Delete app.py

app.py

@@ -1,226 +0,0 @@
-import os
-import re
-import time
-
-import spaces
-import torch
-import gradio as gr
-import pysubs2
-from transformers import AutoTokenizer, AutoModelForCausalLM
-
-# ── تنظیمات ──────────────────────────────────────────────
-MODEL_ID = "google/translategemma-4b-it"
-SRC_LANG = "en"
-TGT_LANG = "fa"
-BATCH_SIZE = 12
-MAX_NEW_TOKENS = 1536
-
-HF_TOKEN = os.environ.get("HF_TOKEN")
-
-# ── بارگذاری مدل (سطح global، طبق الزام ZeroGPU) ────────
-tokenizer = AutoTokenizer.from_pretrained(MODEL_ID, token=HF_TOKEN)
-model = AutoModelForCausalLM.from_pretrained(
-    MODEL_ID,
-    torch_dtype=torch.bfloat16,
-    token=HF_TOKEN,
-)
-model.to("cuda")
-model.eval()
-
-
-# ── ساخت پرامپت و پارس خروجی ─────────────────────────────
-def build_batch(subs, start, end):
-    chunks = []
-    for n, idx in enumerate(range(start, end), 1):
-        chunks.append(f"SEGMENT {n}:\n{subs[idx].text.strip()}")
-    return "\n\n".join(chunks)
-
-
-def build_prompt(batch_text, count):
-    return f"""<start_of_turn>user
-شما یک مترجم حرفه‌ای زیرنویس انگلیسی به فارسی هستید.
-
-متن زیر شامل دقیقاً {count} بخش (SEGMENT) پیاپی از یک گفتگوی طبیعی است. هر بخش را با توجه به بافت کل گفتگو، به فارسی محاوره‌ای، خودمونی و روان ترجمه کن — مثل زبان صحبت روزمره، نه فارسی رسمی و کتابی.
-
-قوانین مهم:
-- هر SEGMENT را جداگانه و دقیقاً به همان ترتیب ترجمه کن.
-- هرگز دو یا چند SEGMENT را با هم ادغام نکن و هیچ SEGMENT را نصف نکن.
-- برچسب‌های SEGMENT فقط برای هم‌ترازی هستند؛ آن‌ها را ترجمه نکن.
-- نام‌های خاص، اصطلاحات فنی و کلمات انگلیسی رایج (مثل اسم نرم‌افزارها) را به همون شکل انگلیسی نگه دار.
-- فقط خروجی خواسته‌شده را بده، بدون توضیح اضافه.
-
-خروجی را دقیقاً به این شکل بده:
-SEGMENT 1: <ترجمه فارسی>
-SEGMENT 2: <ترجمه فارسی>
-...
-SEGMENT {count}: <ترجمه فارسی>
-
-گفتگو:
-{batch_text}<end_of_turn>
-<start_of_turn>model
-"""
-
-
-def parse_output(text, count):
-    text = (text or "").strip()
-    text = re.sub(r"```(?:text|plaintext|srt)?", "", text, flags=re.I).replace("```", "").strip()
-    text = re.sub(
-        r"(?im)^\s*\[?\s*SEGMENT\s+(\d+)\s*\]?\s*[:：-]\s*",
-        lambda m: f"\n@@SEGMENT_{m.group(1)}@@\n",
-        text
-    )
-    parts = re.split(r"\n@@SEGMENT_(\d+)@@\n", "\n" + text + "\n")
-    found = {}
-    for i in range(1, len(parts), 2):
-        try:
-            n = int(parts[i])
-            value = parts[i + 1].strip()
-            if value:
-                found[n] = value
-        except Exception:
-            pass
-
-    if count == 1 and not found:
-        return [text]
-
-    if len(found) != count or any(i not in found for i in range(1, count + 1)):
-        raise ValueError(f"Expected {count} segments, got {len(found)}")
-    return [found[i] for i in range(1, count + 1)]
-
-
-# ── تابع GPU (هر batch یک فراخوانی کوتاه است) ────────────
-@spaces.GPU(duration=60)
-def translate_batch(batch_text, count):
-    prompt = build_prompt(batch_text, count)
-    inputs = tokenizer(prompt, return_tensors="pt")
-    inputs = {k: v.to(model.device) for k, v in inputs.items()}
-
-    with torch.inference_mode():
-        output = model.generate(
-            **inputs,
-            max_new_tokens=MAX_NEW_TOKENS,
-            do_sample=False,
-            pad_token_id=tokenizer.eos_token_id,
-        )
-
-    generated = output[0][inputs["input_ids"].shape[-1]:]
-    answer = tokenizer.decode(generated, skip_special_tokens=True)
-    return parse_output(answer, count)
-
-
-def translate_batch_retry(subs, start, end):
-    batch_text = build_batch(subs, start, end)
-    count = end - start
-    try:
-        return translate_batch(batch_text, count)
-    except Exception as e:
-        print(f"⚠️ Batch alignment failed: {e}")
-        print("🔁 Retrying segment-by-segment...")
-        result = []
-        for idx in range(start, end):
-            try:
-                single = build_batch(subs, idx, idx + 1)
-                result.extend(translate_batch(single, 1))
-            except Exception as e2:
-                print(f"❌ Segment {idx + 1}: {e2}")
-                result.append(subs[idx].text.strip())
-        return result
-
-
-def fix_bidi(text):
-    """دور کلمات/عبارات لاتین و عددی، کاراکتر Unicode Isolate می‌ذاره
-    تا در متن راست‌چین، جهت‌شون به‌هم نریزه."""
-    LRI = "\u2066"  # Left-to-Right Isolate
-    PDI = "\u2069"  # Pop Directional Isolate
-    pattern = re.compile(r'[A-Za-z0-9][A-Za-z0-9 _\-\.]*[A-Za-z0-9]|[A-Za-z0-9]')
-    return pattern.sub(lambda m: f"{LRI}{m.group(0)}{PDI}", text)
-
-
-def translate_srt_file(input_path, progress=gr.Progress()):
-    subs = pysubs2.load(input_path, encoding="utf-8")
-    total = len(subs)
-    translations = [""] * total
-    started = time.time()
-
-    for start in range(0, total, BATCH_SIZE):
-        end = min(total, start + BATCH_SIZE)
-        translations[start:end] = translate_batch_retry(subs, start, end)
-
-        elapsed = time.time() - started
-        print(f"✅ {end}/{total} | {end/elapsed:.2f} segments/sec", flush=True)
-        if progress:
-            progress(end / total, desc=f"ترجمه {end}/{total}")
-
-    output = pysubs2.SSAFile()
-    preview = []
-
-    for i, sub in enumerate(subs):
-        original = sub.text.strip()
-        translated = fix_bidi(translations[i].strip()) if original else ""
-
-        output.append(pysubs2.SSAEvent(
-            start=sub.start,
-            end=sub.end,
-            text=translated
-        ))
-
-        preview.append({
-            "number": i + 1,
-            "english": original,
-            "persian": translated
-        })
-
-    base = os.path.splitext(os.path.basename(input_path))[0]
-    output_path = f"/tmp/{base}_FA.srt"
-    output.save(output_path, encoding="utf-8")
-
-    print(f"✅ Finished in {(time.time()-started)/60:.1f} minutes")
-    return output_path, preview
-
-
-def ui_translate(file, progress=gr.Progress()):
-    if file is None:
-        raise gr.Error("لطفاً یک فایل SRT انتخاب کنید.")
-
-    output_path, data = translate_srt_file(file, progress)
-
-    blocks = []
-    for x in data[:50]:
-        blocks.append(
-            f"### #{x['number']}\n\n"
-            f"🇬🇧 **English**\n\n{x['english']}\n\n"
-            f"🇮🇷 **فارسی**\n\n{x['persian']}\n\n---"
-        )
-    preview = "\n\n".join(blocks)
-    if len(data) > 50:
-        preview += f"\n\n> نمایش ۵۰ مورد اول از {len(data)} subtitle."
-    return output_path, preview
-
-
-with gr.Blocks(title="TranslateGemma 4B SRT Translator") as demo:
-    gr.Markdown("""
-# 🎬 English → Persian SRT Translator
-### Powered by TranslateGemma 4B
-
-مدل timestamp و شماره SRT را نمی‌بیند؛ فقط متن تمیز و segmentهای context-aware را ترجمه می‌کند.
-""")
-
-    with gr.Row():
-        input_file = gr.File(
-            label="📂 English SRT",
-            file_types=[".srt"],
-            type="filepath"
-        )
-        output_file = gr.File(label="📥 Persian SRT")
-
-    translate_button = gr.Button("🚀 شروع ترجمه", variant="primary", size="lg")
-    gr.Markdown("## 👁️ پیش‌نمایش")
-    preview = gr.Markdown()
-
-    translate_button.click(
-        fn=ui_translate,
-        inputs=input_file,
-        outputs=[output_file, preview]
-    )
-
-demo.queue(max_size=5).launch()