subtitle_render.py

"""Genera el vídeo con los subtítulos incrustados, palabra a palabra.

Cada hablante tiene su color, tomado del degradado del logo de subtify, y dentro
de cada frase la palabra que se está pronunciando se resalta en el momento exacto
que marca su timestamp. Eso hace que un desajuste de tiempos se vea a simple vista.

Se usa el formato ASS con etiquetas de karaoke y se incrusta con ffmpeg, que ya
forma parte del proyecto: renderizar con Remotion exigiría Node y Chromium, que el
Space no tiene.
"""

import os
import subprocess

# Degradado del logo de subtify: púrpura -> magenta -> naranja salmón.
# El orden alterna tonos para que dos hablantes seguidos no se parezcan.
SPEAKER_COLORS = [
    "#6C2A8E",  # púrpura
    "#E8734A",  # naranja salmón
    "#B83C6E",  # magenta
    "#4A2A7A",  # índigo
    "#F0A05A",  # ámbar
    "#D94F8C",  # rosa
]

FONT_NAME = "DejaVu Sans"
FONT_SIZE = 42

# Reagrupación de palabras en frases legibles
MAX_CHARS = 60
MAX_DURATION = 5.0
MAX_GAP = 0.8


def _hex_to_ass(color, alpha=0):
    """Convierte #RRGGBB al formato de color de ASS, que es &HAABBGGRR."""
    color = color.lstrip("#")
    r, g, b = int(color[0:2], 16), int(color[2:4], 16), int(color[4:6], 16)
    return f"&H{alpha:02X}{b:02X}{g:02X}{r:02X}"


def _text_color_for(background):
    """Elige texto claro u oscuro según lo luminoso que sea el fondo."""
    color = background.lstrip("#")
    r, g, b = int(color[0:2], 16), int(color[2:4], 16), int(color[4:6], 16)
    luminance = (0.299 * r + 0.587 * g + 0.114 * b) / 255
    return "#101827" if luminance > 0.6 else "#FFFFFF"


def _dim(color, factor=0.45):
    """Versión atenuada de un color, para las palabras aún no pronunciadas."""
    color = color.lstrip("#")
    r, g, b = int(color[0:2], 16), int(color[2:4], 16), int(color[4:6], 16)
    return "#%02X%02X%02X" % (int(r * factor), int(g * factor), int(b * factor))


def _timestamp(seconds):
    """Formato de tiempo de ASS: h:mm:ss.cc"""
    if seconds < 0:
        seconds = 0.0
    centis = int(round(seconds * 100))
    hours, centis = divmod(centis, 360000)
    minutes, centis = divmod(centis, 6000)
    secs, centis = divmod(centis, 100)
    return f"{hours}:{minutes:02d}:{secs:02d}.{centis:02d}"


def speaker_order(chunks):
    """Asigna un índice estable a cada hablante, por orden de aparición."""
    order = {}
    for chunk in chunks:
        speaker = chunk.get("speaker") or "SPEAKER_00"
        if speaker not in order:
            order[speaker] = len(order)
    return order


def group_into_phrases(chunks):
    """Agrupa las palabras en frases de subtítulo.

    Una frase se corta cuando cambia el hablante, cuando se hace demasiado larga
    o cuando hay un silencio apreciable.
    """
    phrases = []
    current = None

    for chunk in chunks:
        text = (chunk.get("text") or "").strip()
        if not text:
            continue

        start = float(chunk["start"])
        end = float(chunk["end"])
        speaker = chunk.get("speaker") or "SPEAKER_00"

        if current is None:
            current = {"speaker": speaker, "start": start, "end": end, "words": []}

        candidate_len = sum(len(w["text"]) + 1 for w in current["words"]) + len(text)
        breaks = (
            speaker != current["speaker"]
            or candidate_len > MAX_CHARS
            or end - current["start"] > MAX_DURATION
            or start - current["end"] > MAX_GAP
        )

        if breaks and current["words"]:
            phrases.append(current)
            current = {"speaker": speaker, "start": start, "end": end, "words": []}

        current["words"].append({"text": text, "start": start, "end": end})
        current["end"] = end

    if current and current["words"]:
        phrases.append(current)

    return phrases


def build_ass(chunks, width=1920, height=1080):
    """Construye el contenido del fichero ASS con el karaoke por palabra."""
    order = speaker_order(chunks)
    phrases = group_into_phrases(chunks)

    lines = [
        "[Script Info]",
        "ScriptType: v4.00+",
        f"PlayResX: {width}",
        f"PlayResY: {height}",
        "WrapStyle: 0",
        "ScaledBorderAndShadow: yes",
        "",
        "[V4+ Styles]",
        "Format: Name, Fontname, Fontsize, PrimaryColour, SecondaryColour, "
        "OutlineColour, BackColour, Bold, Italic, Underline, StrikeOut, ScaleX, "
        "ScaleY, Spacing, Angle, BorderStyle, Outline, Shadow, Alignment, "
        "MarginL, MarginR, MarginV, Encoding",
    ]

    # Un estilo por hablante. BorderStyle 3 pinta una caja sólida con BackColour,
    # que es lo que da el fondo de color de cada hablante.
    for speaker, index in order.items():
        background = SPEAKER_COLORS[index % len(SPEAKER_COLORS)]
        text_color = _text_color_for(background)
        lines.append(
            f"Style: S{index},{FONT_NAME},{FONT_SIZE},"
            f"{_hex_to_ass(text_color)},{_hex_to_ass(_dim(text_color))},"
            f"{_hex_to_ass(background)},{_hex_to_ass(background)},"
            f"-1,0,0,0,100,100,0,0,3,6,0,2,60,60,60,1"
        )

    lines += ["", "[Events]",
              "Format: Layer, Start, End, Style, Name, MarginL, MarginR, "
              "MarginV, Effect, Text"]

    for phrase in phrases:
        index = order[phrase["speaker"]]
        parts = []
        cursor = phrase["start"]

        for word in phrase["words"]:
            # Un hueco antes de la palabra se rellena con un karaoke vacío, o el
            # resaltado se adelantaría respecto al audio
            gap = int(round((word["start"] - cursor) * 100))
            if gap > 0:
                parts.append(f"{{\\k{gap}}}")

            duration = max(1, int(round((word["end"] - word["start"]) * 100)))
            parts.append(f"{{\\k{duration}}}{word['text']} ")
            cursor = word["end"]

        text = "".join(parts).strip()
        lines.append(
            f"Dialogue: 0,{_timestamp(phrase['start'])},{_timestamp(phrase['end'])},"
            f"S{index},,0,0,0,,{text}"
        )

    return "\n".join(lines) + "\n"


def get_video_size(video_path):
    """Devuelve (ancho, alto) del vídeo, para que el ASS use su misma resolución."""
    result = subprocess.run(
        ["ffprobe", "-v", "error", "-select_streams", "v:0",
         "-show_entries", "stream=width,height", "-of", "csv=p=0:s=x", video_path],
        capture_output=True, text=True, check=True,
    )
    width, height = result.stdout.strip().split("x")[:2]
    return int(width), int(height)


def render_subtitled_video(video_path, chunks, output_path, ass_path=None):
    """Incrusta los subtítulos en el vídeo.

    Args:
        video_path: vídeo original.
        chunks: lista de palabras con start, end, text y speaker.
        output_path: dónde guardar el vídeo resultante.
        ass_path: dónde dejar el ASS generado; junto al vídeo si no se indica.

    Returns:
        str: ruta del vídeo generado.
    """
    if not chunks:
        raise ValueError("No hay palabras que subtitular")

    width, height = get_video_size(video_path)
    ass_path = ass_path or os.path.splitext(output_path)[0] + ".ass"

    os.makedirs(os.path.dirname(os.path.abspath(output_path)), exist_ok=True)
    with open(ass_path, "w", encoding="utf-8") as f:
        f.write(build_ass(chunks, width, height))

    # El filtro subtitles no admite rutas con caracteres sin escapar
    escaped = ass_path.replace("\\", "\\\\").replace(":", r"\:").replace("'", r"\'")

    subprocess.run(
        ["ffmpeg", "-y", "-v", "error", "-i", video_path,
         "-vf", f"subtitles='{escaped}'",
         "-c:a", "copy", output_path],
        check=True,
    )

    return output_path