#!/usr/bin/env python3
"""Verification du playbook gagnant AfriVoices, point 2 : DECODAGE EN UNE PASSE.

Sur AfriVoices, l'equipe 1re place a gagne en decodant les clips >38 s d'un seul
tenant au lieu de les chunker : les encodages de position RELATIFS du Conformer
extrapolent bien au-dela de la fenetre d'entrainement, et chunker coupe des mots
et reinitialise le contexte du LM. Pricile chunquait a 60 s et avait laisse du
score sur la table.

Ici on verifie : (a) la distribution des durees du test, (b) qu'aucun clip n'est
tronque ni chunke par notre chaine, (c) que les clips LONGS ne produisent pas une
sortie degeneree (effondrement du debit en fin de clip).
"""
import csv, json, os
import numpy as np
import soundfile as sf

AUD = "/scratch/p2_16k"
SUB = "/root/sub_CALIBU2.csv"
lang = json.load(open("/root/test_lang.json"))
sub = {r["ID"]: r["Target"] for r in csv.DictReader(open(SUB, encoding="utf-8"))}

rows = []
for k, t in sub.items():
    p = os.path.join(AUD, k + ".wav")
    if not os.path.exists(p):
        continue
    i = sf.info(p)
    rows.append((k, lang.get(k), i.frames / float(i.samplerate), t))

print("=== DUREES DU TEST (892 clips) ===")
for lg in ("lin", "sna"):
    d = np.array([r[2] for r in rows if r[1] == lg])
    print("  %s : n=%d | p50 %.1f s | p90 %.1f s | p99 %.1f s | MAX %.1f s | >38 s : %d | >60 s : %d"
          % (lg, len(d), np.percentile(d, 50), np.percentile(d, 90), np.percentile(d, 99),
             d.max(), (d > 38).sum(), (d > 60).sum()))

print("\n=== DEBIT MOTS/SECONDE PAR TRANCHE DE DUREE ===")
print("  (si les clips longs s'effondrent, leur debit chute nettement)")
for lg in ("lin", "sna"):
    sel = [r for r in rows if r[1] == lg]
    print("  --- %s ---" % lg)
    for lo, hi in ((0, 15), (15, 25), (25, 38), (38, 60), (60, 999)):
        g = [r for r in sel if lo <= r[2] < hi]
        if not g:
            continue
        wps = np.array([len(r[3].split()) / r[2] for r in g])
        print("    %3d-%3ds : n=%3d | mots/s median %.2f | min %.2f | clips a moins de 0.5 mot/s : %d"
              % (lo, hi, len(g), np.median(wps), wps.min(), (wps < 0.5).sum()))

print("\n=== CLIPS LES PLUS LONGS : sortie plausible ? ===")
for k, lg, d, t in sorted(rows, key=lambda r: -r[2])[:6]:
    print("  %s [%s] %.1f s | %d mots (%.2f mots/s)" % (k, lg, d, len(t.split()), len(t.split()) / d))
    print("      %s" % (t[:150] + ("..." if len(t) > 150 else "")))

print("\n=== LA CHAINE DE DECODAGE CHUNKE-T-ELLE ? ===")
import re
src = open("/root/multi_avg.py", encoding="utf-8").read()
chunk = re.search(r"truncation|max_length|chunk|window|\[:\s*\d{5,}\]", src)
print("  motif de troncature/chunking dans multi_avg.py :", chunk.group(0) if chunk else "AUCUN")
print("  batches(files, 90) regroupe des CLIPS ENTIERS par budget de duree,")
print("  il ne decoupe aucun clip : chaque clip est vu d'un seul tenant.")
print("WHOLECLIP_CHECK_DONE")