main.py

import gradio as gr
from transformers import pipeline, AutoModelForSpeechSeq2Seq, AutoTokenizer, AutoProcessor
import torch
import logging
import os
import time
import shutil  # เพิ่มการ import shutil
from pydub import AudioSegment, silence
from concurrent.futures import ProcessPoolExecutor
from io import StringIO

# ตั้งค่า logging
log_stream = StringIO()
logging.basicConfig(level=logging.DEBUG, stream=log_stream)
logger = logging.getLogger(__name__)

# กำหนด path สำหรับ model, audio, segment, และ text
MODEL_DIR = "/content/model"
AUDIO_DIR = "/content/audio"
TEXT_DIR = "/content/text"

# สร้าง directories ถ้ายังไม่มี
os.makedirs(MODEL_DIR, exist_ok=True)
os.makedirs(AUDIO_DIR, exist_ok=True)
os.makedirs(TEXT_DIR, exist_ok=True)

# กำหนดชื่อโมเดลและภาษา
MODEL_NAME = "FILM6912/Whisper-small-thai"
lang = "th"

# ตรวจสอบว่าใช้ GPU ได้หรือไม่ ถ้าไม่ได้ใช้ CPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
logger.info(f"Using device: {'GPU' if device.type == 'cuda' else 'CPU'}")

# โหลดโมเดลและ Tokenizer ล่วงหน้าเพื่อเก็บใน cache directory
try:
    logger.info("Loading model...")
    model = AutoModelForSpeechSeq2Seq.from_pretrained(MODEL_NAME, cache_dir=MODEL_DIR).to(device)
    tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, cache_dir=MODEL_DIR)
    processor = AutoProcessor.from_pretrained(MODEL_NAME, cache_dir=MODEL_DIR)

    # สร้าง pipeline สำหรับการแปลงเสียงเป็นข้อความ
    pipe = pipeline(
        task="automatic-speech-recognition",
        model=model,
        tokenizer=tokenizer,
        feature_extractor=processor.feature_extractor,
        chunk_length_s=30,
        device=0 if device.type == 'cuda' else -1,  # บังคับให้ใช้ GPU (device=0) ถ้ามี
    )
    logger.info("Model loaded successfully.")
except Exception as e:
    logger.error(f"Error loading model: {e}")
    raise

# ฟังก์ชันสำหรับการถอดเสียงแบบขนาน
def transcribe_segment(segment: AudioSegment):
    try:
        # ส่งออก segment เป็นไฟล์ WAV ในหน่วยความจำ
        segment_wav = segment.export(format="wav")
        # ถอดเสียงจากไฟล์ segment
        transcription = pipe(segment_wav)["text"]
        return transcription
    except Exception as e:
        logger.error(f"Error during segment transcription: {e}")
        return ""

# ฟังก์ชันสำหรับการแปลงเสียงเป็นข้อความ
def transcribe_with_parallel_processing(microphone_audio, upload_audio):
    audio_path = microphone_audio or upload_audio

    # ตรวจสอบเส้นทางไฟล์เพื่อให้แน่ใจว่าไฟล์มีอยู่จริง
    if not audio_path or not os.path.exists(audio_path):
        logger.error("No audio input received or file does not exist.")
        return "No audio input received or file does not exist.", None, None

    logger.debug(f"Processing audio file: {audio_path}")

    # 8387rcPNz8SRX6pYXgdxCZg3VMLFwtdJB3Z9LeX8Ge2n
    sanitized_filename = os.path.basename(audio_path).replace(" ", "_")
    audio_filename = os.path.join(AUDIO_DIR, sanitized_filename)
    shutil.copyfile(audio_path, audio_filename)

    try:
        # โหลดไฟล์เสียงด้วย pydub
        audio = AudioSegment.from_wav(audio_filename)

        # แบ่งไฟล์เสียงเมื่อเสียงเงียบ
        chunks = silence.split_on_silence(audio, min_silence_len=1000, silence_thresh=-30, keep_silence=500)
        logger.info(f"Audio split into {len(chunks)} segments.")

        if not chunks:
            logger.error("No segments created. Ensure the audio file is correct.")
            return "No segments created. Ensure the audio file is correct.", None, log_stream.getvalue()

        # ถอดเสียงแบบขนาน
        with ProcessPoolExecutor() as executor:
            transcriptions = list(executor.map(transcribe_segment, chunks))

        # รวมผลลัพธ์จากแต่ละส่วนเข้าด้วยกัน
        full_transcription = " ".join(transcriptions)
        logger.info("Transcription completed successfully.")

        # บันทึกผลลัพธ์เป็นไฟล์ .txt โดยตั้งชื่อไฟล์ตาม Unix Time
        output_filename = os.path.join(TEXT_DIR, f"transcription_{int(time.time())}.txt")
        with open(output_filename, "w", encoding="utf-8") as file:
            file.write(full_transcription)
        logger.info(f"Transcription exported to {output_filename}.")

        # ลบไฟล์เสียงต้นฉบับหลังการใช้งานเสร็จสิ้น
        os.remove(audio_filename)

        return full_transcription, output_filename, log_stream.getvalue()
    except Exception as e:
        logger.error(f"Error during transcription: {e}")
        return "Error during transcription.", None, log_stream.getvalue()

# สร้างอินเทอร์เฟซด้วย Gradio พร้อมปุ่มยืนยัน
with gr.Blocks() as interface:
    with gr.Row():
        audio_input = gr.Audio(type="filepath", label="Record or Upload your voice")  # ใช้ filepath สำหรับการบันทึกเสียง
        submit_btn = gr.Button("Start Transcription")
    output_text = gr.Textbox(label="Transcription")
    output_file = gr.File(label="Download Transcription File")
    log_output = gr.Textbox(label="Logs", lines=10)  # ช่องสำหรับแสดง logs

    submit_btn.click(
        fn=transcribe_with_parallel_processing,
        inputs=[audio_input, audio_input],  # ใช้ input เดียวกันสำหรับไฟล์อัปโหลดและการบันทึก
        outputs=[output_text, output_file, log_output]  # เพิ่ม log_output สำหรับแสดง logs
    )

# รันแอปพลิเคชันและแชร์ลิงก์
logger.info("Launching Gradio interface...")
interface.launch(share=True)
logger.info("Gradio interface launched successfully.")