src/language.py

import re


SWAHILI_HINTS = {
    "habari",
    "naumwa",
    "nina",
    "nahisi",
    "maumivu",
    "maumiv",
    "kifua",
    "kichwa",
    "tumbo",
    "mgongo",
    "mgogo",
    "kiuno",
    "kuhara",
    "kikohozi",
    "mafua",
    "homa",
    "dawa",
    "mtishamba",
    "mitishamba",
    "natakiwa",
    "nitumie",
    "kunywa",
    "kupumua",
    "mjamzito",
    "kunyonyesha",
    "naskia",
    "nasikia",
    "najiskia",
    "najisikia",
    "kinaniuma",
    "sijambo",
    "hujambo",
    "zimeanza",
    "imeanza",
    "zimeaza",
    "imeaza",
    "meanza",
    "siku",
    "wiki",
    "mwezi",
    "miaka",
    "makali",
    "kali",
    "kati",
    "mwanaume",
    "mwanamke",
    "jinsia",
    "ndiyo",
    "hapana",
    "sina",
    "situmii",
    "natumia",
    "ugonjwa",
    "sugu",
    "presha",
    "kisukari",
    "pumu",
    "figo",
    "ini",
    "allergy",
    "ujauzito",
    "nane",
}

ENGLISH_HINTS = {
    "hello",
    "hi",
    "hey",
    "good",
    "morning",
    "afternoon",
    "evening",
    "i",
    "have",
    "feel",
    "pain",
    "cough",
    "flu",
    "fever",
    "chest",
    "stomach",
    "diarrhea",
    "diarrhoea",
    "medicine",
    "herb",
    "remedy",
    "pregnant",
    "breastfeeding",
}


def tokenize(text: str) -> set[str]:
    return set(re.findall(r"[a-zA-Z']+", text.lower()))


def language_scores(text: str) -> tuple[int, int]:
    lines = [line.strip() for line in text.splitlines() if line.strip()]
    latest_text = lines[-1] if lines else text
    tokens = tokenize(latest_text)
    return len(tokens & SWAHILI_HINTS), len(tokens & ENGLISH_HINTS)


def detect_language(text: str) -> str:
    sw_score, en_score = language_scores(text)
    if sw_score >= en_score and sw_score > 0:
        return "Swahili"
    return "English"


def is_swahili(text: str) -> bool:
    return detect_language(text) == "Swahili"