app.py

import gradio as gr
import speech_recognition as sr
from pydub import AudioSegment
import numpy as np
import io
import wave
import os
import threading
import queue
from functools import lru_cache

# تنظیمات اولیه
recognizer = sr.Recognizer()
recognizer.energy_threshold = 300
recognizer.dynamic_energy_threshold = True

# صف‌های پردازش real-time
audio_queue = queue.Queue()
transcript_queue = queue.Queue()

# متغیرهای حفظ متن
current_transcript = ""
transcript_lock = threading.Lock()

# تابع تبدیل numpy به فرمت WAV
def numpy_to_wav(audio_data, sample_rate=16000):
    """تعداد به فرمت WAV با نرمال‌سازی"""
    buffer = io.BytesIO()
    with wave.open(buffer, 'wb') as wav_file:
        wav_file.setnchannels(1)
        wav_file.setsampwidth(2)
        wav_file.setframerate(sample_rate)
        wav_file.writeframes(np.int16(audio_data * 32767))
    buffer.seek(0)
    return AudioSegment.from_wav(buffer)

# پردازش یک قطعه صوتی
@lru_cache(maxsize=128)
def process_audio_chunk(chunk_data):
    """پردازش یک قطعه صوتی با Google Speech Recognition"""
    try:
        # تبدیل به وفرمت WAV
        audio_segment = numpy_to_wav(chunk_data)
        with sr.AudioFile(io.BytesIO(audio_segment.raw_data)) as source:
            audio = recognizer.record(source)
        
        # تلاش با اولویت فارسی
        try:
            text = recognizer.recognize_google(audio, language='fa-IR')
        except sr.UnknownValueError:
            # اگر فارسی معتبر نباشد، با انگلیسی تلاش کنیم
            text = recognizer.recognize_google(audio, language='en-US', show_all=False)
        except sr.RequestError:
            text = "[خطا در اتصال سرویس گوگل]"
        except Exception as e:
            text = ""
        
        return text.strip()
    except Exception as e:
        print(f"خطا در پردازش {e}")
        return ""

# تابع کمکی به real-time
def update_realtime_transcript():
    """به‌روزرسانی متن real-time"""
    while True:
        if not transcript_queue.empty():
            new_text = transcript_queue.get()
            with transcript_lock:
                current_transcript += " " + new_text
                current_transcript = " ".join(current_transcript.split())
        time.sleep(0.1)

# رابط کاربری با Gradio
with gr.Blocks(
    title="گستره گفتار به متن",
    theme=gr.themes.Soft(),
    css="""
    .gradio-container { font-family: 'Vazir', 'Tahoma', sans-serif !important; }
    .rtl { direction: rtl; text-align: right; }
    """
) as demo:
    
    gr.HTML("""
    <div style="text-align: center; max-width: 800px; margin: 0 auto;">
        <h1 style="font-size: 2.5em; margin-bottom: 0.5em;">🎤 تبدیل گفتار به متن</h1>
        <p style="font-size: 1.1em; color: #666; margin-bottom: 2em;">در این ابزار در حال برجسته‌سازی گفتارها را به فارسی یا انگلیسی تبدیل کنید.</p>
    </div>
    """)
    
    with gr.Tabs():
        
        # تب ضبط مستقیم
        with gr.TabItem("🎙️ ضبط مستقیم"):
            gr.Markdown("### میکروفون خود را فعال کرده و شروع به صحبت کنید")
            
            with gr.Row():
                with gr.Column(scale=1):
                    audio_input = gr.Audio(
                        sources=["microphone"], 
                        type="numpy", 
                        streaming=True,
                        label="میکروفون",
                        show_label=True,
                        elem_classes="rtl"
                    )
                
                with gr.Column(scale=1):
                    clear_btn = gr.Button("🗑️ پاک کردن متن", variant="secondary", size="sm")
            
            realtime_output = gr.Textbox(
                label="متن تشخیص داده شده", 
                placeholder="شروع به صحبت کنید و متن اینجا ظاهر می‌شود...", 
                lines=12,
                elem_classes="rtl",
                rtl=True,
                show_copy_button=True
            )
            
            # sentait‌ها
            audio_input.stream(
                lambda x: process_audio_chunk(x),
                inputs=[audio_input],
                outputs=[]
            )
            
            audio_input.stream(
                lambda: update_realtime_transcript(),
                inputs=[],
                outputs=[realtime_output],
                every=0.5
            )
            
            clear_btn.click(
                lambda: "", 
                outputs=[realtime_output]
            )

        # تب فایل صوتی
        with gr.TabItem("📁 فایل صوتی"):
            gr.Markdown("### فایل صوتی خود را انتخاب کنید")
            
            with gr.Row():
                with gr.Column(scale=3):
                    file_input = gr.Audio(
                        sources=["upload"], 
                        type="filepath", 
                        label="انتخاب فایل صوتی",
                        elem_classes="rtl"
                    )
                
                with gr.Column(scale=1):
                    chunk_duration = gr.Slider(
                        minimum=10, 
                        maximum=60, 
                        value=30, 
                        step=5, 
                        label="مدت هر بخش (ثانیه)",
                        elem_classes="rtl"
                    )
            
            with gr.Row():
                process_btn = gr.Button("🚀 شروع تبدیل", variant="primary", size="lg")
                progress_label = gr.Textbox(
                    label="وضعیت پردازش", 
                    interactive=False, 
                    elem_classes="rtl"
                )
            
            file_output = gr.Textbox(
                label="متن تشخیص داده شده", 
                placeholder="متن پس از پردازش اینجا نمایش داده می‌شود...", 
                lines=12,
                elem_classes="rtl",
                rtl=True,
                show_copy_button=True
            )
            
            def safe_transcribe_file(file, duration):
                """پردازش فایل صوتی با مدیریت خطا"""
                if file is None:
                    return "لطفاً یک فایل صوتی آپلود کنید", "شروع پردازش"
                
                try:
                    audio = AudioSegment.from_file(file)
                    results = []
                    total_chunks = len(audio) // (duration * 1000)
                    
                    for i in range(0, len(audio), duration*1000):
                        chunk = audio[i:i+duration*1000]
                        text = process_audio_chunk(np.array(chunk.get_array_of_samples()))
                        if text:
                            results.append(text)
                        
                        progress = min(((i + duration*1000) / len(audio)) * 100, 100)
                        yield " ".join(results), f"پیشرفت: {progress:.1f}%"
                    
                    return " ".join(results), "تکمیل پردازش ✅"
                except Exception as e:
                    return f"خطا: {str(e)}", "خطا در پردازش ❌"
            
            process_btn.click(
                safe_transcribe_file,
                inputs=[file_input, chunk_duration],
                outputs=[file_output, progress_label]
            )

    # بخش راهنما
    with gr.Accordion("📖 راهنمای استفاده", open=False, elem_classes="rtl"):
        gr.Markdown("""
        ### نحوه استفاده:
        **برای ضبط مستقیم:**
        1. به تب "ضبط مستقیم" بروید
        2. اجازه دسترسی به میکروفون را بدهید
        3. شروع به صحبت کنید
        4. متن به صورت خودکار نمایش داده می‌شود

        **برای فایل صوتی:**
        1. به تب "فایل صوتی" بروید
        2. فایل مورد نظر را انتخاب کنید
        3. مدت زمان تقسیم‌بندی را تنظیم کنید (پیش‌فرض: ۳۰ ثانیه)
        4. روی "شروع تبدیل" کلیک کنید
        5. منتظر بمانید تا پردازش کامل شود

        ### فرمت‌های پشتیبانی شده:
        - MP3, WAV, M4A, FLAC, OGG, MP4, AVI, MOV

        ### نکات مهم:
        - 🎯 برای دقت بیشتر، از فایل‌های با کیفیت بالا استفاده کنید
        - 🔇 نویز پس‌زمینه را به حداقل برسانید
        - 🗣️ واضح و شمرده صحبت کنید
        - 🌐 اتصال اینترنت پایدار داشته باشید
        """, elem_classes="rtl")

# ساخت و اجرای برنامه
if __name__ == "__main__":
    demo.queue().launch(
        share=True,
        show_error=True
    )