Update app.py

app.py

@@ -5,40 +5,38 @@ import os
 import shutil
 import speech_recognition as sr
 from pydub import AudioSegment
-from pydub.silence import split_on_silence
-import io
 import warnings
-warnings.filterwarnings("ignore")  # نادیده گرفتن هشدارهای غیرضروری
+warnings.filterwarnings("ignore")
 
 def convert_to_mp3_and_transcribe(video_url):
     """
     دانلود ویدیو/صوت از لینک، تبدیل به MP3، و استخراج متن با Google Speech Recognition (رایگان).
-    نوار پیشرفت برای مراحل مختلف.
+    فایل را به chunkهای زمانی کوچک (هر 30 ثانیه) تقسیم می‌کند برای جلوگیری از محدودیت گوگل.
     """
     if not video_url:
         return None, None, "لینک ویدیو را وارد کنید."
     
-    progress = gr.Progress(track_tqdm=False)  # نوار پیشرفت Gradio
+    progress = gr.Progress(track_tqdm=False)
     
     try:
         progress(0, desc="شروع دانلود...")
         
-        # تنظیمات yt-dlp برای دانلود صوت و تبدیل مستقیم به MP3
+        # دانلود و تبدیل به MP3
         ydl_opts = {
-            'format': 'bestaudio/best',  # بهترین کیفیت صوت
+            'format': 'bestaudio/best',
             'postprocessors': [{
-                'key': 'FFmpegExtractAudio',  # استخراج صوت با FFmpeg
+                'key': 'FFmpegExtractAudio',
                 'preferredcodec': 'mp3',
-                'preferredquality': '192',  # کیفیت 192kbps
+                'preferredquality': '192',
             }],
-            'outtmpl': 'temp.%(ext)s',  # نام فایل موقت
+            'outtmpl': 'temp.%(ext)s',
             'quiet': True,
         }
         
         with yt_dlp.YoutubeDL(ydl_opts) as ydl:
             ydl.download([video_url])
         
-        # پیدا کردن فایل MP3
+        # پیدا کردن MP3
         mp3_file = None
         for file in os.listdir('.'):
             if file.startswith('temp.') and file.endswith('.mp3'):
@@ -48,80 +46,93 @@ def convert_to_mp3_and_transcribe(video_url):
         if not mp3_file:
             return None, None, "خطا در دانلود یا تبدیل."
         
-        progress(0.3, desc="دانلود کامل شد. کپی به فایل موقت...")
+        progress(0.3, desc="دانلود کامل. کپی MP3...")
         
-        # کپی به فایل موقت برای امنیت
+        # کپی به موقت
         temp_mp3 = tempfile.NamedTemporaryFile(suffix='.mp3', delete=False)
         temp_mp3.close()
         shutil.copy2(mp3_file, temp_mp3.name)
-        os.remove(mp3_file)  # تمیز کردن
+        if os.path.exists(mp3_file):
+            os.remove(mp3_file)
         
-        progress(0.5, desc="تبدیل به MP3 کامل شد. شروع استخراج متن...")
+        progress(0.5, desc="MP3 آماده. شروع استخراج متن...")
         
-        # استخراج متن با Google Speech Recognition
-        text = transcribe_audio(temp_mp3.name)
+        # استخراج متن
+        text = transcribe_audio(temp_mp3.name, progress)
         
         if text is None:
-            return temp_mp3.name, None, "MP3 آماده است، اما استخراج متن با خطا مواجه شد (محدودیت گوگل یا فایل طولانی)."
+            return temp_mp3.name, None, "MP3 آماده است، اما استخراج متن با خطا مواجه شد."
         
         progress(1.0, desc="استخراج متن کامل شد!")
         
-        return temp_mp3.name, text, "همه چیز با موفقیت انجام شد. متن استخراج شد."
+        return temp_mp3.name, text, "همه چیز با موفقیت انجام شد."
     
     except Exception as e:
-        progress(0, desc="خطا رخ داد.")
         return None, None, f"خطا: {str(e)}"
 
-def transcribe_audio(mp3_path, chunk_length_ms=60000, silence_threshold=-40):
+def transcribe_audio(mp3_path, progress, chunk_length_ms=30000, overlap_ms=5000):
     """
-    استخراج متن از فایل MP3 با Google Speech Recognition (رایگان).
-    برای فایل‌های طولانی، به chunkهای کوچک تقسیم می‌شود.
+    استخراج متن از MP3 با تقسیم به chunkهای زمانی ثابت (30 ثانیه با هم‌پوشانی 5 ثانیه).
+    هر chunk به فایل WAV موقت تبدیل و ارسال به Google STT می‌شود.
     """
     recognizer = sr.Recognizer()
-    full_text = []
+    recognizer.energy_threshold = 300  # تنظیم حساسیت به صدا
+    recognizer.dynamic_energy_threshold = True
+    recognizer.pause_threshold = 0.8
     
-    # بارگذاری فایل صوتی با pydub
+    full_text = []
+    temp_wav_dir = tempfile.mkdtemp()  # دایرکتوری موقت برای WAVها
     audio = AudioSegment.from_mp3(mp3_path)
+    duration_ms = len(audio)
+    num_chunks = (duration_ms // chunk_length_ms) + 1 if duration_ms % chunk_length_ms != 0 else (duration_ms // chunk_length_ms)
     
-    # تقسیم به chunkهای ساکت (برای فایل‌های طولانی)
-    chunks = split_on_silence(
-        audio,
-        min_silence_len=1000,  # حداقل طول سکوت
-        silence_thresh=silence_threshold,  # آستانه سکوت
-        keep_silence=500,  # حفظ کمی سکوت
-    )
-    
-    if not chunks:
-        # اگر تقسیم نشد، کل فایل را امتحان کن (محدودیت گوگل ~60 ثانیه)
-        if len(audio) > 60000:  # بیش از 60 ثانیه
-            return None  # فایل خیلی طولانی برای STT رایگان
-        chunk = audio
-        chunks = [chunk]
+    progress(0.5, desc=f"فایل {duration_ms/1000:.1f} ثانیه. تقسیم به {num_chunks} chunk...")
     
-    for i, chunk in enumerate(chunks):
-        # تبدیل chunk به فرمت WAV در حافظه
-        chunk_export = io.BytesIO()
-        chunk.export(chunk_export, format="wav")
-        chunk_export.seek(0)
+    # تقسیم به chunkهای زمانی با هم‌پوشانی
+    for i in range(0, duration_ms, chunk_length_ms - overlap_ms):
+        chunk = audio[i:i + chunk_length_ms]
         
-        with sr.AudioFile(chunk_export) as source:
-            # تنظیم برای نویز
-            recognizer.adjust_for_ambient_noise(source, duration=0.5)
-            audio_data = recognizer.record(source)
+        # ذخیره chunk به فایل WAV موقت
+        temp_wav = os.path.join(temp_wav_dir, f"chunk_{i}.wav")
+        chunk.export(temp_wav, format="wav")
         
         try:
-            # استفاده از Google Speech Recognition (رایگان، بدون API key)
-            text = recognizer.recognize_google(audio_data, language='fa-IR')  # برای پارسی، یا 'en-US' برای انگلیسی
-            full_text.append(text)
-        except sr.UnknownValueError:
-            full_text.append("[نامشخص]")
-        except sr.RequestError as e:
-            full_text.append(f"[خطا در شناسایی: {e}]")
-            return None  # اگر خطای اتصال یا محدودیت، متوقف شو
+            chunk_progress = (i + chunk_length_ms) / duration_ms * 0.5  # 0.5 برای STT
+            progress(0.5 + chunk_progress, desc=f"پردازش chunk {i//1000 + 1}/{num_chunks}...")
+            
+            with sr.AudioFile(temp_wav) as source:
+                recognizer.adjust_for_ambient_noise(source, duration=0.5)
+                audio_data = recognizer.record(source)
+                try:
+                    # Google STT (رایگان)
+                    text = recognizer.recognize_google(audio_data, language='fa-IR')
+                    if text.strip():  # اگر متن خالی نبود
+                        full_text.append(text)
+                    else:
+                        full_text.append("[سکوت یا نامشخص]")
+                except sr.UnknownValueError:
+                    full_text.append("[نامشخص]")
+                except sr.RequestError as e:
+                    full_text.append(f"[خطا: {e}]")
+                    # ادامه دهیم، نه متوقف
+        except Exception as chunk_e:
+            full_text.append(f"[خطا در chunk: {chunk_e}]")
+            continue
+        
+        # تمیز کردن فایل WAV
+        if os.path.exists(temp_wav):
+            os.remove(temp_wav)
+    
+    # تمیز کردن دایرکتوری
+    shutil.rmtree(temp_wav_dir, ignore_errors=True)
+    
+    final_text = ' '.join(full_text).strip()
+    if not final_text or "[خطا" in final_text or "[نامشخص" in final_text and len(full_text) == 1:
+        return None  # اگر همه chunkها شکست خوردند
     
-    return ' '.join(full_text)
+    return final_text
 
-# رابط Gradio (با API فعال برای فراخوانی از PHP)
+# رابط Gradio
 iface = gr.Interface(
     fn=convert_to_mp3_and_transcribe,
     inputs=gr.Textbox(
@@ -133,16 +144,14 @@ iface = gr.Interface(
         gr.Textbox(label="متن استخراج‌شده", lines=10),
         gr.Textbox(label="پیام وضعیت")
     ],
-    title="تبدیل ویدیو به MP3 و استخراج متن (STT با گوگل)",
-    description="لینک ویدیو را وارد کنید تا صوت به MP3 تبدیل شود و متن آن استخراج گردد. از Google Speech Recognition رایگان استفاده می‌شود.",
+    title="تبدیل ویدیو به MP3 و استخراج متن (STT با گوگل - chunked)",
+    description="لینک ویدیو را وارد کنید. فایل به chunkهای 30 ثانیه‌ای تقسیم و تکه‌تکه به Google STT ارسال می‌شود تا محدودیت‌ها دور زده شود.",
     examples=[
-        ["https://www.youtube.com/watch?v=dQw4w9WgXcQ"]
+        ["https://www.youtube.com/watch?v=dQw4w9WgXcQ"]  # مثال کوتاه برای تست
     ],
-    allow_flagging="never",  # برای API تمیزتر
-    cache_examples=False  # غیرفعال برای API
+    allow_flagging="never",
+    cache_examples=False
 )
 
-# راه‌اندازی با API (برای فراخوانی از PHP با HTTP requests)
 if __name__ == "__main__":
-    # در Hugging Face Spaces، launch() کافی است. API روی /api endpoint در دسترس است.
-    iface.launch(server_name="0.0.0.0", server_port=7860, share=False)  # share=True برای تست عمومی
+    iface.launch(server_name="0.0.0.0", server_port=7860, share=False)