kalbetojai_analize.py

import os
import torchaudio
import time
import json
import shutil
from pyannote.audio import Pipeline
import whisper
from kalbos_nustatymas import (
    transcribe_text,
    transcribe_text_wav2vec,
    recognize_language
)

def analizuoti_kalbetojus(pasirinktas_modelis="Wav2Vec2", failas="/tmp/ivestis.wav"):
    start_time = time.time()
    tekstas = []
    lietuviskas_tekstas = ""
    visi_segmentai = []

    tekstas.append("🔁 Įkeliama diarizacijos sistema...")
    diar_pipeline = Pipeline.from_pretrained(
        "pyannote/speaker-diarization",
        use_auth_token=os.getenv("HF_TOKEN")
    )
    tekstas.append("✅ Diarizacijos modelis paruoštas.")

    tekstas.append(f"🔁 Įkeliamas modelis: {pasirinktas_modelis}...")
    whisper_modelis = None
    if pasirinktas_modelis == "Whisper":
        whisper_modelis = whisper.load_model("medium")
    tekstas.append(f"✅ Modelis {pasirinktas_modelis} paruoštas.")

    tekstas.append("🧠 Atliekama diarizacija...")
    diar_result = diar_pipeline(failas)
    speaker_segments = list(diar_result.itertracks(yield_label=True))

    skaiciuokle = {}
    transkripcijos = {}
    kalbos_visos = {}

    waveform, sample_rate = torchaudio.load(failas)

    TEMP_FOLDER = "/tmp/temp_segmentai"
    if os.path.exists(TEMP_FOLDER):
        shutil.rmtree(TEMP_FOLDER)
    os.makedirs(TEMP_FOLDER, exist_ok=True)

    for i, (segment, _, speaker) in enumerate(speaker_segments):
        if (segment.end - segment.start) < 1.0:
            continue

        output_path = os.path.join(TEMP_FOLDER, f"segment_{i}_{speaker}.wav")
        start_sample = int(segment.start * sample_rate)
        end_sample = int(segment.end * sample_rate)
        torchaudio.save(output_path, waveform[:, start_sample:end_sample], sample_rate)

        if pasirinktas_modelis == "Whisper":
            try:
                result = whisper_modelis.transcribe(output_path)
                text = result["text"].strip()
                lang = result["language"].strip().lower()

                if lang == "ru":
                    retry = whisper_modelis.transcribe(output_path, language="lt")
                    text = retry["text"].strip()
                    lang = "lt (forced)"

            except Exception:
                text = "[KLAIDA Whisper transkripcijoje]"
                lang = "unknown"

        elif pasirinktas_modelis == "Wav2Vec2":
            try:
                best_text = ""
                best_lang = "unknown"
                longest = 0
                for kalba in ["lt", "en", "de"]:
                    try:
                        txt = transcribe_text_wav2vec(output_path, kalba=kalba).strip()
                        if len(txt) > longest:
                            best_text = txt
                            best_lang = kalba
                            longest = len(txt)
                    except:
                        continue
                text = best_text
                lang = best_lang
            except Exception:
                text = "[KLAIDA Wav2Vec2 transkripcijoje]"
                lang = "unknown"

        else:
            text = "[Nežinomas modelis]"
            lang = "unknown"

        trukme = round(segment.end - segment.start, 2)
        if speaker not in skaiciuokle:
            skaiciuokle[speaker] = {}
        lang_clean = lang.replace(" (forced)", "")
        skaiciuokle[speaker][lang_clean] = skaiciuokle[speaker].get(lang_clean, 0) + trukme

        if speaker not in transkripcijos:
            transkripcijos[speaker] = []
        transkripcijos[speaker].append({"tekstas": text, "kalba": lang, "trukme": trukme})

        if speaker not in kalbos_visos:
            kalbos_visos[speaker] = set()
        kalbos_visos[speaker].add(lang_clean)

    max_lt_seconds = 0
    kalbetojas_lt = None
    for speaker, kalbos in skaiciuokle.items():
        lt_trukme = kalbos.get("lt", 0)
        if lt_trukme > max_lt_seconds:
            max_lt_seconds = lt_trukme
            kalbetojas_lt = speaker

    sorted_speakers = sorted(skaiciuokle.keys())
    for idx, speaker in enumerate(sorted_speakers):
        etikete = chr(65 + idx)  # A, B, C, ...
        for sak in transkripcijos[speaker]:
            if speaker == kalbetojas_lt and "lt" in sak["kalba"]:
                lietuviskas_tekstas += sak["tekstas"] + " "

            visi_segmentai.append({
                "kalbetojas": etikete,
                "modelis": pasirinktas_modelis,
                "kalba": sak["kalba"],
                "tekstas": sak["tekstas"],
                "trukme": sak["trukme"]
            })

    elapsed_time = round(time.time() - start_time, 2)
    minutes = int(elapsed_time) // 60
    seconds = int(elapsed_time) % 60
    formatted_time = f"{minutes} min. {seconds} sek."

    os.makedirs("rezultatai", exist_ok=True)
    failas = os.path.join("rezultatai", f"{pasirinktas_modelis.lower()}.json")

    try:
        with open(failas, "w", encoding="utf-8") as f:
            json.dump({
                "modelis": pasirinktas_modelis,
                "apdorojimo_laikas": elapsed_time,
                "apdorojimo_laikas_tekstu": formatted_time,
                "segmentai": visi_segmentai
            }, f, ensure_ascii=False, indent=2)
        tekstas.append(f"✅ JSON failas įrašytas: {failas}")
    except Exception as e:
        tekstas.append(f"❌ Nepavyko įrašyti JSON: {str(e)}")

    tekstas.append(f"⏱️ Programos vykdymo trukmė: {formatted_time}")
    return "\n".join(tekstas), lietuviskas_tekstas.strip(), visi_segmentai