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 time 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") os.getenv("OPENAI_API_KEY") prompt = ChatPromptTemplate.from_messages( [ ( "system", "Répond à toutes les questions du mieux possible dans la langue {language}, même si la question est posée dans une autre langue", ), 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) selected_index1 = 0 selected_index2 = 0 selected_index3 = 0 selected_options4 = [] selected_options5 = [] selected_options6 = [] selected_options7 = [] selected_index8 = 0 virulence = 1 if 'model' in st.session_state: used_model = st.session_state.model # @st.cache_data def init(): global config,thread_id, context,human_message1,ai_message1,language, app, model_speech,prompt,model global selected_index1, selected_index2, selected_index3, selected_options4,selected_options5,selected_options6,selected_options7, selected_index8, virulence, used_model model_speech = whisper.load_model("base") if st.button(label=tr("Nouvelle conversation"), type="primary"): selected_index1 = 0 selected_index2 = 0 selected_index3 = 0 selected_options4 = [] selected_options5 = [] selected_options6 = [] selected_options7 = [] selected_index8 = 0 virulence = 1 if 'model' in st.session_state and (st.session_state.model[:3]=="gpt") and ("OPENAI_API_KEY" in st.session_state): model = ChatOpenAI(model=st.session_state.model, temperature=0.8, # Adjust creativity level max_tokens=150 # Define max output token limit ) else: model = ChatMistralAI(model=st.session_state.model) if 'model' in st.session_state: used_model=st.session_state.model options1 = ["Directeur Commercial", "Directeur Général", "Directeur Marketing"] translated_options1 = [tr(o) for o in options1] selected_option1 = st.selectbox(tr("Interlocuteur"),translated_options1, index = selected_index1) # index=int(var1_init)) selected_index1 = translated_options1.index(selected_option1) options2 = ["Entreprise qui commercialise des solutions (produits et ou services) B2B innovantes avec une équipe commerciale de plus de 15 personnes", "Entreprise qui commercialise des solutions (produits et ou services) B2B innovantes avec une équipe commerciale de plus de 100 personnes"] translated_options2 = [tr(o) for o in options2] selected_option2 = st.selectbox(tr("Activité"),translated_options2, index = selected_index2) # index=int(var2_init)) selected_index2 = translated_options2.index(selected_option2) options3 = ["Logiciels informatiques et d’application SaaS", "Équipements et solutions industrielles", "Services et conseil spécialisés"] translated_options3 = [tr(o) for o in options3] selected_option3 = st.selectbox(tr("Domaine d'activité"),translated_options3, index=selected_index3) #index=int(var3_init)) selected_index3 = translated_options3.index(selected_option3) context = tr(f"""Tu es un {options1[selected_index1]}, mal organisé, d'une {options2[selected_index2]}. Cette entreprise propose des {options3[selected_index3]}. """) context = st.text_area(label=tr("Résumé du Contexte (modifiable):"), value=context) st.markdown(''' ------------------------------------------------------------------------------------ ''') options4 = ["Il est difficile pour les forces de vente d'articuler clairement les messages de la proposition de valeur", "Il est difficile d’affiner une proposition de valeur unique et pertinente de l'offre face à la concurrence qui évolue rapidement", "Il est chronophage de former les forces de ventes sur la proposition de valeur et ses évolutions" ] selected_options4 = st.multiselect(tr("Problématiques"),[tr(o) for o in options4], default=[tr(o) for o in selected_options4]) problematique = selected_options4 if problematique != []: markdown_text4 = """\n"""+tr("""Les problématiques rencontrés par notre prospect (problèmes à résoudre) sont: """) markdown_text4 = markdown_text4+"".join(f"\n- {o}" for o in problematique) st.write(markdown_text4) else: markdown_text4 = "" options5 = ["Former la force de ventes sur l'articulation de la proposition de valeur", "Aligner les messages marketing et commerciaux", "Affiner et modéliser la proposition de valeur", "Mettre en oeuvre des meilleures pratiques commerciales" ] selected_options5 = st.multiselect(tr("Processus"),[tr(o) for o in options5],default=[tr(o) for o in selected_options5]) processus = selected_options5 if processus != []: markdown_text5 = """\n\n"""+tr("""Les processus adressés par le prospect (cas d’usages) sont: """) markdown_text5 = markdown_text5+"".join(f"\n- {o}" for o in processus) st.write(markdown_text5) else: markdown_text5 = "" options6 = ["Augmenter les performances commerciales", "Croissance du chiffre d’affaires", "Réduire les cycles de vente", "Augmenter taux de conversion d’affaires gagnées", "Améliorer l’efficience et la confiance des forces de ventes", "Réduire temps de monté en compétence des nouvelles embauches", "Fidéliser les clients" ] selected_options6 = st.multiselect(tr("Objectifs d'amélioration"),[tr(o) for o in options6],default=[tr(o) for o in selected_options6]) objectifs = selected_options6 if objectifs != []: markdown_text6 = """\n\n"""+tr("""Les objectifs d’amélioration opérationnelle du prospect (Valeur ajoutée) sont: """) markdown_text6 = markdown_text6+"".join(f"\n- {o}" for o in objectifs) st.write(markdown_text6) else: markdown_text6 = "" options7 = ["Gestion de contenu commercial avec logiciel Microsoft sharePoint ou GoogleDrive", "Playbook développé en interne sur outils génériques tels que logiciel Notion, Powerpoint, Excel, Word, Docs", "Outils de sales enablement tels que application Seismic", "Outils de gestion des présentations clients tels que Logiciel Powerpoint ou Google slide", "Conseil externe en positionnement marché & produit", "Services externes de formation des équipes commerciales" ] selected_options7 = st.multiselect(tr("Solutions utilisées"),[tr(o) for o in options7],default=[tr(o) for o in selected_options7]) solutions_utilisees = selected_options7 if solutions_utilisees != []: markdown_text7 = """\n\n"""+tr("""Les principales Solutions utilisées par le prospect pour traiter les cas d’usages (Catégories de solutions du marché) sont:""") markdown_text7 = markdown_text7+"".join(f"\n- {o}" for o in solutions_utilisees) st.write(markdown_text7) st.write("") else: markdown_text7 = "" options8 = ["Connaitre les freins du prospect à l'adoption de nouvelles solutions pour résoudre ses problèmes", "Obtenir du prospect qu'il teste la solution que je propose ou la fasse tester par un membre de son équipe", "Obtenir du prospect qu'il achète ou s'engage à acheter la solution que je propose"] translated_options8 = [tr(o) for o in options8] selected_option8 = st.selectbox(tr("Objectif du vendeur lors de sa conversation avec le prospect:"),translated_options8, index = selected_index8) selected_index8 = translated_options8.index(selected_option8) markdown_text8 = """\n\n"""+tr("""L'objectif du vendeur lors de sa conversation avec le prospect est: """)+"""\n"""+(f"""{translated_options8[selected_index8]}""") col1, col2, col3 = st.columns(3) with col1: virulence = st.slider(tr("Virulence (choisissez une valeur entre 1 et 5)"), min_value=1, max_value=5, step=1,value=virulence) markdown_text9 = """\n\n"""+tr(f"""Le prospect est très occupé et n'aime être dérangé inutilement. Tu vas utiliser une échelle de 1 à 5 de virulence du prospect à l'égard du vendeur. Pour cette simulation utilise le niveaux {virulence}""") human_message1 = tr("""Je souhaites que nous ayons une conversation verbale entre un commercial de mon entreprise, 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. """)+markdown_text4+markdown_text5+markdown_text6+markdown_text7+markdown_text8+markdown_text9+tr(""" Je suis 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. """) human_message1 = st.text_area(label=tr("Consigne"), value=tr(human_message1),height=300) st.markdown(''' ------------------------------------------------------------------------------------ ''') ai_message1 = tr(f"J'ai bien compris, je suis un {options1[selected_index1]} 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 {options1[selected_index1]}'") # 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="") ] st.write("") if ("context" in st.session_state) and ("human_message1" in st.session_state): if (st.session_state.context != context) or (st.session_state.human_message1 != human_message1 ) or (used_model != st.session_state.model): to_init = True else: to_init = False else: to_init = True if to_init: thread_id = datetime.now().strftime("%Y-%m-%d %H:%M:%S") config = {"configurable": {"thread_id": thread_id}} app.invoke( {"messages": messages, "language": language}, config, ) st.session_state.thread_id = thread_id st.session_state.config = config st.session_state.messages_init = messages st.session_state.context = context st.session_state.human_message1 = human_message1 st.session_state.messages = [] if 'model' in st.session_state and (st.session_state.model[:3]=="gpt") and ("OPENAI_API_KEY" in st.session_state): model = ChatOpenAI(model=st.session_state.model, temperature=0.8, # Adjust creativity level max_tokens=150 # Define max output token limit ) else: model = ChatMistralAI(model=st.session_state.model) if 'model' in st.session_state: used_model=st.session_state.model 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 # time.sleep(2) st.audio(new_audio_stream_bytesio, start_time=0, autoplay=True) def run(): global thread_id, config, model_speech, language,prompt,model, model_name st.write("") st.write("") st.title(tr(title)) if 'language_label' in st.session_state: language = st.session_state['language_label'] else: language = "French" 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")), TabBarItemData(id="tab3", title=tr("Evaluation"), description=tr("de l'acte de vente"))], default="tab1") if (chosen_id == "tab1"): if 'model' in st.session_state and (st.session_state.model[:3]=="gpt") and ("OPENAI_API_KEY" in st.session_state): model = ChatOpenAI(model=st.session_state.model, temperature=0.8, # Adjust creativity level max_tokens=150 # Define max output token limit ) else: model = ChatMistralAI(model=st.session_state.model) config,thread_id = init() query = "" st.button(label=tr("Validez"), type="primary") st.write("**thread_id:** "+thread_id) elif (chosen_id == "tab2"): try: config # On ne fait rien except NameError: config,thread_id = init() with st.container(): # Diviser l'écran en deux colonnes col1, col2 = st.columns(2) # with col1: # st.markdown( # """ #
#
# """, # unsafe_allow_html=True, # ) with col1: st.write("**thread_id:** "+thread_id) query = "" audio_bytes = audio_recorder (pause_threshold=2.0, sample_rate=16000, auto_start=False, 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"] else: # Avec l'aide de la bibliothèque speech_recognition de Google Lang_detected = st.session_state['Language'] # 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("**"+tr("Vendeur :")+"** "+query) with st.chat_message("user"): st.markdown(query) st.write("") if query != "": input_messages = [HumanMessage(query)] output = app.invoke( {"messages": input_messages, "language": language}, config, ) #with st.chat_message("user"): # Add user message to chat history st.session_state.messages.append({"role": "user", "content": query}) # Récupération de la réponse custom_sentence = output["messages"][-1].content # Joue l'audio play_audio(custom_sentence,Lang_detected , 1) # st.write("**"+tr("Prospect :")+"** "+custom_sentence) with st.chat_message("assistant"): st.markdown(custom_sentence) # Add user message to chat history st.session_state.messages.append({"role": "assistant", "content": custom_sentence}) except KeyboardInterrupt: st.write(tr("Arrêt de la reconnaissance vocale.")) except: st.write(tr("Problème, essayer de nouveau..")) st.write("") # Ajouter un espace pour séparer les zones # st.divider() with col2: if ("messages" in st.session_state) : if (st.session_state.messages != []): # Display chat messages from history on app rerun for message in st.session_state.messages: with st.chat_message(message["role"]): st.markdown(message["content"]) else: st.write("") st.write("**thread_id:** "+thread_id) st.write("") q1 = st.text_input(label="", value=tr("Combien le vendeur a-t-il posé de questions ouvertes ?"),label_visibility="collapsed") output = app.invoke( {"messages": q1,"language": language}, config, ) custom_sentence = output["messages"][-1].content st.write(custom_sentence) st.write("") st.divider() st.write("") q2 = st.text_input(label="", value=tr(f"Quel est le % de temps de parole du prospect ?"),label_visibility="collapsed") output = app.invoke( {"messages": q2,"language": language}, config, ) custom_sentence = output["messages"][-1].content st.write(custom_sentence) st.write("") st.divider() st.write("") q3 = st.text_input(label="", value=tr("Peux tu me donner une analyse succinte de la tonalité du vendeur ?"),label_visibility="collapsed") output = app.invoke( {"messages": q3,"language": language}, config, ) custom_sentence = output["messages"][-1].content st.write(custom_sentence) st.write("") st.divider() st.write("") q3 = st.text_input(label="", value=tr("Le vendeur a-t-il atteint son objectif ? Si ce n'est pas cas, est il loin de l'avoir atteint ? Dans tous les cas, explique ta réponse."),label_visibility="collapsed") output = app.invoke( {"messages": q3,"language": language}, config, ) custom_sentence = output["messages"][-1].content st.write(custom_sentence) st.write("")