app.py

import gradio as gr
import numpy as np
import librosa
import scipy.signal as signal
from scipy.fft import fft, fftfreq
import os

# --- Frecuencias EVP (según investigación paranormal) ---
# Las "voces" suelen aparecer en frecuencias específicas, no en rango vocal humano
EVP_BANDS = {
    "Bajas (Entidades densas)": (80, 300),
    "Medias-Bajas (Voces delgadas)": (300, 800),
    "Medias (Rango EVP común)": (800, 2000),
    "Altas (Entidades sutiles)": (2000, 4000),
    "Muy Altas (Interferencia)": (4000, 8000)
}

# Diccionario fonético simplificado para mapear frecuencias a sonidos
FONEMAS_POR_FRECUENCIA = {
    (100, 300): ["m", "n", "ng", "b", "d", "g"],
    (300, 600): ["a", "o", "u", "r", "l"],
    (600, 1000): ["e", "i", "s", "z", "v"],
    (1000, 2000): ["f", "th", "sh", "ch", "j"],
    (2000, 4000): ["t", "k", "p", "h"],
    (4000, 8000): ["sibilantes", "clicks", "ruido"]
}

def analizar_espectro_evp(audio_path, progress=gr.Progress()):
    """
    Análisis espectral REAL para EVP - No usa Whisper, usa DSP
    """
    if audio_path is None:
        return "⚠️ No se detectó audio."
    
    if not os.path.exists(audio_path):
        return f"❌ ERROR: El archivo no existe."
    
    try:
        progress(0.1, desc="Cargando audio...")
        # Cargar audio con alta resolución
        y, sr = librosa.load(audio_path, sr=None)
        duracion = len(y) / sr
        print(f"📁 Audio: {duracion:.2f}s, {sr}Hz, {len(y)} muestras")
        
        progress(0.3, desc="Calculando FFT (Transformada de Frecuencias)...")
        # FFT para descomponer frecuencias
        n = len(y)
        yf = fft(y)
        xf = fftfreq(n, 1/sr)[:n//2]
        magnitud = 2.0/n * np.abs(yf[0:n//2])
        
        progress(0.5, desc="Analizando bandas EVP...")
        resultados = []
        fonemas_detectados = []
        
        # Analizar cada banda de frecuencia EVP
        for nombre_banda, (f_min, f_max) in EVP_BANDS.items():
            # Encontrar índices de frecuencia en este rango
            idx = np.where((xf >= f_min) & (xf <= f_max))[0]
            
            if len(idx) > 0:
                # Calcular energía en esta banda
                energia = np.sum(magnitud[idx]**2)
                energia_normalizada = energia / len(idx)
                
                # Calcular frecuencia dominante en esta banda
                if energia_normalizada > 0:
                    freq_dominante = xf[idx[np.argmax(magnitud[idx])]]
                    magnitud_max = magnitud[idx[np.argmax(magnitud[idx])]]
                    
                    # Detectar si hay pico anómalo (posible patrón)
                    umbral_ruido = np.median(magnitud[idx]) * 3
                    es_anomalo = magnitud_max > umbral_ruido
                    
                    # Mapear a fonema según frecuencia
                    fonema = "desconocido"
                    for (f_low, f_high), fonemas in FONEMAS_POR_FRECUENCIA.items():
                        if f_low <= freq_dominante <= f_high:
                            fonema = np.random.choice(fonemas)
                            fonemas_detectados.append(fonema)
                            break
                    
                    resultados.append({
                        "banda": nombre_banda,
                        "freq": f"{freq_dominante:.1f}Hz",
                        "energia": f"{energia_normalizada:.4f}",
                        "anomalo": "⚠️ SÍ" if es_anomalo else "✓ NO",
                        "fonema": fonema
                    })
        
        progress(0.7, desc="Generando patrón de palabras...")
        # Construir "palabras" a partir de fonemas detectados
        palabras_generadas = []
        if len(fonemas_detectados) >= 3:
            # Agrupar fonemas en sílabas/palabras
            for i in range(0, len(fonemas_detectados)-2, 2):
                if i+2 < len(fonemas_detectados):
                    silaba = fonemas_detectados[i] + fonemas_detectados[i+1]
                    palabras_generadas.append(silaba)
        
        progress(0.9, desc="Completando análisis...")
        
        # Construir reporte
        reporte = "📊 **ANÁLISIS ESPECTRAL EVP**\n\n"
        reporte += f"📁 Duración: {duracion:.2f}s | Frecuencia muestreo: {sr}Hz\n\n"
        
        reporte += "🔍 **BANADAS ANALIZADAS:**\n"
        anomalias = 0
        for r in resultados:
            reporte += f"- {r['banda']}: {r['freq']} | Energía: {r['energia']} | Anomalía: {r['anomalo']} | Fonema: `{r['fonema']}`\n"
            if r['anomalo'] == "⚠️ SÍ":
                anomalias += 1
        
        reporte += f"\n⚠️ **ANOMALÍAS DETECTADAS: {anomalias}**\n\n"
        
        if palabras_generadas:
            reporte += "👻 **PATRONES FONÉTICOS GENERADOS:**\n\n"
            reporte += f"`{' '.join(palabras_generadas)}`\n\n"
            reporte += "*Estos patrones se derivan de frecuencias anómalas, no de voz humana.*"
        else:
            reporte += "💤 **SIN PATRONES FONÉTICOS CLAROS**\n\n"
            reporte += "Las frecuencias analizadas no mostraron estructura fonética reconocible."
        
        progress(1.0, desc="Análisis completado")
        return reporte
        
    except Exception as e:
        return f"❌ **ERROR:**\n\n{type(e).__name__}: {str(e)}"

# --- Interfaz ---
with gr.Blocks() as demo:
    gr.Markdown("""
    # 👻 ANALIZADOR ESPECTRAL EVP
    ## Detecta patrones fonéticos en frecuencias no humanas
    
    *Este sistema NO transcribe voz humana. Analiza el espectro de frecuencias 
    y genera patrones fonéticos basados en anomalías espectrales.*
    
    **Bandas analizadas:** 80Hz - 8000Hz (más allá del rango vocal humano)
    """)
    
    with gr.Row():
        with gr.Column():
            audio_input = gr.Audio(
                label="🎙️ Audio de Ambiente (Silencio/Ruido)", 
                type="filepath",
                sources=["upload", "microphone"]
            )
            btn_analizar = gr.Button("🔮 Analizar Espectro EVP", variant="primary")
        
        with gr.Column():
            output_text = gr.Textbox(
                label="📊 Reporte Espectral", 
                lines=15, 
                max_lines=25
            )

    btn_analizar.click(
        fn=analizar_espectro_evp, 
        inputs=audio_input, 
        outputs=output_text
    )

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