Update app.py

app.py

@@ -263,9 +263,60 @@ def run_transcription(audio_path):
     )
 
 
-def run_diarization(audio_path):
-    return diarize_pipeline(audio_path, max_speakers=8)
+def probe_speaker_count(audio_path, job_id=None):
+    """
+    قبل از اجرای تشخیص گوینده‌ی کامل (که سنگین و کنده)، یه آزمایش سریع انجام می‌ده:
+    از ۳ نقطه‌ی پخش‌شده در طول فایل (نه فقط اول)، هرکدوم یه تیکه‌ی ۲۰ ثانیه‌ای برمی‌داره
+    و روی همون تیکه‌های کوتاه تشخیص گوینده اجرا می‌کنه.
+    اگه هر سه فقط یه گوینده نشون بدن، برمی‌گردونه True (یعنی «به‌احتمال زیاد تک‌گوینده‌ست»)
+    وگرنه False (یعنی «باید تشخیص کامل روی کل فایل اجرا بشه»).
+    """
+    info = torchaudio.info(audio_path)
+    duration = info.num_frames / info.sample_rate
+    probe_len = 20.0
+
+    if duration <= probe_len * 3:
+        # فایل خیلی کوتاهه، آزمایش جداگانه فایده‌ای نداره - مستقیم برو سراغ تشخیص کامل
+        return False
+
+    fractions = (0.1, 0.5, 0.85)
+    waveform, sr = torchaudio.load(audio_path)
+
+    for frac in fractions:
+        center = duration * frac
+        start_sec = max(0, center - probe_len / 2)
+        end_sec = min(duration, start_sec + probe_len)
+        start_sample = int(start_sec * sr)
+        end_sample = int(end_sec * sr)
+        clip = waveform[:, start_sample:end_sample]
+
+        with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as tmp:
+            torchaudio.save(tmp.name, clip, sr)
+            clip_path = tmp.name
 
+        try:
+            probe_result = diarize_pipeline(clip_path, max_speakers=8)
+            speakers_found = {speaker for _, _, speaker in probe_result.itertracks(yield_label=True)}
+            print(f"  [speaker-probe] window at {frac:.0%} of file: {len(speakers_found)} speaker(s)")
+            if len(speakers_found) > 1:
+                return False
+        finally:
+            os.remove(clip_path)
+
+    return True
+
+
+def run_diarization(audio_path, job_id=None):
+    if job_id is not None:
+        update_job(job_id, detail="بررسی سریع تعداد گوینده‌ها...")
+    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] 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)
@@ -370,7 +421,7 @@ def process_job(job_id):
             align_waveform = align_waveform.mean(dim=0, keepdim=True)
 
         diarization = run_blocking_with_timeout(
-            job_id, run_diarization, audio_to_transcribe,
+            job_id, run_diarization, audio_to_transcribe, job_id,
             status="aligning", detail="در حال تشخیص گوینده‌ها",
         )
         update_job(job_id, detail="گوینده‌ها شناسایی شدند")