Update app.py

app.py

@@ -248,9 +248,13 @@ def realign_word_timestamps(waveform_16k, words, whisper_start, whisper_end, cut
         print(f"  [align] skipped due to: {type(e).__name__}: {e}")
         return words
 
-
 def run_transcription(audio_path):
-    return model.transcribe(
+    """
+    نکته‌ی مهم: model.transcribe فوراً برنمی‌گرده - یه نتیجه‌ی "تنبل" میده که کار
+    واقعیش رو دیر انجام میده. برای اینکه کل زمان واقعی پردازش زیر نظارت سقف زمانی و
+    پیام‌های زنده باشه، همینجا مجبورش می‌کنیم کارش رو کامل انجام بده (list کردن).
+    """
+    segments_raw, info = model.transcribe(
         audio_path,
         language="en",
         word_timestamps=True,
@@ -261,6 +265,8 @@ def run_transcription(audio_path):
             threshold=0.3,
         ),
     )
+    segments_list = list(segments_raw)
+    return segments_list, info
 
 
 def probe_speaker_count(audio_path, job_id=None):
@@ -305,6 +311,21 @@ def probe_speaker_count(audio_path, job_id=None):
 
     return True
 
+class SingleSpeakerResult:
+    """
+    یه نتیجه‌ی «قلابی» که همون شکل خروجی diarize_pipeline رو تقلید می‌کنه (متد itertracks داره)
+    ولی هیچ پردازش واقعی‌ای روی کل فایل انجام نداده - فقط می‌گه «همه‌جا همون یه گوینده‌ست».
+    """
+    def __init__(self, duration):
+        self.duration = duration
+
+    def itertracks(self, yield_label=False):
+        class FakeTurn:
+            def __init__(self, start, end):
+                self.start = start
+                self.end = end
+        yield FakeTurn(0, self.duration), None, "SPEAKER_00"
+
 
 def run_diarization(audio_path, job_id=None):
     if job_id is not None:
@@ -312,12 +333,15 @@ def run_diarization(audio_path, job_id=None):
     single_speaker = probe_speaker_count(audio_path, job_id)
 
     if single_speaker:
-        print("  [speaker-probe] looks single-speaker across all 3 windows — skipping full search")
-        return diarize_pipeline(audio_path, num_speakers=1)
+        print("  [speaker-probe] looks single-speaker across all 3 windows — skipping full diarization entirely")
+        info = torchaudio.info(audio_path)
+        duration = info.num_frames / info.sample_rate
+        return SingleSpeakerResult(duration)
 
     print("  [speaker-probe] multiple speakers detected — running full search")
     return diarize_pipeline(audio_path, max_speakers=8)
 
+
 def run_alignment_pass(segments_raw, align_waveform, diarization):
     turns = build_speaker_lookup(diarization)
     segments = []
@@ -407,13 +431,13 @@ def process_job(job_id):
             enhanced_path = os.path.join(tmp_dir, "enhanced.wav")
             save_audio(enhanced_path, enhanced_audio, df_state.sr())
             audio_to_transcribe = enhanced_path
-
-        segments_raw, info = run_blocking_with_timeout(
+        
+        segments_raw_list, info = run_blocking_with_timeout(
             job_id, run_transcription, audio_to_transcribe,
             status="transcribing", detail="مدل large-v3 در حال شنیدن صداست",
         )
-        update_job(job_id, detail="تشخیص گفتار کامل شد")
-
+        update_job(job_id, detail=f"{len(segments_raw_list)} جمله تشخیص داده شد")
+        
         align_waveform, sr = torchaudio.load(audio_to_transcribe)
         if sr != 16000:
             align_waveform = torchaudio.functional.resample(align_waveform, sr, 16000)
@@ -426,7 +450,6 @@ def process_job(job_id):
         )
         update_job(job_id, detail="گوینده‌ها شناسایی شدند")
 
-        segments_raw_list = list(segments_raw)
         segments = run_blocking_with_timeout(
             job_id, run_alignment_pass, segments_raw_list, align_waveform, diarization,
             status="aligning", detail=f"در حال هماهنگ‌سازی زمان‌بندی {len(segments_raw_list)} جمله",