Update app.py

app.py

@@ -54,6 +54,28 @@ def get_speaker_at(diarization, time_sec):
     return None
 
 
+def get_speaker_for_segment(diarization, seg_start, seg_end):
+    """
+    به‌جای اعتماد به یه لحظه‌ی تنها (که ممکنه نزدیک مرز بین دو گوینده باشه)،
+    چند نقطه در طول جمله رو چک می‌کنه و گوینده‌ای که بیشترین رأی رو آورده
+    برمی‌گردونه - این دقت رو بهتر می‌کنه ولی صد در صد تضمین‌شده نیست.
+    """
+    duration = seg_end - seg_start
+    if duration <= 0:
+        return get_speaker_at(diarization, seg_start)
+
+    sample_points = [seg_start + duration * frac for frac in (0.2, 0.4, 0.5, 0.6, 0.8)]
+    votes = {}
+    for t in sample_points:
+        speaker = get_speaker_at(diarization, t)
+        if speaker is not None:
+            votes[speaker] = votes.get(speaker, 0) + 1
+
+    if not votes:
+        return None
+    return max(votes, key=votes.get)
+
+
 def find_leading_noise_cutoff(diarization, whisper_start, search_back_sec=4.0):
     """
     برمی‌گرده به عقب از شروعِ حدسیِ Whisper، دنبال یه بلوک نویز/بی‌گوینده‌ی
@@ -200,8 +222,7 @@ def run_alignment_pass(segments_raw, align_waveform, diarization):
             align_waveform, word_dicts, word_dicts[0]["start"], word_dicts[-1]["end"], cutoff_start=cutoff
         )
 
-        mid_time = (realigned[0]["start"] + realigned[-1]["end"]) / 2
-        speaker = get_speaker_at(diarization, mid_time)
+        speaker = get_speaker_for_segment(diarization, realigned[0]["start"], realigned[-1]["end"])
 
         segments.append({
             "text": seg.text.strip(),