Update app.py

app.py

@@ -1,4 +1,4 @@
-# app.py - Antigravity Shield v4.4.1 JURY (Sensitive & Balanced Edition)
+# app.py - Antigravity Shield v4.2 JURY (Visual Edition + Confidence Score)
 # -*- coding: utf-8 -*-
 import numpy as np
 import librosa
@@ -10,37 +10,44 @@ import os
 import gradio as gr
 
 # ==========================================
-# 1. CLASSE EXPERTE : LE BOUCLIER IA
+# 1. OUTILS DE TRAITEMENT
+# ==========================================
+class AudioManipulator:
+    def charger_audio(self, path):
+        return librosa.load(path, sr=44100)
+
+    def reduire_bruit(self, y, sr):
+        return nr.reduce_noise(y=y, sr=sr, prop_decrease=0.8)
+
+# ==========================================
+# 2. LE BOUCLIER IA v4.2 JURY (Optimisé %)
 # ==========================================
 class AuthenticMusicShield:
     def __init__(self):
-        print("🚀 Lancement du Bouclier v4.4.1 (Expert Radio & Deepfake)...")
+        print("🚀 Lancement du Bouclier v4.2 (Confidence Edition)...")
         self.ia = None
 
     def load_model(self):
-        """Chargement du modèle AST (Audio Spectrogram Transformer) de MIT"""
         if self.ia is None:
             try:
                 from transformers import pipeline
                 self.ia = pipeline("audio-classification", model="MIT/ast-finetuned-audioset-10-10-0.4593")
-                print("✅ Modèle IA AST chargé avec succès.")
+                print("✅ Modèle IA chargé.")
             except Exception as e:
                 print(f"⚠️ Échec du chargement du modèle IA : {e}")
                 self.ia = None
 
     def get_sha256(self, path):
-        """Génère l'empreinte numérique unique du fichier"""
         with open(path, "rb") as f:
             return hashlib.sha256(f.read()).hexdigest()
 
     def generer_spectrogramme(self, y, sr):
-        """Crée une preuve visuelle de la texture sonore"""
         plt.figure(figsize=(10, 4))
         S = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=128)
         S_dB = librosa.power_to_db(S, ref=np.max)
         librosa.display.specshow(S_dB, sr=sr, x_axis='time', y_axis='mel', cmap='magma')
         plt.colorbar(format='%+2.0f dB')
-        plt.title('Analyse de Texture & Cohérence Environnementale')
+        plt.title('Empreinte Spectrale (Texture)')
         plt.tight_layout()
         plot_path = "spectrum.png"
         plt.savefig(plot_path)
@@ -48,118 +55,103 @@ class AuthenticMusicShield:
         return plot_path
 
     def analyser_expert(self, path):
-        if path is None: return None, "En attente d'un fichier audio...", None
+        if path is None: 
+            return None, "En attente...", None
         
         try:
             self.load_model()
             file_name = os.path.basename(path)
             file_hash = self.get_sha256(path)
             
-            # Chargement audio (Fidélité 44.1kHz)
             y, sr = librosa.load(path, sr=44100)
-            y_denoised = nr.reduce_noise(y=y, sr=sr, prop_decrease=0.7)
+            y_denoised = nr.reduce_noise(y=y, sr=sr)
 
-            # --- EXTRACTION DES MÉTRIQUES SCIENTIFIQUES ---
-            # 1. Jitter (Stabilité vocale / Micro-vibrations)
-            pitches, magnitudes = librosa.piptrack(y=y_denoised, sr=sr)
-            mask = magnitudes > np.median(magnitudes)
-            jitter = np.std(pitches[mask]) / 1000 if np.any(mask) else 0
+            # --- ANALYSE TECHNIQUE ---
+            pitches, _ = librosa.piptrack(y=y, sr=sr)
+            jitter = np.std(pitches[pitches > 0]) / 1000 if np.any(pitches > 0) else 0
             
-            # 2. Spectral Flatness (Pureté numérique vs Bruit organique)
+            # Texture (Flatness) : Pour différencier Radio (Bruit) vs IA (Pur)
             flatness = np.mean(librosa.feature.spectral_flatness(y=y_denoised))
+            
+            stft = np.abs(librosa.stft(y_denoised))
+            score_sid = 95.0 if np.mean(stft[-1]) > 0.0003 else 15.0
 
-            # 3. Classification IA (Détection du contexte)
-            top_label, score_ia = "Inconnu", 0
+            # Analyse IA
+            top_label = "Inconnu"
+            score_ia = 0
             if self.ia:
                 res_ia = self.ia(path)
                 top_label = res_ia[0]['label']
                 score_ia = res_ia[0]['score'] * 100
 
             # ==========================================
-            # LOGIQUE DE CONFIANCE v4.4.1 (OPTIMISÉE)
+            # LOGIQUE DE CONFIANCE v4.2.5 (Nouveau)
             # ==========================================
-            confiance = 55  # Point de départ favorable
+            confiance = 50 
             raisons = []
 
-            # A. ANALYSE DU CONTEXTE (Radio / Speech)
-            is_radio_context = any(tag in top_label for tag in ["Speech", "Conversation", "Radio", "Narrator", "Music"])
-
-            # B. ANALYSE DE LA COHÉRENCE TEXTURE/CONTEXTE
-            # Seuil abaissé à 0.001 pour les radios de haute qualité (Jaziri/Sabra)
-            if flatness > 0.001:
-                if is_radio_context:
-                    confiance += 25 
-                    raisons.append("Contexte Média/Radio validé")
-                else:
-                    confiance += 10
-                    raisons.append("Texture organique (Bruit réel)")
+            # 1. Vérification Radio/Speech
+            is_radio_speech = any(tag in top_label for tag in ["Speech", "Conversation", "Hum", "Radio"])
+            
+            # 2. Calcul du Score Dynamique
+            if flatness > 0.001: # Texture réelle (Radio/Bruit)
+                confiance += 20
+                raisons.append("Texture organique")
+                if is_radio_context := True: confiance += 10
             
-            # Sanction pour les Deepfakes "trop parfaits" (Trump/AI Covers)
-            elif flatness < 0.0005:
+            if 0.10 < jitter < 0.85: # Vibration humaine
+                confiance += 20
+                raisons.append("Jitter naturel")
+            elif jitter < 0.08: # Trop stable = IA
                 confiance -= 30
-                raisons.append("Signal trop pur (Signature numérique IA)")
+                raisons.append("Stabilité artificielle")
 
-            # C. ANALYSE DU JITTER (L'ADN HUMAIN)
-            if 0.08 < jitter < 0.90:
-                confiance += 15
-            elif jitter <= 0.07:
-                confiance -= 45
-                raisons.append("Stabilité vocale artificielle (Clone suspect)")
+            if score_sid > 80: confiance += 10
 
-            # Ajustement Final (Bornes 0-100)
+            # Verdict Final
             confiance = max(0, min(100, confiance))
-            
-            # Détermination du Verdict
-            if confiance >= 70:
-                verdict = "✅ AUTHENTIQUE CERTIFIÉ"
-                note = "Source validée : Cohérence forte entre le contexte et la texture sonore."
-            elif 40 <= confiance < 70:
+
+            if confiance >= 75:
+                verdict = "✅ AUTHENTIQUE"
+                note = "Paramètres physiques cohérents avec une source réelle."
+            elif 45 <= confiance < 75:
                 verdict = "⚠️ ANALYSE INCONCLUSIVE"
-                note = "Signal complexe ou traité en studio. Doute persistant."
+                note = "Signal complexe ou traité. Doute sur l'origine."
             else:
-                verdict = "🔴 AI COVER / DEEPFAKE DÉTECTÉ"
-                note = "Paramètres mathématiques trop lisses/stables pour être d'origine humaine."
+                verdict = "🔴 DEEPFAKE / AI COVER"
+                note = "Anomalies numériques détectées (Stabilité excessive)."
 
-            # Génération du rapport visuel et texte
+            # Génération du rapport
             spec_img = self.generer_spectrogramme(y, sr)
-            report = f"\n{'='*45}\n🛡️ RAPPORT D'EXPERTISE v4.4.1 JURY\n{'='*45}\n"
-            report += f" 📂 FICHIER : {file_name}\n"
-            report += f" 🎙️ SOURCE  : {top_label} ({score_ia:.1f}%)\n"
+            report = f"\n{'='*45}\n🛡️ RAPPORT D'EXPERTISE v4.2 JURY (%)\n{'='*45}\n"
+            report += f" 📂 FICHIER   : {file_name}\n"
+            report += f" 🎙️ SOURCE IA : {top_label} ({score_ia:.1f}%)\n"
             report += f" 📊 CONFIANCE : {confiance}%\n"
+            report += f" 🧬 JITTER    : {jitter:.4f}\n"
             report += f"{'-'*45}\n"
             report += f" >>> VERDICT : {verdict}\n"
-            report += f" >>> NOTES : {', '.join(raisons) if raisons else 'Aucune anomalie majeure'}\n{'='*45}\n"
-
-            return spec_img, report, {
-                "Authenticité": f"{confiance}%", 
-                "Jitter": round(jitter, 4), 
-                "Flatness": round(float(flatness), 6),
-                "Classification": top_label
-            }
+            report += f" >>> ANALYSE : {note}\n"
+            report += f" >>> PREUVES : {', '.join(raisons)}\n{'='*45}\n"
 
+            return spec_img, report, {"Score": f"{confiance}%", "Jitter": round(jitter, 4), "SID": score_sid}
+            
         except Exception as e:
-            return None, f"Erreur technique : {str(e)}", None
+            return None, f"Erreur : {str(e)}", None
 
-# ==========================================
-# 2. INTERFACE GRADI REBORN
-# ==========================================
+# --- Interface Gradio ---
 shield = AuthenticMusicShield()
-
-with gr.Blocks(theme=gr.themes.Soft(), title="Antigravity Shield v4.4.1") as demo:
-    gr.Markdown("""
-    # 🛡️ Antigravity Shield v4.4.1 PRO
-    ### Système d'Expertise en Authenticité Vocale (Édition Jury)
-    """)
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# 🛡️ Antigravity Shield v4.2 PRO (Confidence Score Edition)")
     
     with gr.Row():
-        with gr.Column(scale=1):
-            audio_input = gr.Audio(type="filepath", label="Déposer l'audio à analyser (Radio, Speech, AI Cover)")
-            run_btn = gr.Button("🔍 LANCER L'EXPERTISE", variant="primary")
+        with gr.Column():
+            audio_input = gr.Audio(type="filepath", label="Audio Input")
+            run_btn = gr.Button("🔍 ANALYSER L'AUTHENTICITÉ", variant="primary")
         
-        with gr.Column(scale=1):
-            image_output = gr.Image(label="Spectrogramme de Texture")
-            report_output = gr.Textbox(label="Rapport Officiel de Certification", lines=12)
-            metrics_output = gr.Json(label="Métriques Techniques (JSON)")
+        with gr.Column():
+            image_output = gr.Image(label="Spectrogramme (Preuve Visuelle)")
+            report_output = gr.Textbox(label="Rapport Officiel", lines=12)
+            metrics_output = gr.Json(label="Métriques Techniques")
 
     run_btn.click(
         fn=shield.analyser_expert,
@@ -167,9 +159,4 @@ with gr.Blocks(theme=gr.themes.Soft(), title="Antigravity Shield v4.4.1") as dem
         outputs=[image_output, report_output, metrics_output]
     )
 
-    gr.Markdown("---")
-    gr.Markdown("ℹ️ *Ce système utilise l'analyse de Jitter et de Flatness Spectrale pour différencier les sources médias réelles des générations IA.*")
-
-# Lancement (SSR désactivé pour la stabilité mémoire)
-if __name__ == "__main__":
-    demo.launch(ssr_mode=False)
+demo.launch(ssr_mode=False)