app.py

# app.py
import gradio as gr
import yt_dlp
import tempfile
import os
import shutil
import speech_recognition as sr
from pydub import AudioSegment
import time
import warnings
import uuid
import logging
from threading import Lock
from fastapi import FastAPI

# تنظیمات لاگ‌گیری سطح دیباگ
logging.basicConfig(level=logging.DEBUG)
logger = logging.getLogger(__name__)

warnings.filterwarnings("ignore")

# ذخیره سشن‌ها و متون استخراج‌شده
session_map = {}
transcriptions_db = {}
lock = Lock()

def convert_to_mp3_and_transcribe(video_url, language, progress=gr.Progress(), request: gr.Request = None):
    """
    دانلود ویدیو، تبدیل به MP3 و استخراج متن به زبان انتخابی.
    """
    session_hash = request.session_hash if request else str(uuid.uuid4())
    logger.debug(f"[{session_hash}] شروع درخواست با زبان {language}")

    if not video_url:
        return None, None, "لینک ویدیو را وارد کنید."

    try:
        progress(0, desc="در حال دانلود ویدیو...")
        logger.debug(f"[{session_hash}] در حال دانلود ویدیو از: {video_url}")

        ydl_opts = {
            'format': 'bestaudio[ext=m4a]/bestaudio/best',
            'postprocessors': [{
                'key': 'FFmpegExtractAudio',
                'preferredcodec': 'mp3',
                'preferredquality': '192',
            }],
            'outtmpl': 'temp.%(ext)s',
            'quiet': True,
        }

        with yt_dlp.YoutubeDL(ydl_opts) as ydl:
            ydl.download([video_url])

        # پیدا کردن mp3
        mp3_file = None
        for file in os.listdir('.'):
            if file.startswith('temp.') and file.endswith('.mp3'):
                mp3_file = file
                break

        if not mp3_file:
            logger.warning(f"[{session_hash}] MP3 دانلود نشد!")
            return None, None, "خطا در دانلود یا تبدیل."

        temp_mp3 = tempfile.NamedTemporaryFile(suffix='.mp3', delete=False)
        temp_mp3.close()
        shutil.copy2(mp3_file, temp_mp3.name)
        os.remove(mp3_file)

        logger.debug(f"[{session_hash}] MP3 آماده: {temp_mp3.name} | سایز: {os.path.getsize(temp_mp3.name)//1024}KB")
        progress(0.3, desc="ویرایش صوت...")

        text, error_msg = transcribe_audio(
            temp_mp3.name, progress, language, session_hash
        )

        if text is None:
            logger.warning(f"[{session_hash}] استخراج متن ناموفق بود: {error_msg}")
            return temp_mp3.name, None, f"MP3 آماده. متن استخراج نشد. {error_msg or ''}"

        logger.info(f"[{session_hash}] استخراج متن موفقیت‌آمیز: {text[:100]}...")
        progress(1.0, desc="استخراج متن کامل شد!")

        with lock:
            transcriptions_db[session_hash] = text

        return temp_mp3.name, text, f"Success - Session Hash: {session_hash}"

    except Exception as e:
        logger.error(f"[{session_hash}] خطای کلی: {str(e)}", exc_info=True)
        return None, None, f"خطای سیستمی — لاگ لاگیرنده را ببینید."

def transcribe_audio(mp3_path, progress, language, session_hash, chunk_length_ms=55000, overlap_ms=5000):
    recognizer = sr.Recognizer()
    recognizer.energy_threshold = 300
    recognizer.dynamic_energy_threshold = True
    recognizer.pause_threshold = 0.6

    full_text = []
    bad_chunks = 0
    total_chunks = 0
    temp_wav_dir = tempfile.mkdtemp()
    audio = AudioSegment.from_mp3(mp3_path)
    duration_ms = len(audio)

    if duration_ms == 0:
        return None, "صدایی پیدا نشد."

    step_size = chunk_length_ms - overlap_ms
    if step_size <= 0:
        step_size = chunk_length_ms // 2
    num_chunks = max(1, (duration_ms // step_size) + 1)

    logger.debug(f"[{session_hash}] مدت فایل: {duration_ms/1000:.2f}s، تعداد chunkها: {num_chunks}")
    progress(0.5, desc="در حال تقسیم صوت...")

    i = 0
    chunk_idx = 1
    while i < duration_ms:
        end_pos = min(i + chunk_length_ms, duration_ms)
        chunk = audio[i:end_pos]

        if len(chunk) < 2000:
            logger.debug(f"[{session_hash}] chunk {chunk_idx} خیلی کوتاه، متوقف می‌شود.")
            break

        temp_wav = os.path.join(temp_wav_dir, f"chunk_{i}.wav")
        chunk.export(temp_wav, format="wav")

        try:
            progress(0.5 + (i / duration_ms) * 0.5, desc=f"در حال استخراج chunk {chunk_idx}/{num_chunks}...")

            with sr.AudioFile(temp_wav) as source:
                recognizer.adjust_for_ambient_noise(source, duration=0.5)
                audio_data = recognizer.record(source)

            text = recognizer.recognize_google(audio_data, language=language)
            if not text.strip():
                text = "[سکوت]"
            logger.debug(f"[{session_hash}] chunk {chunk_idx}: {text[:50]}...")
            full_text.append(text)

        except sr.UnknownValueError:
            logger.warning(f"[{session_hash}] chunk {chunk_idx} نامشخص.")
            full_text.append("[نامشخص]")
        except sr.RequestError as e:
            logger.warning(f"[{session_hash}] chunk {chunk_idx} RequestError: {str(e)}")
            full_text.append("[خطای شبکه]")
        except Exception as e:
            logger.error(f"[{session_hash}] chunk {chunk_idx} خطای داخلی: {str(e)}", exc_info=True)
            full_text.append("[خطای داخلی]")

        if os.path.exists(temp_wav):
            os.remove(temp_wav)

        i += step_size
        chunk_idx += 1

    shutil.rmtree(temp_wav_dir, ignore_errors=True)
    final = " ".join(full_text).strip()

    if not final:
        return None, "هیچ متنی استخراج نشد."

    return final, None

def query_transcription(session_hash):
    if not session_hash:
        return "لطفا session hash معتبر وارد کنید."

    with lock:
        text = transcriptions_db.get(session_hash)

    if not text:
        return "none"

    logger.debug(f"[{session_hash}] درخواست استعلام متن.")
    return text


# رابط گرافی Gradio
with gr.Blocks() as app:
    with gr.Tab("تبدیل ویدیو به صوت و متن"):
        gr.Interface(
            fn=convert_to_mp3_and_transcribe,
            inputs=[
                gr.Textbox(label="لینک ویدیو", placeholder="YouTube یا MP4..."),
                gr.Dropdown(
                    choices=[("پارسی", "fa-IR"), ("انگلیسی", "en-US")],
                    value="fa-IR",
                    label="زبان متن"
                )
            ],
            outputs=[
                gr.File(label="دانلود MP3"),
                gr.Textbox(label="متن استخراج‌شده", lines=10),
                gr.Textbox(label="وضعیت")
            ],
            title="تبدیل ویدیو به MP3 و استخراج متن",
            examples=[
                ["https://www.youtube.com/watch?v=5qap5aO4i9A", "fa-IR"],
                ["https://www.youtube.com/watch?v=dQw4w9WgXcQ", "en-US"]
            ]
        )

    with gr.Tab("جستجوی متن بر اساس Session Hash"):
        with gr.Row():
            textbox = gr.Textbox(label="Session Hash")
        btn = gr.Button("جستجوی متن")
        output = gr.Textbox(label="نتیجه", lines=10)
        btn.click(fn=query_transcription, inputs=textbox, outputs=output)

# افزودن endpoint API برای دسترسی سریع
@app.app.get("/api/text/{session_hash}")
async def get_text(session_hash: str):
    with lock:
        text = transcriptions_db.get(session_hash)
    return {"session_hash": session_hash, "text": text or "Not Found"}

# اجرای اپ
if __name__ == "__main__":
    app.launch(
        server_name="0.0.0.0",
        server_port=7860,
        share=False,
        debug=True  # این کار را Gradio انجام می‌دهد.
    )