Update app.py

app.py

@@ -1,59 +1,148 @@
+import os
 import json
+import gradio as gr
 from groq import Groq
 
-# استفاده از همان کلاینت و کلید قبلی شما
-GROQ_API_KEY = "gsk_کلید_شما"
-client = Groq(api_key=GROQ_API_KEY)
+# خواندن کلید مخفی شده از تنظیمات هاگینگ فیس
+GROQ_API_KEY = os.getenv("GROQ_API_KEY")
 
-def correct_segments_with_llm(segments_list):
+def foolproof_llm_correction(client, original_segments):
     """
-    این تابع لیست سگمنت‌ها را می‌گیرد و غلط‌های املایی را بدون تغییر لحن کلمات اصلاح می‌کند.
+    این تابع کاملاً ضدگلوله است. 
+    زمان‌بندی‌ها را پیش خود نگه می‌دارد و فقط متن‌ها را برای اصلاح به لاما می‌فرستد.
     """
-    # تبدیل لیست به متن JSON برای فرستادن به هوش مصنوعی
-    segments_json = json.dumps(segments_list, ensure_ascii=False, indent=2)
+    if not original_segments:
+        return []
+        
+    # ۱. ساخت یک لیست سبک فقط شامل ID و متن خام جملات (بدون فرستادن زمان‌بندی‌ها)
+    text_only_list = []
+    for seg in original_segments:
+        text_only_list.append({
+            "id": seg.get("بخش") or seg.get("id"),
+            "text": seg.get("متن جمله") or seg.get("text")
+        })
+    
+    prompt_payload = json.dumps(text_only_list, ensure_ascii=False)
     
-    # دستورالعمل فوق‌العاده دقیق برای جلوگیری از تغییر کلمات
     system_instruction = (
-        "تو یک ویراستار حرفه‌ای زیرنویس فارسی هستی. وظیفه تو فقط و فقط اصلاح غلط‌های املایی و شنیداری (Phonetic Errors) در این JSON است.\n"
-        "قوانین بسیار سخت‌گیرانه که باید رعایت کنی:\n"
-        "۱. به هیچ وجه لحن جملات را تغییر نده. کلمات عامیانه و محاوره‌ای باید دقیقاً همان‌طور بمانند.\n"
-        "۲. ساختار نوشتاری کلمات را تغییر نده. به عنوان مثال، اگر کلمه‌ای به صورت 'میباشد' نوشته شده، آن را به 'می باشد' یا 'هست' تغییر نده. اگر کلمه‌ای درست است، هیچ تغییری در ظاهر آن (حتی فاصله‌گذاری‌ها) ایجاد نکن.\n"
-        "۳. جملات را خلاصه نکن، بازنویسی نکن و هیچ کلمه‌ای را حذف یا اضافه نکن.\n"
-        "۴. زمان‌بندی‌ها (بخش، شروع، پایان) نباید کوچک‌ترین تغییری کنند.\n"
-        "۵. خروجی تو باید دقیقاً یک JSON معتبر با همان ساختار ورودی باشد. هیچ توضیح، سلام، احوالپرسی یا متن اضافی خارج از JSON برنگردان."
+        "تو یک ویراستار متون فارسی هستی. وظیفه تو اصلاح غلط‌های املایی و شنیداری در این لیست است.\n"
+        "قوانین:\n"
+        "۱. لحن عامیانه و محاوره‌ای جملات را حفظ کن و تغییر نده.\n"
+        "۲. ساختار کلمات را تغییر نده (مثلا 'میباشد' را به 'می باشد' تغییر نده).\n"
+        "۳. هیچ کلمه‌ای حذف یا اضافه نکن. فقط املای کلمات غلط را اصلاح کن.\n"
+        "۴. خروجی باید دقیقاً یک آرایه JSON با کلیدهای id و text باشد و هیچ متن اضافی دیگری برنگردان."
     )
     
     try:
-        # ارسال درخواست به مدل چت فوق‌سریع لاما در Groq
         response = client.chat.completions.create(
-            model="llama-3.1-8b-instant",  # مدل بسیار سریع و مناسب برای کارهای ویرایشی
+            model="llama-3.1-8b-instant",
             messages=[
                 {"role": "system", "content": system_instruction},
-                {"role": "user", "content": f"لطفاً این زیرنویس را ویرایش کن:\n\n{segments_json}"}
+                {"role": "user", "content": prompt_payload}
             ],
-            temperature=0.1,  # دمای پایین برای اینکه مدل خلاقیت به خرج ندهد و دقیقاً طبق دستور عمل کند
-            response_format={"type": "json_object"}  # اجبار مدل به برگرداندن پاسخ در قالب JSON
+            temperature=0.1,
+            response_format={"type": "json_object"}
         )
         
-        # دریافت متن اصلاح شده و تبدیل آن به لیست پایتون
         corrected_data = json.loads(response.choices[0].message.content)
         
-        # اگر خروجی به صورت یک دیکشنری با کلید خاصی برگشته باشد، ��ن را مدیریت می‌کنیم
-        if isinstance(corrected_data, dict) and "segments" in corrected_data:
-            return corrected_data["segments"]
-        elif isinstance(corrected_data, dict) and "بخش‌ها" in corrected_data:
-            return corrected_data["بخش‌ها"]
-        elif isinstance(corrected_data, list):
-            return corrected_data
-        else:
-            # در بیشتر مواقع مدل لیست مستقیم یا دیکشنری حاوی لیست را برمی‌گرداند
-            # برای اطمینان، اگر کلیدی پیدا نشد اولین لیستی که پیدا کند را برمی‌گرداند
+        corrected_list = []
+        if isinstance(corrected_data, dict):
+            # پیدا کردن لیست در خروجی دیکشنری
             for val in corrected_data.values():
                 if isinstance(val, list):
-                    return val
-            return corrected_data
+                    corrected_list = val
+                    break
+        elif isinstance(corrected_data, list):
+            corrected_list = corrected_data
+            
+        corrected_dict = {item["id"]: item["text"] for item in corrected_list if "id" in item and "text" in item}
+        
+        final_segments = []
+        for orig_seg in original_segments:
+            seg_copy = orig_seg.copy()
+            seg_id = seg_copy.get("بخش") or seg_copy.get("id")
+            
+            if seg_id in corrected_dict:
+                if "text" in seg_copy:
+                    seg_copy["text"] = corrected_dict[seg_id]
+                if "متن جمله" in seg_copy:
+                    seg_copy["متن جمله"] = corrected_dict[seg_id]
             
+            final_segments.append(seg_copy)
+            
+        return final_segments
+        
     except Exception as e:
-        print(f"Error in LLM correction: {e}")
-        # در صورت بروز خطای ارتباطی، همان لیست اصلی بدون ویرایش برگشت داده می‌شود تا برنامه کرش نکند
-        return segments_list
+        print(f"Error in foolproof correction: {e}")
+        return original_segments
+
+def transcribe_and_correct(audio_path):
+    if not GROQ_API_KEY:
+        return "خطا: کلید API یافت نشد. لطفا ابتدا GROQ_API_KEY را در تنظیمات اسپیس تعریف کنید.", [], []
+    
+    if not audio_path:
+        return "لطفاً ابتدا یک فایل صوتی آپلود کنید.", [], []
+    
+    try:
+        # ساخت کلاینت گراک با کلید امن شده
+        client = Groq(api_key=GROQ_API_KEY)
+        
+        # ۱. تبدیل صدا به متن با ویسپر ۳
+        with open(audio_path, "rb") as file:
+            response = client.audio.transcriptions.create(
+                file=(audio_path, file.read()),
+                model="whisper-large-v3",
+                response_format="verbose_json",
+                language="fa"
+            )
+        
+        # دریافت متن کامل خام
+        raw_text = getattr(response, "text", "")
+        
+        # استخراج بخش‌ها
+        raw_segments = getattr(response, "segments", [])
+        original_segments = []
+        for idx, segment in enumerate(raw_segments):
+            original_segments.append({
+                "بخش": idx + 1,
+                "شروع (ثانیه)": round(segment.get("start", 0), 2),
+                "پایان (ثانیه)": round(segment.get("end", 0), 2),
+                "متن جمله": segment.get("text", "").strip()
+            })
+            
+        # ۲. ارسال خودکار متن‌ها به مدل لاما برای ویرایش ضدگلوله املایی
+        corrected_segments = foolproof_llm_correction(client, original_segments)
+        
+        return raw_text, original_segments, corrected_segments
+        
+    except Exception as e:
+        return f"خطا در پردازش: {str(e)}", [], []
+
+# ساخت محیط وب پیشرفته برای تست هر دو مرحله به صورت همزمان
+with gr.Blocks(title="تست ابزار تبدیل صدا به متن و اصلاح املایی") as demo:
+    gr.Markdown("# تست همزمان ویسپر ۳ و اصلاح املایی ضدگلوله با Llama 3.1")
+    gr.Markdown("یک فایل صوتی آپلود کنید تا خروجی خام ویسپر و نسخه اصلاح شده توسط مدل چت را در کنار هم مقایسه کنید.")
+    
+    with gr.Row():
+        with gr.Column():
+            audio_input = gr.Audio(type="filepath", label="آپلود فایل صوتی")
+            submit_btn = gr.Button("شروع پردازش صوتی و متنی", variant="primary")
+            
+        with gr.Column():
+            raw_text_output = gr.Textbox(label="متن کامل خام (Whisper Raw Text)")
+            
+    with gr.Row():
+        with gr.Column():
+            original_json = gr.JSON(label="۱. سگمنت‌های خام ویسپر (دارای غلط‌های احتمالی)")
+        with gr.Column():
+            corrected_json = gr.JSON(label="۲. سگمنت‌های اصلاح شده توسط لاما (بدون تغییر زمان‌بندی)")
+            
+    submit_btn.click(
+        fn=transcribe_and_correct,
+        inputs=[audio_input],
+        outputs=[raw_text_output, original_json, corrected_json]
+    )
+
+if __name__ == "__main__":
+    demo.launch()