                      # Armazenando os pedaços de texto em embeddings:
+                    vectorstore = get_vectorstore(chunks)
+                      # Criando o chatbot:
+                    st.session_state.alanvideos = alan_videos(vectorstore)
+
+      # Apresentando os resultados:
+    with model:
+          # Resultado do modelo de sumarização:
+        with model_1:
+            if 'summary' in st.session_state:
+                st.write(st.session_state['summary'])
+      # Resultado do AlanVideos:
+    if 'summary' in st.session_state:
+        if "chat_history" not in st.session_state:
+            st.session_state.chat_history = [AIMessage(content=f"Olá, meu nome é Alan, e estou aqui para responder perguntas sobre o vídeo. Como posso ajudar?")]
+        pergunta = st.chat_input('Faça uma pergunta sobre o vídeo: ')
+        if pergunta is not None and pergunta != "":
+            resposta = chat(pergunta)
+            st.session_state.chat_history.append(HumanMessage(content=pergunta))
+            st.session_state.chat_history.append(AIMessage(content=resposta))
+        for message in st.session_state.chat_history:
+            if isinstance(message, AIMessage):
+                with st.chat_message("AI"):
+                    st.write(message.content)
+            elif isinstance(message, HumanMessage):
+                with st.chat_message("Human"):
+                    st.write(message.content)
+
+main()