import re
from pythainlp.tokenize import word_tokenize
from pythainlp.transliterate import transliterate

class ThaiIPAPreprocessor:
    def __init__(self):
        # พจนานุกรมคำทับศัพท์ (แปลงเป็นไทยก่อน เพื่อให้ thaig2p อ่านถูก)
        self.en_th_dict = {
            "facebook": "เฟซบุ๊ก", "youtube": "ยูทูบ", "twitter": "ทวิตเตอร์",
            "ai": "เอไอ", "update": "อัปเดต", "app": "แอป",
            "chatgpt": "แชตจีพีที", "python": "ไพธอน"
        }

    def text_to_ipa(self, text):
        if not text:
            return ""

        for en, th in self.en_th_dict.items():
            text = re.sub(r'(?i)\b' + en + r'\b', th, text)

        words = word_tokenize(text, engine="newmm")
        
        ipa_results = []
        for w in words:
            if not re.match(r'^[ก-๙]+$', w):
                ipa_results.append(w)
                continue
            
            try:
                ipa = transliterate(w, engine="thaig2p")
                ipa = ipa.replace("-", "") 
                ipa = " ".join(ipa.split())
                ipa_results.append(ipa)
            except Exception as e:
                ipa_results.append(w)

        return " ".join(ipa_results)

if __name__ == "__main__":
    g2p = ThaiIPAPreprocessor()
    
    problematic_texts = [
        # 1. คำพ้องรูป (เขียนเหมือน อ่านต่าง)
        "เพลารถหักตอนเพลาเย็น", 
        "ปลาปักเป้าลอยอยู่ใกล้ว่าวปักเป้า",
        
        # 2. ชื่อเฉพาะ / คำอ่านยาก
        "กฤตยชญ์เรียนที่มหาวิทยาลัยพระจอมเกล้าธนบุรี",
        "นายณัฏฐ์เป็นนายกรัฐมนตรี",
        
        # 3. ภาษาอังกฤษที่ไม่มีในดิกชันนารี (Out-of-vocabulary)
        "ฉันเขียนโค้ดด้วยภาษา HTML และ CSS",
        
        # 4. ตัวอักษรย่อ
        "ผอ. ร.ร. ไป กทม."
    ]
    
    print("="*50)
    print("🔥 PROBLEMATIC TEXT TESTER")
    print("="*50)
    
    for sentence in problematic_texts:
        ipa_output = g2p.text_to_ipa(sentence)
        print(f"📝 Text : {sentence}")
        print(f"🗣️ IPA  : {ipa_output}")
        print("-" * 50)