app.py

# ==============================================================================
# 🛡️ FraudGuard Myanmar AI - Final Master Pipeline
# ==============================================================================
import gradio as gr
import requests
import whois
import re
import feedparser
import os

import numpy as np
from datetime import datetime
from difflib import SequenceMatcher
from PIL import Image, ImageChops
from sentence_transformers import SentenceTransformer, util
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
from io import BytesIO
from bs4 import BeautifulSoup

# --- 1. MODEL LOADING ---
print("System Initializing... Loading All AI Components.")


MODEL_NAME = "Poe255M/myanmar-fraud-detection-final"

try:
    # Hugging Face မှ Model နှင့် Tokenizer ကို တိုက်ရိုက်ယူခြင်း
    tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
    nlp_model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)
    print(f"✅ Custom Myanmar AI Model Loaded from Hugging Face: {MODEL_NAME}")
except Exception as e:
    print(f"⚠️ သတိပေးချက်: Online Model ကို မတွေ့ပါ။ Base Model ကို ယာယီသုံးထားပါမည်။ Error: {e}")
    tokenizer = AutoTokenizer.from_pretrained("xlm-roberta-base")
    nlp_model = AutoModelForSequenceClassification.from_pretrained("xlm-roberta-base", num_labels=2)

device = 'cuda' if torch.cuda.is_available() else 'cpu'
nlp_model.to(device)
nlp_model.eval()


print("Loading CLIP model for multi-modal verification...")
clip_model = SentenceTransformer('clip-ViT-B-32')

# --- 2. CORE LOGIC MODULES ---

class VerificationSystem:
    @staticmethod
    def translate_to_en(text):
        """CLIP Model ဖြင့် ပုံကိုစစ်ဆေးရန်အတွက်သာ သုံးမည်"""
        try:
            url = f"https://translate.googleapis.com/translate_a/single?client=gtx&sl=auto&tl=en&dt=t&q={text}"
            res = requests.get(url, timeout=5).json()
            return "".join([s[0] for s in res[0]])
        except:
            return text

    @staticmethod
    def verify_headline_match(user_text, url):
        """User ရိုက်တဲ့စာနဲ့ URL ထဲက မူရင်းခေါင်းစဉ် တူ၊ မတူ စစ်ဆေးရန်"""
        if not url or not url.startswith("http"):
            return 100, "N/A"
        try:
            headers = {'User-Agent': 'Mozilla/5.0'}
            res = requests.get(url, headers=headers, timeout=10)
            soup = BeautifulSoup(res.text, 'html.parser')

            original_title = ""
            h1 = soup.find('h1')
            if h1:
                original_title = h1.get_text().strip()
            elif soup.title:
                original_title = soup.title.get_text().strip()

            if not original_title:
                return 50, "Could not extract title from source"

            similarity = SequenceMatcher(None, user_text.lower(), original_title.lower()).ratio()
            match_score = similarity * 100

            msg = f"✅ Original Title: {original_title[:60]}..." if match_score > 60 else f"⚠️ Mismatch! Source Title: {original_title[:60]}..."
            return match_score, msg
        except:
            return 50, "Error Fetching Source Title"

    @staticmethod
    def perform_ela(image_path, quality=90):
        if not image_path: return 100, "No image"
        try:
            original = Image.open(image_path).convert('RGB')
            resaved_path = "temp_forensic.jpg"
            original.save(resaved_path, 'JPEG', quality=quality)
            resaved = Image.open(resaved_path)

            ela_diff = ImageChops.difference(original, resaved)
            stat = np.array(ela_diff).mean()
            if os.path.exists(resaved_path): os.remove(resaved_path)

            if stat > 1.2:
                score = max(10, 100 - (stat * 40))
                return score, "⚠️ Tampering Detected"
            elif stat > 0.8:
                score = max(50, 100 - (stat * 20))
                return score, "🟡 Minor Edits/Low Quality"
            else:
                score = min(100, 100 - (stat * 5))
                return score, "✅ Consistent Pixels"
        except: return 50, "Scan Error"

    @staticmethod
    def extract_image_from_url(url):
        if not url: return None
        try:
            headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'}
            if any(url.lower().endswith(ext) for ext in ['.jpg', '.jpeg', '.png', '.webp']):
                res = requests.get(url, headers=headers, timeout=10)
                img = Image.open(BytesIO(res.content)).convert('RGB')
                path = "temp_url_image.jpg"
                img.save(path)
                return path

            response = requests.get(url, headers=headers, timeout=10)
            soup = BeautifulSoup(response.text, 'html.parser')
            img_tag = soup.find("meta", property="og:image") or soup.find("meta", attrs={"name": "twitter:image"})
            img_url = img_tag["content"] if img_tag and img_tag.has_attr("content") else None

            if not img_url:
                first_img = soup.find("img")
                img_url = first_img["src"] if first_img and first_img.has_attr("src") else None

            if img_url:
                if img_url.startswith('//'): img_url = 'https:' + img_url
                elif img_url.startswith('/'):
                    from urllib.parse import urljoin
                    img_url = urljoin(url, img_url)

                img_res = requests.get(img_url, headers=headers, timeout=10)
                img = Image.open(BytesIO(img_res.content)).convert('RGB')
                path = "temp_extracted_image.jpg"
                img.save(path)
                return path
        except: return None
        return None

    @staticmethod
    def get_image_text_similarity(image_path, text, url="", url_image_path=None):
        if not image_path or not text: return 50, "Incomplete Data"
        try:
            is_myanmar = bool(re.search(r'[\u1000-\u109F]', text))
            processed_text = VerificationSystem.translate_to_en(text) if is_myanmar else text

            img_obj = Image.open(image_path)
            img_emb = clip_model.encode(img_obj)
            text_emb = clip_model.encode([processed_text])
            similarity = util.cos_sim(img_emb, text_emb).item()

            is_trusted_source = False
            trusted_domains = ["bbc.com", "reuters.com", "apnews.com", "voanews.com", "rfa.org", "nytimes.com"]
            if url:
                for d in trusted_domains:
                    if d in url.lower():
                        is_trusted_source = True
                        break

            is_text_match = similarity >= 0.22

            if is_text_match:
                final_score = min(100, similarity * 240)
                msg = "✅ စာသားနှင့် ပုံ ကိုက်ညီမှုရှိသည်" if is_myanmar else "✅ Context Matches"
            else:
                if is_trusted_source:
                    final_score = 55.0
                    msg = "ℹ️ သတင်းရင်းမြစ်မှာ ယုံကြည်ရသော်လည်း ပုံမှာ သရုပ်ပြပုံ (Illustrative) သာ ဖြစ်နိုင်ပါသည်" if is_myanmar else "ℹ️ Trusted source but image may be illustrative"
                else:
                    final_score = max(10, similarity * 130)
                    msg = "❌ စာသားနှင့် ပုံ မကိုက်ညီပါ" if is_myanmar else "❌ Content Mismatch"

            img_match_pct = 0
            has_url_img = False

            if url_image_path and os.path.exists(url_image_path):
                has_url_img = True
                url_img_emb = clip_model.encode(Image.open(url_image_path))
                img_similarity = util.cos_sim(img_emb, url_img_emb).item()
                img_match_pct = img_similarity * 100

                if img_match_pct > 80:
                    if not is_text_match:
                        final_score = 65.0 if is_trusted_source else 45.0
                        msg = "⚠️ Link ပါပုံနှင့် တူသော်လည်း ခေါင်းစဉ်နှင့် တိုက်ရိုက်မသက်ဆိုင်ပါ" if is_myanmar else "⚠️ Image matches Source but Mismatches Headline"
                    else:
                        final_score = min(100, final_score + 15)
                        msg = "✅ မူရင်းသတင်းပါပုံဖြစ်ပြီး စာသားနှင့်လည်း ကိုက်ညီပါသည်" if is_myanmar else "✅ Verified Source Image Match"
                elif img_match_pct < 50:
                    final_score = max(10, final_score - 25)
                    msg += " | ⚠️ Link ထဲမှ မူရင်းပုံမဟုတ်ပါ" if is_myanmar else " | ⚠️ Not the Original Image from Link"

            if has_url_img and not is_text_match and img_match_pct < 50 and not is_trusted_source:
                final_score = 10.5
                msg = "🚨 သတင်းအချက်အလက်အားလုံး လွဲမှားနေပါသည် (High Risk)" if is_myanmar else "🚨 High Risk: Complete Information Mismatch"

            return round(max(5, final_score), 2), msg
        except Exception as e:
            return 50, f"Verification Error: {str(e)}"

  
    @staticmethod
    def get_source_score(url):
        if not url or not url.startswith("http"):
            return 30, "Missing/Invalid URL Source"
        
        try:
            domain_search = re.search(r'https?://([A-Za-z0-9.-]+)', url)
            if not domain_search: return 30, "Invalid Domain"
            domain = domain_search.group(1).lower()
            
            # --- ၁။ တရားဝင် သတင်းဌာနကြီးများ (Hard News) ---
            trusted_news = ["bbc.com", "reuters.com", "rfa.org", "voanews.com", "dvb.no", "irrawaddy.com", "myanmar-now.org", "khitthitnews.com", "mizzima.com"]
            
            # --- ၂။ နာမည်ကြီး အနုပညာ/ဆယ်လီ မီဒီယာများ (Cele Media) ---
            trusted_cele = ["myanmarcelebrity.com", "popularmyanmar.com", "celegabar.com", "shwemon.com", "celeyatkwat.com"]
            
            # (က) သတင်းဌာနကြီးများ စစ်ဆေးခြင်း
            for m in trusted_news:
                if domain == m or domain.endswith("." + m):
                    return 100, f"Verified News Media ({domain})"
                    
            # (ခ) အနုပညာသတင်းဌာနများ စစ်ဆေးခြင်း
            for c in trusted_cele:
                if domain == c or domain.endswith("." + c):
                    return 90, f"Verified Entertainment Media ({domain})"
            
            # --- ၃။ Social Media Links (Facebook, Instagram) စစ်ဆေးခြင်း ---
            # ဆယ်လီသတင်းအများစုသည် Social Media ပေါ်တွင်သာ ရှိတတ်သဖြင့် သီးသန့်စစ်ဆေးမည်
            if "facebook.com" in domain or "instagram.com" in domain:
                path = url.split(domain)[-1].lower()
                
                # Official Page ဟု ယူဆနိုင်သော လက္ခဏာများ (ဥပမာ - facebook.com/naytoe.official)
                if "official" in path or "original" in path or "verified" in path:
                    return 85, "Likely Official Social Media Account"
                
                # Facebook Group သို့မဟုတ် Video Link သီးသန့်ဖြစ်နေလျှင် (သတင်းတုဖြန့်ရန် အသုံးများသော နေရာများ)
                elif "/groups/" in path or "/watch/" in path or "reel" in path:
                    return 40, "Social Media Group/Video (Unverified Origin)"
                
                # သာမန် Page သို့မဟုတ် Profile ဖြစ်လျှင် (ကြားနေအမှတ်ပေးမည်)
                else:
                    return 60, "General Social Media Source (Needs Cross-check)"

            # --- ၄။ အမည်မသိ Domain များကို WHOIS ဖြင့် သက်တမ်းစစ်ခြင်း (Fake Sites များကို ဖမ်းရန်) ---
            w = whois.whois(domain)
            creation_date = w.creation_date
            if isinstance(creation_date, list):
                creation_date = creation_date[0]
                
            if creation_date:
                from datetime import datetime
                age_days = (datetime.now() - creation_date).days
                age_months = age_days // 30
                
                if age_days < 180:
                    return 15, f"⚠️ Very New/Suspicious Site (Age: {age_months} months)"
                elif age_days < 730:
                    return 50, f"Neutral Site (Age: {age_months} months)"
                else:
                    return 80, f"Established Site (Age: {age_months // 12} years)"
            else:
                return 30, "Unknown Identity (No Creation Date)"
                
        except Exception as e:
            return 20, "Hidden/Suspicious Source Identity"

    @staticmethod
    def get_nlp_prediction(text):
      
        if not text or len(text.split()) < 3: return 10.0

        # ၁။ AI Model မှ ရလဒ်ယူခြင်း
        inputs = tokenizer(text, max_length=512, padding="max_length", truncation=True, return_tensors="pt").to(device)
        import torch
        with torch.no_grad():
            outputs = nlp_model(**inputs)
            probs = torch.nn.functional.softmax(outputs.logits, dim=-1)[0]

        real_score = probs[0].item() * 100

       
        text_lower = text.lower()
        penalty = 0

        # (က)  Health Scam ဖမ်းရန် (WHO/သုတေသန နာမည်သုံးပြီး လိမ်ထားလျှင်)
        health_keywords = ["ကျန်းမာရေး", "ရောဂါ", "ဆေး", "who", "သုတေသန", "အတည်ပြု"]
        if any(kw in text_lower for kw in health_keywords):
            scam_words = ["၁၀၀%", "အာမခံ", "ချက်ချင်း", "လျှို့ဝှက်ချက်", "မဖြစ်မနေ", "ပျောက်ကင်း", "လုံးဝကာကွယ်", "အထူးသဖြင့်", "ပိုမိုထိရောက်"]
            if any(sw in text_lower for sw in scam_words):
                penalty += 35 # ကျန်းမာရေးလိမ်လည်မှုဖြစ်၍ အမှတ်များများလျှော့မည်

        # (ခ) Cele News မှန်လျှင် Penalty မထိစေရန် ကာကွယ်ခြင်း
        cele_keywords = ["မင်းသား", "မင်းသမီး", "အဆိုတော်", "သရုပ်ဆောင်", "ဆယ်လီ", "လက်ထပ်", "celebrity"]
        is_cele = any(kw in text_lower for kw in cele_keywords)

        # ၂။  Case 2 & 3 အတွက် အထူး Red Flags (Heuristics) - (ညီမ၏ မူလ Code အတိုင်း)
        urgency_patterns = [
            "ပိတ်သိမ်းသွားမည်", "ပိတ်သိမ်းတော့မယ်", "အမြန်ဆုံး", "လက်ဆင့်ကမ်း",
            "အတွင်းသတင်း", "Update ပြုလုပ်ရပါမည်", "Personal Information",
            "အကောင့်ပိတ်သိမ်း", "ယာယီပိတ်သိမ်း", "မယုံနိုင်စရာ", "၁၀၀% အမှန်"
        ]

        if is_cele:
            # ဆယ်လီသတင်းဆိုလျှင် "မယုံနိုင်စရာ" ကဲ့သို့သော စကားလုံးများအတွက် Penalty မပေးတော့ပါ။
            # Clickbait လင့်ခ်နှိပ်ခိုင်းတာမျိုးကိုပဲ သီးသန့်စစ်ပါမည်။
            clickbait_patterns = ["ဗီဒီယိုကြည့်ရန်", "ရှယ်ထား", "လင့်ခ်ဝင်ကြည့်", "ဖုန်းဘေလ်", "လက်ဆောင်"]
            for pattern in clickbait_patterns:
                if pattern in text_lower:
                    penalty += 20
        else:
            
            for pattern in urgency_patterns:
                if pattern in text:
                    penalty += 20 # တစ်ခုပါတိုင်း ၂၀% လျှော့ချမည်

        # ၃။ AI က ၉၀% ကျော် အစစ်လို့ပြောရင်တောင် Penalty ပါရင် Score ကို ချက်ချင်းချမည်
        final_score = real_score - penalty

        # ၄။ Logic Correction (Case 2/3 Fix)
        # AI က သိပ်မသေချာဘူး (၇၅% အောက်) ဆိုရင် 'သံသယဖြစ်ဖွယ်' ဘက်ကို ပိုပို့မည်
        if final_score < 75:final_score = final_score * 0.6 # Score ကို ထပ်လျှော့ချခြင်း

        return round(max(5, final_score), 2)

      

    @staticmethod
    def check_rss_similarity(headline, url=""):
        import requests
        if not headline or len(headline) < 10: return 0

        trusted_domains = [
            "bbc.com/burmese", "rfa.org/burmese", "burmese.voanews.com",
            "mizzima.com", "khitthitnews.org", "dvb.no", "myanmar-now.org",
            "reuters.com", "apnews.com", "nytimes.com", "cnn.com",
            "theguardian.com", "aljazeera.com", "dw.com", "france24.com",
            "bloomberg.com", "wsj.com", "forbes.com","myanmarcelebrity.com"
        ]

        base_bonus = 0
        if url:
            for domain in trusted_domains:
                if domain in url.lower():
                    base_bonus = 90
                    break

        feeds = [
           "https://burmese.voanews.com/api/z$y_iqve_t",
            "https://www.rfa.org/burmese/rss2.xml",
            "https://www.bbc.com/burmese/index.xml",
            "https://burmese.dvb.no/feed",
            "https://www.mizzimaburmese.com/rss",
            "https://www.khitthitnews.com/feed",
            "https://burmese.irrawaddy.com/feed",
            "https://www.myanmarcelebrity.com/feeds/posts/default?alt=rss",
            "https://popularmyanmar.com/feed/"
        ]

        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'}
        max_sim = 0

        clean_headline = re.sub(r'[^\\u1000-\\u109F a-zA-Z0-9]', ' ', headline).lower()
        headline_keywords = set([w for w in clean_headline.split() if len(w) > 2])

        for f_url in feeds:
            try:
                response = requests.get(f_url, headers=headers, timeout=5)
                if response.status_code == 200:
                    feed = feedparser.parse(response.content)
                    for entry in feed.entries:
                        seq_sim = SequenceMatcher(None, headline.lower(), entry.title.lower()).ratio()
                        entry_clean = re.sub(r'[^\\u1000-\\u109F a-zA-Z0-9]', ' ', entry.title).lower()
                        entry_keywords = set([w for w in entry_clean.split() if len(w) > 2])
                        common = headline_keywords.intersection(entry_keywords)
                        keyword_sim = len(common) / len(headline_keywords) if headline_keywords else 0

                        max_sim = max(max_sim, seq_sim, keyword_sim)
                        if max_sim > 0.85: break
            except: continue

        rss_val = min(100, max_sim * 160)
        final_score = max(base_bonus, rss_val)

        return final_score



# --- 3. MASTER ENGINE (Final Presentation Version) ---
def master_detector_v12(text, url, image):
    try:
        v = VerificationSystem()
        
        # ၁။ 🚨 Empty Input Check (စာသားမပါလျှင်)
        if not text or not text.strip():
            return "<div style='color:#dc2626; padding:20px; text-align:center; background:#fef2f2; border-radius:10px; border:1px solid #fca5a5;'><b>⚠️ ကျေးဇူးပြု၍ စစ်ဆေးလိုသော သတင်းစာသားကို ထည့်သွင်းပါ။</b></div>"
            
        # ၂။ 🚨 Short Text Check ("I don't know" Logic - စာသားတိုလွန်းလျှင်)
        words = text.split()
        if len(words) < 10:
            return f"""
            <div style='color:#d97706; padding:20px; text-align:center; background:#fffbeb; border-radius:10px; border:1px solid #fcd34d;'>
                <b style='font-size:1.1rem;'>⚠️ အချက်အလက် မလုံလောက်ပါ (Insufficient Information)</b><br><br>
                သင်ထည့်သွင်းထားသော စာသားမှာ <b>({len(words)} လုံးသာ)</b> ရှိပြီး တိုတောင်းလွန်းပါသည်။ <br>
                AI မှ တိကျစွာ ဆန်းစစ်နိုင်ရန်အတွက် အနည်းဆုံး စကားလုံး (၁၀) လုံးနှင့်အထက် ပါဝင်သော သတင်းအပြည့်အစုံကို ထည့်သွင်းပေးပါ။
            </div>
            """
            
        # URL ပါ၊ မပါ စစ်ဆေးခြင်း
        has_url = bool(url and url.strip() != "")
        is_myanmar = bool(re.search(r'[\u1000-\u109F]', text))
        
        # --- 📊 3. UI Progress Bar ဖန်တီးပေးသော Helper Function ---
        def create_bar(label, value, bar_color, is_mm, nlp_label_local, custom_msg=None):
            if custom_msg:
                explainer = custom_msg
            else:
                if label == "Source Trust":
                    if not has_url:
                        explainer = "ℹ️ URL လင့်ခ် မပါဝင်သဖြင့် သတင်းရင်းမြစ်ကို အတည်ပြု၍ မရပါ။" if is_mm else "ℹ️ No URL provided. Source unverified."
                        bar_color = "#94a3b8"  # URL မပါလျှင် ခဲရောင်ပြမည်
                    else:
                        explainer = ("✅ ယုံကြည်ရသော ရင်းမြစ်ဖြစ်သည်။" if value > 75 else "⚠️ ရင်းမြစ် မတည်ငြိမ်ခြင်း (သို့) ဒိုမိန်းသက်တမ်း နုနယ်ခြင်း။") if is_mm else ("✅ Verified source." if value > 75 else "⚠️ Low authority source.")
                elif label == "Global Consistency":
                    explainer = ("✅ အခြားမီဒီယာများတွင်လည်း ဖော်ပြထားသည်။" if value > 60 else "ℹ️ အခြားသတင်းဌာနများတွင် အတည်ပြုချက် မတွေ့ရသေးပါ။") if is_mm else ("✅ Corroborated." if value > 60 else "ℹ️ Not corroborated yet.")
                elif label == "AI Pattern Analysis":
                    explainer = ("✅ AI မှ သတင်းမှန် အရေးအသားဟု ဆုံးဖြတ်သည်။" if nlp_label_local == "Real" else "⚠️ AI မှ သတင်းတု/Clickbait ဟု သတ်မှတ်သည်။" if nlp_label_local == "Fake" else "ℹ️ AI အတွက် ဆုံးဖြတ်ရန် ခက်ခဲသော ရောထွေးနေသည့် အရေးအသားဖြစ်သည်။") if is_mm else ("✅ Legitimate pattern." if nlp_label_local == "Real" else "⚠️ Misinformation pattern." if nlp_label_local == "Fake" else "ℹ️ Neutral/Mixed pattern.")
                elif label == "Image Integrity":
                    explainer = ("✅ ပုံရိပ်မှာ မူရင်းအတိုင်းဖြစ်ပြီး ပြင်ဆင်မှု မတွေ့ရပါ။" if value > 85 else "⚠️ ပုံရိပ်ကို ပြုပြင်ထားသော လက္ခဏာရှိသည်။") if is_mm else ("✅ No tampering." if value > 85 else "⚠️ Potential tampering.")
                elif label == "Visual Context":
                    explainer = ("✅ ပုံနှင့်စာသား ကိုက်ညီမှုရှိသည်။" if value > 72 else "⚠️ ပုံနှင့်စာသား တစ်ခြားစီဖြစ်နေသည်။") if is_mm else ("✅ Context matches." if value > 72 else "⚠️ Context mismatch.")
                else: explainer = ""
            return f"""
            <div style="margin-bottom: 12px;">
                <div style="display: flex; justify-content: space-between; font-size: 0.8rem; color: #475569; margin-bottom: 3px;">
                    <span style="font-weight:600;">{label}</span><span>{value:.1f}%</span>
                </div>
                <div style="width: 100%; background: #e2e8f0; border-radius: 10px; height: 7px; overflow: hidden;">
                    <div style="width: {value}%; background: {bar_color}; height: 100%; border-radius: 10px;"></div>
                </div>
                <div style="font-size: 0.72rem; color: #1e293b; margin-top: 3px; line-height: 1.3; font-weight: 500;">{explainer}</div>
            </div>"""
            
        # --- 🔍 4. Core Metrics Calculations ---
        url_image = v.extract_image_from_url(url) if has_url else None
        src_score, src_msg = v.get_source_score(url) if has_url else (0, "No URL")
        rss_score = v.check_rss_similarity(text, url=url)
        nlp_score = v.get_nlp_prediction(text)
        
        # NLP Score Labeling
        if nlp_score >= 65:
            nlp_label = "Real"; nlp_val = nlp_score; ai_c = "#10b981"
        elif nlp_score <= 40:
            nlp_label = "Fake"; nlp_val = 100 - nlp_score; ai_c = "#dc2626"
        else:
            nlp_label = "Neutral"; nlp_val = nlp_score; ai_c = "#94a3b8"
            
        # --- 🖼️ 5. Image Processing & Zero-shot Classification ---
        image_bars_html = ""
        img_msg_extra = ""
        sim_msg = ""
        
        if image:
            # ပြည်တွင်း/ပြည်ပ မြင်ကွင်းခွဲခြားခြင်း (Zero-shot CLIP)
            try:
                img_obj = Image.open(image)
                loc_prompts = [
                    "a photo taken in Myanmar, Burmese streets, pagodas, Asian people, Myanmar culture",
                    "a photo taken in a foreign country, Western people, foreign streets, Europe, America, Africa, Middle East"
                ]
                loc_embs = clip_model.encode(loc_prompts)
                img_emb_local = clip_model.encode(img_obj)
                loc_scores = util.cos_sim(img_emb_local, loc_embs)[0]
                if loc_scores[1] > loc_scores[0] + 0.02: 
                    img_msg_extra = "<br><span style='color:#dc2626; font-weight:600;'>🌍 AI Visual Scan: ဤပုံသည် ပြည်ပနိုင်ငံမှ မြင်ကွင်းဖြစ်နိုင်ခြေများပါသည်။ (Foreign Image Detected)</span>"
                elif loc_scores[0] > loc_scores[1] + 0.02:
                    img_msg_extra = "<br><span style='color:#059669; font-weight:600;'>🇲🇲 AI Visual Scan: ဤပုံသည် ပြည်တွင်းမှ မြင်ကွင်းဖြစ်နိုင်ခြေများပါသည်။ (Domestic Image)</span>"
            except Exception as e:
                pass # Error တက်လျှင် ကျော်သွားမည်
                
            img_ela_score, _ = v.perform_ela(image)
            img_sim_score, sim_msg_original = v.get_image_text_similarity(image, text, url=url, url_image_path=url_image)
            
            # Combine image similarity message with location detection
            sim_msg = sim_msg_original + img_msg_extra
            
            # ⚖️ Dynamic Weighting for Image Case
            if has_url:
                weights = {'source': 0.20, 'nlp': 0.35, 'rss': 0.15, 'ela': 0.10, 'sim': 0.20}
            else:
                # URL မပါလျှင် Source ကို 0 ထားပြီး AI နှင့် Image ကို အလေးပေးမည်
                weights = {'source': 0.0, 'nlp': 0.45, 'rss': 0.15, 'ela': 0.15, 'sim': 0.25}
                
            final = (src_score * weights['source']) + (nlp_score * weights['nlp']) + \
                    (rss_score * weights['rss']) + (img_ela_score * weights['ela']) + \
                    (img_sim_score * weights['sim'])
                    
            image_bars_html = f"""
            {create_bar("Image Integrity", img_ela_score, "#f59e0b", is_myanmar, nlp_label)}
            {create_bar("Visual Context", img_sim_score, "#06b6d4", is_myanmar, nlp_label, custom_msg=sim_msg)}
            """
        else:
            # ⚖️ Dynamic Weighting for Text-Only Case
            if has_url:
                weights = {'source': 0.35, 'nlp': 0.50, 'rss': 0.15}
            else:
                # ပုံရော၊ URL ရော မပါလျှင် NLP ကို 80% အထိ အလေးပေးမည်
                weights = {'source': 0.0, 'nlp': 0.80, 'rss': 0.20}
                
            final = (src_score * weights['source']) + (nlp_score * weights['nlp']) + (rss_score * weights['rss'])
            img_msg = "ℹ️ ပုံမပါဝင်သည့်အတွက် Visual Analysis မပြုလုပ်ပါ။" if is_myanmar else "ℹ️ No image for visual analysis."
            image_bars_html = f'<div style="padding:12px; background:#f1f5f9; border-radius:8px; font-size:0.75rem; color:#475569; text-align:center;">{img_msg}</div>'


        # --- 🌟 5.1 Fact-Verification Override (The Veto Power - For Cele News ONLY) 🌟 ---
       
        is_corroborated = rss_score >= 70
        cele_keywords = ["မင်းသား", "မင်းသမီး", "အဆိုတော်", "သရုပ်ဆောင်", "ဆယ်လီ", "လက်ထပ်", "celebrity"]
        is_cele_news_context = any(kw in text.lower() for kw in cele_keywords)

        if is_corroborated and is_cele_news_context:
            final = max(final, 85.0)
            if nlp_label == "Fake":
                nlp_label = "Real (Overridden by Cele Fact-Check)"


        # --- 🗂️ 6. Final Status & Dynamic Color Logic ---
        if final >= 75:
            main_bg, accent_c, status = "#ecfdf5", "#059669", "✅ ယုံကြည်စိတ်ချရသော သတင်း (RELIABLE VERDICT)"
        elif final >= 45 and final < 75:
            main_bg, accent_c, status = "#f8fafc", "#64748b", "⚖️ အတည်ပြုရန်ခက်ခဲသော သတင်း (INCONCLUSIVE / NEUTRAL)"
        else:
            main_bg, accent_c, status = "#fef2f2", "#dc2626", "🚨 သတင်းတု / အန္တရာယ်ရှိသောသတင်း (FAKE / HIGH RISK)"
            
        # --- 📝 7. Analysis & Recommendations ---
        analysis_header = "🔎 အသေးစိတ် ဆန်းစစ်ချက်" if is_myanmar else "🔎 Detailed Reasoning"
        tips_header = "🛡️ အကြံပြုချက်နှင့် သတိပြုရန်" if is_myanmar else "🛡️ Recommendations"
        reasons = []
        tips = []
        
        if final >= 75:
            # 🌟 Cele News Veto အလုပ်လုပ်ခဲ့လျှင် Message ပြောင်းပြမည် 🌟
            if is_corroborated and is_cele_news_context:
                reasons.append("🌟 <b>Cele News Verified:</b> ဤအနုပညာသတင်းကို အခြားသော တရားဝင် မီဒီယာများတွင်ပါ အတိအကျ ဖော်ပြထားသဖြင့် သတင်းအမှန်ဖြစ်ကြောင်း အတည်ပြုပါသည်။")
            else:
                reasons.append("✅ သတင်းရင်းမြစ်နှင့် အချက်အလက်များ ခိုင်မာမှုရှိသည်။")
                
            tips.append("💡 ဤသတင်းသည် ယုံကြည်စိတ်ချရသဖြင့် ဝေမျှနိုင်ပါသည်။")
            
        elif final >= 45 and final < 75:
            reasons.append("⚖️ အချက်အလက်များမှာ အမှန်နှင့် အမှား ရောထွေးနေနိုင်ပါသည်။ (သို့) လုံလောက်သော သက်သေအထောက်အထား မတွေ့ရသေးပါ။")
            tips.append("💡 ဤသတင်းကို ချက်ချင်းမယုံကြည်ဘဲ အခြားတရားဝင် မီဒီယာကြီးများတွင် ထပ်မံစစ်ဆေးရန် အကြံပြုအပ်ပါသည်။")
            
        else:
            if nlp_label == "Fake": reasons.append("⚠️ AI စနစ်မှ ဤစာသားသည် သတင်းအတု/Clickbait ပုံစံဖြစ်နေကြောင်း တွေ့ရှိရသည်။")
            
            if not has_url:
                reasons.append("ℹ️ သတင်းရင်းမြစ် (URL) ထည့်သွင်းထားခြင်း မရှိသဖြင့် မူရင်းရင်းမြစ်ကို အတည်ပြုရန် ခက်ခဲပါသည်။")
            elif src_score < 40: 
                reasons.append(f"❌ သတင်းရင်းမြစ် ({src_msg}) သည် စိတ်မချရပါ။")
                
            tips.append("💡 သတင်းအမှားဖြစ်နိုင်ခြေ အလွန်များသဖြင့် အခြားသူများထံ ဆက်လက်မဝေမျှရန် အသိပေးအပ်ပါသည်။")
            
        reasons_html = "".join([f"<li style='margin-bottom:5px;'>{r}</li>" for r in reasons])
        tips_html = "".join([f"<li style='margin-bottom:6px;'>{t}</li>" for t in tips])

        # --- 🌐 8. Final HTML Output 
        return f"""
        <div style="background: {main_bg}; padding: 22px; border-radius: 15px; border: 1px solid {accent_c}33; font-family: sans-serif; box-shadow: 0 4px 6px rgba(0,0,0,0.1);">
            <div style="display: flex; justify-content: space-between; align-items: center; margin-bottom: 20px;">
                <h3 style="margin: 0; color: {accent_c}; font-size: 1.15rem; font-weight: 800;">{status}</h3>
                <span style="background: {accent_c}; color: white; padding: 5px 15px; border-radius: 25px; font-weight: 800;">{final:.1f}%</span>
            </div>
            <div style="background: white; padding: 18px; border-radius: 12px; box-shadow: 0 2px 4px rgba(0,0,0,0.03);">
                <b style="font-size: 0.85rem; color: #1e293b; display: block; margin-bottom: 15px; text-transform: uppercase;">📊 Verification Metrics:</b>
                {create_bar("Source Trust", src_score, "#3b82f6", is_myanmar, nlp_label)}
                {create_bar("Global Consistency", rss_score, "#8b5cf6", is_myanmar, nlp_label)}
                {create_bar("AI Pattern Analysis", nlp_val, ai_c, is_myanmar, nlp_label)}
                <hr style="border: 0; border-top: 1px solid #f1f5f9; margin: 18px 0;">
                {image_bars_html}
            </div>
            <div style="background: {("#f0fdf4" if final >= 75 else "#f8fafc" if final >= 45 else "#fef2f2")}; padding: 15px; border-radius: 10px; border-left: 5px solid {accent_c}; margin-top: 15px;">
                <b style="color: {accent_c}; display: block; margin-bottom: 8px;">{analysis_header}</b>
                <ul style="margin: 0; padding-left: 20px; color: #1e293b; font-size: 0.95rem;">{reasons_html if reasons_html else "<li>Analysis complete.</li>"}</ul>
            </div>
            <div style="background: #eff6ff; padding: 15px; border-radius: 10px; border-left: 5px solid #2563eb; margin-top: 12px;">
                <b style="color: #1e40af; display: block; margin-bottom: 8px;">{tips_header}</b>
                <ul style="margin: 0; padding-left: 20px; color: #1e3a8a; font-size: 0.95rem;">{tips_html}</ul>
            </div>
        </div>
        """
    except Exception as e:
        import traceback
        return f"<div style='color:red; padding:20px; border:1px solid red; border-radius:10px;'><b>System Error:</b> {str(e)}<br><pre style='font-size:0.7rem;'>{traceback.format_exc()}</pre></div>"                 

     

           


# --- 4. MODERN UI DESIGN ---
custom_css = """
@import url('https://fonts.googleapis.com/css2?family=Inter:wght@400;600;700&display=swap');
@import url('https://mmwebfonts.comquas.com/fonts/?font=pyidaungsu');
.gradio-container { background-color: #f9fafb !important; font-family: 'Inter', 'Pyidaungsu' !important; }
.card { background: white !important; border-radius: 20px !important; border: 1px solid #e5e7eb !important; padding: 30px !important; }
textarea { font-family: 'Pyidaungsu', sans-serif !important; font-size: 16px !important; }
.btn-primary { background: #111827 !important; color: white !important; border-radius: 10px !important; font-weight: 600 !important; }
"""

with gr.Blocks(css=custom_css) as demo:
    gr.HTML("<div style='text-align: center; padding: 20px;'><h1>🛡️ Fake News Detection (Powered by Myanmar AI)</h1></div>")
    with gr.Tabs():
        with gr.TabItem("🔍 Verifier Dashboard"):
            with gr.Row():
                with gr.Column(scale=5, elem_classes="card"):
                    txt = gr.Textbox(label="News Content", lines=8, placeholder="သတင်းစာသားကို ဤနေရာတွင် ထည့်ပါ...")
                    url = gr.Textbox(label="Source URL (Optional)")
                    img = gr.Image(label="Image Attachment", type="filepath")
                    with gr.Row():
                        clear = gr.Button("Reset Fields")
                        submit = gr.Button("Analyze News", variant="primary")
                with gr.Column(scale=5):
                    empty_html = "<div style='text-align: center; padding: 100px; color: #9ca3af;'>Ready for analysis...</div>"
                    output = gr.HTML(value=empty_html)

        with gr.TabItem("ℹ️ About System"):
            with gr.Column(elem_classes="card"):
                gr.Markdown(r""" 
                # 🛡️ Fake News Detection System Methodology
                ### 📄 1. Project Overview & System Rationale
                ဤ Project သည် သတင်းတု (Fake News) များကို ရှာဖွေရာတွင် စာသားတင်မကဘဲ Context အားလုံးကို ခြုံငုံကြည့်သည့် **Multi-modal Framework** တစ်ခုဖြစ်သည်။ ဤစနစ်သည် သတင်းတစ်ခု၏ စစ်မှန်မှုကို အချက် (၄) ချက်ဖြင့် တိုင်းတာပါသည်။
                1. **Linguistic Style:** အရေးအသားပုံစံမှာ ဝါဒဖြန့်စာသားဖြစ်နေသလား?
                2. **Metadata & Source:** သတင်းလာရာ ရင်းမြစ်က ယုံကြည်ရသလား?
                3. **Visual Integrity:** သတင်းတွင်ပါသော ပုံသည် ပြုပြင်ထားသလား သို့မဟုတ် စာသားနှင့် ကိုက်ညီမှုရှိသလား?
                4. **Global consistency:** အခြားသော မီဒီယာကြီးများမှာ ဖော်ပြထားခြင်းရှိသလား?

                ---

                ### 🧠 2. Core Algorithms & Methodology

                #### **A. Transformer-based Classification (XLM-RoBERTa)**
                * **Algorithm:** *XLM-RoBERTa (Cross-lingual Language Model)*
                * **Implementation:** ဤ Model သည် မြန်မာစာ သတင်းမှန်နှင့် သတင်းအတု Data ထောင်ပေါင်းများစွာကို ကိုယ်တိုင် သင်ယူ (Fine-tuned) ထားသော ကိုယ်ပိုင် AI စနစ်ဖြစ်သည်။ ဘာသာပြန်စရာမလိုဘဲ မြန်မာစာကို တိုက်ရိုက် နားလည်စစ်ဆေးနိုင်သည်။

                #### **B. Visual Forensics (ELA & CLIP)**
                * **Error Level Analysis (ELA):** JPEG ပုံရိပ်တစ်ခုကို ပြန်သိမ်းသည့်အခါ ပြုပြင်ထားသော Pixel များသည် Error Level ကွဲပြားသွားခြင်းကို အခြေခံ၍ ပုံပြင်/မပြင်ကို စစ်ဆေးသည်။
                * **CLIP (Contrastive Language-Image Pre-training):** NLP နည်းပညာကို အသုံးပြု၍ စာသားထဲတွင် ပါဝင်သော "အကြောင်းအရာ" နှင့် ရုပ်ပုံထဲတွင် မြင်တွေ့ရသော "အမြင်အာရုံဆိုင်ရာ သဘောတရား (Visual Concept)" တို့၏ ကိုက်ညီမှုကို Text-Image Embedding Alignment နည်းလမ်းဖြင့် တိုင်းတာသည်။

                #### **C. Source Verification & RSS Matching**
                * **Whois Analysis:** Domain ၏ သက်တမ်းကို စစ်ဆေးသည်။ သတင်းအတုဆိုဒ်အများစုမှာ သက်တမ်း (၆) လအောက်သာ ရှိတတ်သည်။
                * **RSS Feed Comparison:** BBC, RFA, VOA စသည့် ယုံကြည်ရသော သတင်းဌာနကြီးများ၏ လက်ရှိသတင်းခေါင်းစဉ်များနှင့် သင့်သတင်းကို တိုက်ဆိုင်စစ်ဆေးပြီး အခြားမီဒီယာတွင် ပါ၊ မပါ ဆုံးဖြတ်သည်။

                ---

                ### ⚙️ 3. Mathematical Scoring Model
                စနစ်မှ ရရှိလာသော Metrics တစ်ခုချင်းစီကို အောက်ပါ **Weighted Average Formula** ဖြင့် ပေါင်းစပ်ကာ Confidence Score ထုတ်ပေးပါသည်။

                $$Score = (W_{nlp} \cdot NLP) + (W_{src} \cdot Source) + (W_{rss} \cdot RSS) + (W_{vis} \cdot Visual)$$

                | Metric | Weight (With Image) | Weight (Text Only) |
                | :--- | :--- | :--- |
                | **AI Pattern (NLP)** | 30% | 45% |
                | **Source Authority** | 25% | 45% |
                | **Visual Forensics** | 10% | - |
                | **Content Consistency**| 20% | - |
                | **Global Consensus** | 15% | 10% |

                ---

                ### 🎯 4. Project Deliverables
                * ✅ **Hybrid Detection:** စာသားရော ပုံပါ စစ်ဆေးနိုင်ခြင်း။
                * ✅ **Evidence-Based Reasoning:** အဖြေတစ်ခုတည်း မဟုတ်ဘဲ အကြောင်းပြချက်ပါ ဖော်ပြခြင်း။
                * ✅ **Burmese Language Support:** မြန်မာစာသားများကို တိုက်ရိုက် နားလည်ထောက်ပံ့ပေးခြင်း။
                """)

    submit.click(master_detector_v12, inputs=[txt, url, img], outputs=output)
    clear.click(lambda: ["", "", None, empty_html], outputs=[txt, url, img, output])

if __name__ == "__main__":
    demo.launch(share=True)