app.py

import os
import numpy as np
import matplotlib.pyplot as plt
import streamlit as st
import tempfile
import librosa
from scipy.signal import butter, filtfilt, wiener
from scipy.io.wavfile import write

# ตั้งค่าหน้าเพจ
st.set_page_config(page_title="การลดเสียงรบกวนและแยกเสียงพูด", page_icon="🎧", layout="wide")

st.title("🎧 การลดเสียงรบกวนและแยกเสียงพูด")
st.write("แอปนี้ใช้ Digital Signal Processing (DSP) เพื่อลดเสียงรบกวนจากไฟล์เสียง โดยใช้ Bandpass Filter, Wiener Filter และ Spectral Subtraction")

# 📌 ตรวจสอบและสร้างโฟลเดอร์ `/tmp/` หรือ `./temp/`
output_folder = "/tmp" if os.getenv("SYSTEM") == "spaces" else "./temp"
os.makedirs(output_folder, exist_ok=True)

# 📌 ฟังก์ชัน Bandpass Filter (รับค่า Lowcut & Highcut จากผู้ใช้)
def bandpass_filter(audio_signal, sample_rate, lowcut, highcut, order=5):
    nyquist = 0.5 * sample_rate
    low = lowcut / nyquist
    high = highcut / nyquist
    b, a = butter(order, [low, high], btype='band')
    return filtfilt(b, a, audio_signal)

# 📌 ฟังก์ชัน Wiener Filter
def apply_wiener_filter(audio_signal):
    return wiener(audio_signal)

# 📌 ฟังก์ชัน Spectral Subtraction
def spectral_subtraction(audio_signal, sample_rate):
    D = librosa.stft(audio_signal)
    magnitude, phase = np.abs(D), np.angle(D)
    noise_profile = np.mean(magnitude[:, :5], axis=1, keepdims=True)
    magnitude_denoised = np.maximum(magnitude - noise_profile, 0)
    return librosa.istft(magnitude_denoised * np.exp(1j * phase))

# 📌 ฟังก์ชันแสดง Waveform
def plot_waveform(audio_signal, sample_rate, title="Waveform"):
    plt.figure(figsize=(10, 3))
    time = np.linspace(0, len(audio_signal) / sample_rate, num=len(audio_signal))
    plt.plot(time, audio_signal, color='b')
    plt.xlabel("Time (seconds)")
    plt.ylabel("Amplitude")
    plt.title(title)
    plt.grid(alpha=0.3)
    st.pyplot(plt)

# 📌 ฟังก์ชันประมวลผลไฟล์เสียง
def process_audio(audio_file):
    with tempfile.NamedTemporaryFile(delete=False, suffix=".wav") as tmp_file:
        tmp_file.write(audio_file.getvalue())
        tmp_file_path = tmp_file.name

    # โหลดไฟล์เสียง
    waveform, sample_rate = librosa.load(tmp_file_path, sr=None, mono=True)

    # แสดงข้อมูลไฟล์เสียง
    st.write(f"🔊 Sample rate: {sample_rate} Hz, ⏱️ ความยาว: {len(waveform)/sample_rate:.2f} วินาที")

    # แสดงเสียงต้นฉบับ
    st.audio(tmp_file_path, format="audio/wav")

    # แสดง Waveform ก่อนประมวลผล
    st.markdown("### 📊 กราฟสัญญาณเสียงต้นฉบับ")
    plot_waveform(waveform, sample_rate, title="Original Waveform")

    # 🛠 เลือกเทคนิค DSP
    st.markdown("### ⚙️ ตัวเลือกการแยกเสียง")
    use_bandpass = st.checkbox("ใช้ Bandpass Filter", value=True)
    use_wiener = st.checkbox("ใช้ Wiener Filter", value=True)
    use_spectral = st.checkbox("ใช้ Spectral Subtraction", value=True)

    # 📌 ตั้งค่าความถี่ Bandpass Filter (ผู้ใช้สามารถปรับได้)
    if use_bandpass:
        st.markdown("#### 🎛 ปรับค่าความถี่ของ Bandpass Filter")
        col1, col2 = st.columns(2)
        with col1:
            lowcut = st.slider("เลือกความถี่ต่ำสุด (Lowcut)", min_value=50, max_value=1000, value=300, step=10)
        with col2:
            highcut = st.slider("เลือกความถี่สูงสุด (Highcut)", min_value=1000, max_value=8000, value=3000, step=100)

    # 🔥 ประมวลผลเสียง
    st.markdown("### 🛠 กำลังแยกเสียง...")
    with st.spinner("กำลังประมวลผลเสียง..."):
        processed_waveform = waveform.copy()
        if use_bandpass:
            processed_waveform = bandpass_filter(processed_waveform, sample_rate, lowcut, highcut)
        if use_wiener:
            processed_waveform = apply_wiener_filter(processed_waveform)
        if use_spectral:
            processed_waveform = spectral_subtraction(processed_waveform, sample_rate)
        processed_waveform /= np.max(np.abs(processed_waveform))  # Normalize

    # 🔊 แสดงเสียงที่แยกแล้ว
    st.markdown("### 🎧 เสียงที่แยกแล้ว")
    output_path = os.path.join(output_folder, "separated_audio.wav")
    
    # บันทึกไฟล์ `.wav` แบบ `PCM_16`
    write(output_path, sample_rate, (processed_waveform * 32767).astype(np.int16))
    
    st.audio(output_path, format="audio/wav")

    # แสดง Waveform หลังการแยกเสียง
    st.markdown("### 📊 กราฟสัญญาณเสียงหลังการแยกเสียง")
    plot_waveform(processed_waveform, sample_rate, title="Separated Waveform")

    # ปุ่มดาวน์โหลดไฟล์เสียง
    with open(output_path, "rb") as file:
        st.download_button(label="⬇️ ดาวน์โหลดเสียงที่แยกแล้ว", data=file, file_name="separated_audio.wav", mime="audio/wav")

    # ลบไฟล์ชั่วคราว
    os.remove(tmp_file_path)

# UI สำหรับอัปโหลดไฟล์เสียง
st.markdown("## 📤 อัปโหลดไฟล์เสียงที่ต้องการแยก")
uploaded_file = st.file_uploader("เลือกไฟล์เสียง (.wav, .mp3, .flac)", type=["wav", "mp3", "flac"])

if uploaded_file is not None:
    process_audio(uploaded_file)