https://github.com/rubdelima/tintino
Tintino é um projeto da disciplina de Criatividade Computacional com o objetivo de criar histórias interativas para crianças, utilizando imagens e áudio gerados por ferramentas de IA.
https://github.com/rubdelima/tintino
fastapi gemini langchain whisper
Last synced: 3 months ago
JSON representation
Tintino é um projeto da disciplina de Criatividade Computacional com o objetivo de criar histórias interativas para crianças, utilizando imagens e áudio gerados por ferramentas de IA.
- Host: GitHub
- URL: https://github.com/rubdelima/tintino
- Owner: rubdelima
- Created: 2025-07-20T14:52:08.000Z (11 months ago)
- Default Branch: main
- Last Pushed: 2025-07-31T01:33:43.000Z (11 months ago)
- Last Synced: 2025-07-31T03:11:34.813Z (11 months ago)
- Topics: fastapi, gemini, langchain, whisper
- Language: Python
- Homepage:
- Size: 4.91 MB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
## 🐠 Tintino – Histórias Interativas com Inteligência Artificial
> **Objetivo**: Tornar a tecnologia uma aliada para histórias, estimulando a criatividade, a imaginação e a autonomia das crianças através de um ambiente lúdico, educativo e interativo.
**Tintino** é um projeto desenvolvido para a disciplina de **Criatividade Computacional**, com o propósito de explorar o uso de **Inteligência Artificial** na criação de histórias **interativas e personalizadas para crianças**.
A proposta do projeto é transformar a experiência de contar histórias em algo mais **imaginativo, dinâmico e multimodal**, por meio de:
🎨 **Imagens Geradas por IA**: as cenas e personagens são criados a partir de prompts, trazendo ilustrações únicas e encantadoras.
🎙️ **Narração por Voz**: com uso de síntese de voz, as histórias ganham vida por meio de áudios expressivos e imersivos.
🗣️ **Interações por Fala e Escuta**: a criança pode participar das histórias, fazendo escolhas, respondendo perguntas e interagindo com os personagens por voz.
🖍️ **Avaliação de Desenhos**: o sistema também incentiva a criatividade ao permitir que a criança desenhe e receba um retorno gentil da IA, incentivando a expressão artística.
## 🚀 Formas de Executar o Projeto
### 🐳 Usando Docker (Recomendado para Produção)
A forma mais simples de executar o projeto completo é utilizando Docker Compose:
**Execução com logs visíveis (modo tradicional):**
```bash
docker-compose up --build
```
**Execução em segundo plano (background):**
```bash
docker-compose up --build -d
```
**Para acompanhar os logs quando executando em background:**
```bash
docker-compose logs -f
```
**Para parar os containers:**
```bash
docker-compose down
```
**Acesso:**
- **Frontend (Interface)**: `http://localhost`
- **API**: `http://localhost/api`
- **Documentação da API**: `http://localhost/api/docs` ou `http://localhost/api/redoc`
> **⚠️ Nota**: O Docker é excelente para deploy e execução completa, mas no Windows pode consumir mais recursos devido à virtualização. Para desenvolvimento, ou recursos limitados, considere a execução manual da API.
### 🛠️ Execução Manual (Recomendado para Desenvolvimento)
#### 1. Configurando o ambiente
Recomendamos criar um ambiente virtual para isolar as dependências do projeto, de preferência com o conda:
**Usando Conda:**
```bash
conda create -n louie python=3.10.6
conda activate louie
```
**Usando venv:**
```bash
python3 -m venv .venv
# Linux/macOS
source .venv/bin/activate
# Windows
.venv\Scripts\activate
```
#### 2. Instalação das dependências
As dependências do projeto estão **organizadas por componente** na pasta `requirements/` para facilitar a instalação apenas do que você precisa:
**Para a API (Backend):**
A API é o núcleo do sistema que processa as requisições e se comunica com os modelos de IA.
**Primeiro, instale as dependências principais:**
```bash
pip install -r requirements/api.txt
```
**Depois, se quiser usar modelos locais, instale uma das extensões:**
```bash
# Para usar Whisper local com GPU NVIDIA + CUDA (processamento local mais rápido)
pip install -r requirements/api_nvidia.txt
# Para usar Whisper local apenas com CPU (processamento local mais lento)
pip install -r requirements/api-cpu.txt
```
> **⚠️ Importante**:
> - O `api.txt` contém todas as dependências básicas e permite usar Whisper via API da OpenAI (recomendado)
> - Os outros arquivos (`api_nvidia.txt` e `api-cpu.txt`) contêm apenas Whisper e PyTorch para execução local
> - Para usar Whisper via API: configure a chave `OPENAI_API_KEY` no arquivo `.env`
> - Para usar Whisper local: configure `use_api = false` no arquivo `config.toml`
**Para a Interface (Frontend):**
A interface é a parte visual do projeto (Streamlit) que os usuários vão interagir:
```bash
pip install -r requirements/st.txt
```
> **💡 Dica**: Se você for desenvolver ou usar ambos (API + Interface), instale as duas dependências. Se for apenas testar a API, instale apenas a primeira.
#### 3. Dependências do Sistema
**📦 FFmpeg (Obrigatório):**
- **Linux**: `sudo apt install ffmpeg`
- **macOS**: `brew install ffmpeg`
- **Windows/Conda**: `conda install ffmpeg`
**🪄 Python Magic:**
- **Windows**: Use `python-magic-bin` em vez de `python-magic`:
```bash
pip install python-magic-bin
```
> O `python-magic-bin` já inclui as dependências binárias necessárias para Windows.
- **Linux/macOS**: O `python-magic` padrão funciona corretamente.
#### 4. Configuração de variáveis de ambiente
Crie um arquivo `.env` na raiz do projeto com suas chaves de API:
```env
GEMINI_API_KEY=your_gemini_api_key_here
OPENAI_API_KEY=your_openai_api_key_here
```
> **💡 Dica**: Existe um arquivo `env.example` na raiz do projeto que você pode usar como modelo. Basta copiá-lo para `.env` e preencher com suas chaves.
#### 5. Executando os serviços
**API (Backend):**
```bash
uvicorn api.main:app --reload
```
**Interface (Frontend):**
```bash
streamlit run streamlit_app.py
```
**Acesso:**
- **API**: `http://localhost:8000`
- **Documentação da API**: `http://localhost:8000/docs`
- **Interface**: `http://localhost:8501`
---