app.py

import torch  # นำเข้า PyTorch สำหรับการใช้งาน GPU

import gradio as gr  # นำเข้า Gradio สำหรับสร้าง UI
import yt_dlp as youtube_dl  # นำเข้า yt-dlp สำหรับการดาวน์โหลดวิดีโอจาก YouTube
from transformers import pipeline  # นำเข้า pipeline จาก transformers สำหรับ ASR
from transformers.pipelines.audio_utils import ffmpeg_read  # นำเข้า ffmpeg_read สำหรับการอ่านไฟล์เสียง

import tempfile  # นำเข้า tempfile สำหรับการสร้างไฟล์ชั่วคราว
import os  # นำเข้า os สำหรับการจัดการไฟล์และไดเรกทอรี

# ตั้งค่าค่าคงที่ต่าง ๆ
MODEL_NAME = "fruk19/N_ASR_"  # ชื่อของโมเดลที่ใช้
BATCH_SIZE = 8  # ขนาดของ batch ที่ใช้ในการประมวลผล
FILE_LIMIT_MB = 1000  # ขนาดไฟล์สูงสุด (MB)
YT_LENGTH_LIMIT_S = 3600  # จำกัดความยาวไฟล์ YouTube สูงสุดที่ 1 ชั่วโมง

# ตรวจสอบว่ามี GPU หรือไม่ ถ้ามีให้ใช้ GPU (device=0) ถ้าไม่มีให้ใช้ CPU
device = 0 if torch.cuda.is_available() else "cpu"

# สร้าง pipeline สำหรับ automatic speech recognition (ASR)
pipe = pipeline(
    task="automatic-speech-recognition",  # งานที่ทำคือการรู้จำเสียงอัตโนมัติ
    model=MODEL_NAME,  # โมเดลที่ใช้
    chunk_length_s=30,  # ความยาวของ chunk ในหน่วยวินาที
    device=device,  # อุปกรณ์ที่ใช้ (GPU หรือ CPU)
)

def transcribe(inputs):
    """
    Transcribe the given audio input to text using the Whisper model.
    
    Args:
        inputs (str): Path to the audio file.

    Returns:
        str: Transcribed text.

    Raises:
        gr.Error: If no audio file is submitted.
    """
    if inputs is None:
        # ถ้าไม่มีไฟล์เสียงถูกส่งเข้ามา ให้แสดงข้อผิดพลาด
        raise gr.Error("No audio file submitted! Please upload or record an audio file before submitting your request.")

    # ถอดความเสียงเป็นข้อความ
    text = pipe(inputs, batch_size=BATCH_SIZE, return_timestamps=True)["text"]
    return text  # ส่งคืนข้อความที่ถอดความแล้ว

def _return_yt_html_embed(yt_url):
    """
    Return an HTML string to embed a YouTube video.

    Args:
        yt_url (str): YouTube video URL.

    Returns:
        str: HTML string for embedding the YouTube video.
    """
    # ดึง video_id จาก URL
    video_id = yt_url.split("?v=")[-1]
    # สร้าง HTML สำหรับฝังวิดีโอ YouTube
    HTML_str = (
        f'<center> <iframe width="500" height="320" src="https://www.youtube.com/embed/{video_id}"> </iframe>'
        " </center>"
    )
    return HTML_str  # ส่งคืน HTML string

def download_yt_audio(yt_url, filename):
    """
    Download audio from a YouTube video and save it to a file.

    Args:
        yt_url (str): YouTube video URL.
        filename (str): Path to save the downloaded file.

    Raises:
        gr.Error: If there is a problem with downloading the YouTube video.
    """
    # สร้างตัวโหลดข้อมูลจาก YouTube
    info_loader = youtube_dl.YoutubeDL()
    
    try:
        # ดึงข้อมูลของวิดีโอจาก YouTube โดยไม่ดาวน์โหลด
        info = info_loader.extract_info(yt_url, download=False)
    except youtube_dl.utils.DownloadError as err:
        # ถ้ามีข้อผิดพลาดในการดึงข้อมูล ให้แสดงข้อผิดพลาด
        raise gr.Error(str(err))
    
    # ตรวจสอบความยาวของไฟล์
    file_length = info["duration_string"]  # ความยาวของไฟล์ในรูปแบบ HH:MM:SS
    file_h_m_s = file_length.split(":")  # แยกเวลาเป็นชั่วโมง นาที และวินาที
    file_h_m_s = [int(sub_length) for sub_length in file_h_m_s]  # แปลงค่าเวลาเป็นจำนวนเต็ม
    
    if len(file_h_m_s) == 1:
        file_h_m_s.insert(0, 0)  # ถ้ามีแค่ค่าเดียว ให้เพิ่มชั่วโมงเป็น 0
    if len(file_h_m_s) == 2:
        file_h_m_s.insert(0, 0)  # ถ้ามีสองค่า ให้เพิ่มชั่วโมงเป็น 0
    # คำนวณความยาวของไฟล์ในหน่วยวินาที
    file_length_s = file_h_m_s[0] * 3600 + file_h_m_s[1] * 60 + file_h_m_s[2]
    
    if file_length_s > YT_LENGTH_LIMIT_S:
        # ถ้าความยาวไฟล์เกินขีดจำกัด ให้แสดงข้อผิดพลาด
        yt_length_limit_hms = time.strftime("%HH:%MM:%SS", time.gmtime(YT_LENGTH_LIMIT_S))
        file_length_hms = time.strftime("%HH:%MM:%SS", time.gmtime(file_length_s))
        raise gr.Error(f"Maximum YouTube length is {yt_length_limit_hms}, got {file_length_hms} YouTube video.")
    
    # ตั้งค่าตัวเลือกสำหรับ yt-dlp
    ydl_opts = {"outtmpl": filename, "format": "worstvideo[ext=mp4]+bestaudio[ext=m4a]/best[ext=mp4]/best"}
    
    with youtube_dl.YoutubeDL(ydl_opts) as ydl:
        try:
            # ดาวน์โหลดวิดีโอจาก YouTube
            ydl.download([yt_url])
        except youtube_dl.utils.ExtractorError as err:
            # ถ้ามีข้อผิดพลาดในการดาวน์โหลด ให้แสดงข้อผิดพลาด
            raise gr.Error(str(err))

def yt_transcribe(yt_url):
    """
    Transcribe the audio from a YouTube video to text using the Whisper model.

    Args:
        yt_url (str): YouTube video URL.

    Returns:
        tuple: HTML string for embedding the YouTube video, transcribed text.
    """
    # สร้าง HTML สำหรับฝังวิดีโอ YouTube
    html_embed_str = _return_yt_html_embed(yt_url)

    with tempfile.TemporaryDirectory() as tmpdirname:
        # สร้างไดเรกทอรีชั่วคราว
        filepath = os.path.join(tmpdirname, "video.mp4")
        # ดาวน์โหลดไฟล์เสียงจาก YouTube
        download_yt_audio(yt_url, filepath)
        with open(filepath, "rb") as f:
            # อ่านข้อมูลจากไฟล์
            inputs = f.read()

    # อ่านข้อมูลเสียงจากไฟล์วิดีโอ
    inputs = ffmpeg_read(inputs, pipe.feature_extractor.sampling_rate)
    inputs = {"array": inputs, "sampling_rate": pipe.feature_extractor.sampling_rate}

    # ถอดความเสียงเป็นข้อความ
    text = pipe(inputs, batch_size=BATCH_SIZE, return_timestamps=True)["text"]

    return html_embed_str, text  # ส่งคืน HTML string และข้อความที่ถอดความแล้ว

# สร้าง UI สำหรับแอปพลิเคชันด้วย Gradio
demo = gr.Blocks()

# อินเตอร์เฟสสำหรับถอดความจากไมโครโฟน
mf_transcribe = gr.Interface(
    fn=transcribe,  # ฟังก์ชันที่ใช้ในการถอดความ
    inputs=[
        gr.inputs.Audio(source="microphone", type="filepath", optional=True),  # อินพุตเป็นเสียงจากไมโครโฟน
    ],
    outputs="text",  # ผลลัพธ์เป็นข้อความ
    layout="horizontal",  # เลย์เอาต์แบบแนวนอน
    theme="huggingface",  # ธีมของ Gradio
    title="Whisper Large V2: Transcribe Audio",  # ชื่อของแอปพลิเคชัน
    description=(
        "Transcribe long-form microphone or audio inputs with the click of a button! Demo uses the"
        f" checkpoint [{MODEL_NAME}](https://huggingface.co/{MODEL_NAME}) and 🤗 Transformers to transcribe audio files"
        " of arbitrary length."
    ),  # คำอธิบายของแอปพลิเคชัน
    allow_flagging="never",  # ไม่อนุญาตให้ flag ผลลัพธ์
)

# อินเตอร์เฟสสำหรับถอดความจากไฟล์เสียงที่อัปโหลด
file_transcribe = gr.Interface(
    fn=transcribe,  # ฟังก์ชันที่ใช้ในการถอดความ
    inputs=[
        gr.inputs.Audio(source="upload", type="filepath", optional=True, label="Audio file"),  # อินพุตเป็นไฟล์เสียงที่อัปโหลด
    ],
    outputs="text",  # ผลลัพธ์เป็นข้อความ
    layout="horizontal",  # เลย์เอาต์แบบแนวนอน
    theme="huggingface",  # ธีมของ Gradio
    title="Whisper Large V2: Transcribe Audio",  # ชื่อของแอปพลิเคชัน
    description=(
        "Transcribe long-form microphone or audio inputs with the click of a button! Demo uses the"
        f" checkpoint [{MODEL_NAME}](https://huggingface.co/{MODEL_NAME}) and 🤗 Transformers to transcribe audio files"
        " of arbitrary length."
    ),  # คำอธิบายของแอปพลิเคชัน
    allow_flagging="never",  # ไม่อนุญาตให้ flag ผลลัพธ์
)

# อินเตอร์เฟสสำหรับถอดความจากวิดีโอ YouTube
yt_transcribe = gr.Interface(
    fn=yt_transcribe,  # ฟังก์ชันที่ใช้ในการถอดความ
    inputs=[
        gr.inputs.Textbox(lines=1, placeholder="Paste the URL to a YouTube video here", label="YouTube URL"),  # อินพุตเป็น URL ของ YouTube
    ],
    outputs=["html", "text"],  # ผลลัพธ์เป็น HTML สำหรับฝังวิดีโอและข้อความที่ถอดความแล้ว
    layout="horizontal",  # เลย์เอาต์แบบแนวนอน
    theme="huggingface",  # ธีมของ Gradio
    title="Whisper Large V2: Transcribe YouTube",  # ชื่อของแอปพลิเคชัน
    description=(
        "Transcribe long-form YouTube videos with the click of a button! Demo uses the checkpoint"
        f" [{MODEL_NAME}](https://huggingface.co/{MODEL_NAME}) and 🤗 Transformers to transcribe video files of"
        " arbitrary length."
    ),  # คำอธิบายของแอปพลิเคชัน
    allow_flagging="never",  # ไม่อนุญาตให้ flag ผลลัพธ์
)

# รวม UI ของทุกส่วนเข้าด้วยกันใน Tabbed Interface
with demo:
    gr.TabbedInterface([mf_transcribe, file_transcribe, yt_transcribe], ["Microphone", "Audio file", "YouTube"])

# เริ่มต้น Gradio demo
demo.launch(enable_queue=True)