Overview
EmoChat integrates Google’s Gemini AI to provide empathetic, personalized feedback after analyzing a user’s 30-second emotional recording session. The AI considers both the detected emotion patterns and the user-provided context to generate supportive messages.
Implementation
The Gemini integration is implemented in the /analyze_session endpoint in app.py:
@app.route('/analyze_session', methods=['POST'])
def analyze_session():
try:
data = request.json
context = data.get('context', '')
emotions_array = data.get('emotions', [])
if not context:
return jsonify({'error': 'No context provided'}), 400
import sys
try:
from google import genai
# Initialize client
client = genai.Client(api_key="")
prompt = f"El usuario acaba de tener una sesión de 30 segundos hablando a una cámara sobre el siguiente tema/contexto:\n\n'{context}'\n\nDurante este tiempo, la IA detectó segundo a segundo la siguiente secuencia de emociones en su rostro:\n{emotions_array}\n\nActúa como un asistente muy empático. Analiza brevemente qué significa esta fluctuación de emociones dado el contexto y, lo más importante, brinda un mensaje de mucho apoyo o recuérdale algo positivo y bonito al usuario para subirle el ánimo. Da una respuesta cálida y concisa (máximo 2 párrafos)."
response = client.models.generate_content(
model="gemini-2.5-flash",
contents=prompt
)
return jsonify({'analysis': response.text})
except ImportError:
return jsonify({'error': 'La librería google-genai no está instalada'}), 500
except Exception as e:
if "API key" in str(e).lower() or "credentials" in str(e).lower():
return jsonify({'error': 'Falta configurar tu GEMINI_API_KEY'}), 500
return jsonify({'error': f'Error usando Gemini: {str(e)}'}), 500
except Exception as e:
return jsonify({'error': str(e)}), 500
API Key Configuration
IMPORTANT: You must configure your Google Gemini API key before using this feature.
client = genai.Client(api_key="")
Setting Up Your API Key
Option 1: Environment Variable (Recommended)
Set the GEMINI_API_KEY environment variable:
export GEMINI_API_KEY="your-api-key-here"
import os
client = genai.Client(api_key=os.environ.get('GEMINI_API_KEY', ''))
client = genai.Client(api_key="AIzaSy...your-key-here")
Never commit API keys directly to version control. Use environment variables or secret management services.
Getting a Gemini API Key
- Visit Google AI Studio
- Sign in with your Google account
- Navigate to “Get API Key”
- Create or select a project
- Generate and copy your API key
The frontend sends a POST request with two fields:
{
"context": "Me gustaría hablar sobre cómo me sentí hoy en el trabajo. Tuve una reunión difícil con mi jefe.",
"emotions": [
"Tristeza",
"Tristeza",
"Enojo",
"Tristeza",
"Alegría",
"Tristeza",
...
]
}
context: User-provided description of what they talked aboutemotions: Array of 30 emotions (one per second) detected during the session
Prompt Engineering
The prompt sent to Gemini is carefully crafted to generate empathetic responses:
prompt = f"""El usuario acaba de tener una sesión de 30 segundos hablando a una cámara
sobre el siguiente tema/contexto:
'{context}'
Durante este tiempo, la IA detectó segundo a segundo la siguiente secuencia de emociones
en su rostro:
{emotions_array}
Actúa como un asistente muy empático. Analiza brevemente qué significa esta fluctuación
de emociones dado el contexto y, lo más importante, brinda un mensaje de mucho apoyo o
recuérdale algo positivo y bonito al usuario para subirle el ánimo. Da una respuesta
cálida y concisa (máximo 2 párrafos)."""
- Context: What the user talked about
- Emotion data: Sequential array of detected emotions
- Role instruction: Act as an empathetic assistant
- Task: Analyze emotion fluctuations and provide supportive feedback
- Constraints: Keep response warm and concise (max 2 paragraphs)
Model Selection
The implementation uses the gemini-2.5-flash model:
response = client.models.generate_content(
model="gemini-2.5-flash",
contents=prompt
)
- Fast response times (important for real-time user experience)
- Cost-effective for frequent requests
- Sufficient capability for empathetic text generation
- Good balance of speed and quality
Success Response:
{
"analysis": "Veo que durante tu reflexión sobre el trabajo hubo momentos de tristeza intercalados con alegría. Es completamente normal sentir esta mezcla cuando enfrentamos situaciones profesionales desafiantes.\n\nRecuerda que expresar tus emociones es un paso valiente hacia el autocuidado. Tu capacidad para reconocer y explorar tus sentimientos demuestra fortaleza emocional. Cada pequeño paso que das hacia tu bienestar cuenta, y estás haciendo exactamente eso ahora. Respira profundo y date crédito por dedicar este tiempo a ti mismo."
}
{
"error": "No context provided"
}
400 Bad Request
{
"error": "La librería google-genai no está instalada o configurada. Por favor instala con pip install google-genai"
}
500 Internal Server Error
{
"error": "Falta configurar tu GEMINI_API_KEY. Configúrala como variable de entorno o en el archivo app.py."
}
500 Internal Server Error
Error Handling
The implementation includes comprehensive error handling:
Missing Context
if not context:
return jsonify({'error': 'No context provided'}), 400
Missing Library
except ImportError:
return jsonify({
'error': 'La librería google-genai no está instalada o configurada. '
'Por favor instala con pip install google-genai'
}), 500
API Key Issues
except Exception as e:
if "API key" in str(e).lower() or "credentials" in str(e).lower():
return jsonify({
'error': 'Falta configurar tu GEMINI_API_KEY. '
'Configúrala como variable de entorno o en el archivo app.py.'
}), 500
General Errors
return jsonify({'error': f'Error usando Gemini: {str(e)}'}), 500
Dependencies
Install the required Google Generative AI library:
Or add to your requirements.txt:
Frontend Integration
The frontend displays the Gemini analysis in a dedicated results section:
<div class="gemini-analysis-results" style="margin-top: 20px;">
<h3>Análisis de Gemini AI:</h3>
<p id="gemini-result">Aquí aparecerán los resultados del análisis de tu sesión.</p>
</div>
const response = await fetch('/analyze_session', {
method: 'POST',
headers: {
'Content-Type': 'application/json'
},
body: JSON.stringify({
context: contextText,
emotions: recordedEmotions
})
});
const data = await response.json();
if (data.error) {
geminiResultText.textContent = `❌ Error: ${data.error}`;
} else if (data.analysis) {
geminiResultText.textContent = data.analysis;
}
Example Session Flow
- User enters context: “Talking about my day at work”
- User clicks “Grabar Análisis (30s)”
- For 30 seconds, emotions are detected:
["Tristeza", "Alegría", "Tristeza", ...]
- After 30 seconds, frontend sends context + emotions to
/analyze_session
- Backend constructs prompt with context and emotion sequence
- Gemini AI generates empathetic analysis
- Response displayed to user with supportive message
Best Practices
Do:
- Store API keys in environment variables
- Handle all API errors gracefully
- Validate input before sending to Gemini
- Keep prompts focused and concise
- Test with various emotion patterns
Don’t:
- Commit API keys to version control
- Send empty emotion arrays
- Ignore rate limits from Google
- Make synchronous calls that block the server
Rate Limits and Costs
Be aware of Gemini API usage limits:
- Free tier: Limited requests per minute/day
- Paid tier: Higher quotas, pay-per-use
Monitor your usage in Google Cloud Console to avoid unexpected charges or service interruptions.
