app.py

import gradio as gr
import base64
import mimetypes
import os
import re
import struct
import time
import zipfile
from google import genai
from google.genai import types

try:
    from pydub import AudioSegment
    PYDUB_AVAILABLE = True
except ImportError:
    PYDUB_AVAILABLE = False

SPEAKER_VOICES = [
    "Achird", "Zubenelgenubi", "Vindemiatrix", "Sadachbia", "Sadaltager",
    "Sulafat", "Laomedeia", "Achernar", "Alnilam", "Schedar", "Gacrux",
    "Pulcherrima", "Umbriel", "Algieba", "Despina", "Erinome", "Algenib",
    "Rasalthgeti", "Orus", "Aoede", "Callirrhoe", "Autonoe", "Enceladus",
    "Iapetus", "Zephyr", "Puck", "Charon", "Kore", "Fenrir", "Leda"
]
FIXED_MODEL_NAME = "gemini-2.5-flash-preview-tts"
DEFAULT_MAX_CHUNK_SIZE = 3800
DEFAULT_SLEEP_BETWEEN_REQUESTS = 8
DEFAULT_OUTPUT_FILENAME_BASE = "alpha_tts_audio" # نام فایل خروجی خودکار

def _log(message, log_list):
    log_list.append(message) # برای دیباگ داخلی

def save_binary_file(file_name, data, log_list):
    try:
        with open(file_name, "wb") as f: f.write(data)
        _log(f"✅ فایل ذخیره شد: {file_name}", log_list)
        return file_name
    except Exception as e:
        _log(f"❌ خطا در ذخیره فایل {file_name}: {e}", log_list)
        return None

def convert_to_wav(audio_data: bytes, mime_type: str) -> bytes:
    parameters = parse_audio_mime_type(mime_type)
    bits_per_sample, rate = parameters["bits_per_sample"], parameters["rate"]
    num_channels, data_size = 1, len(audio_data)
    bytes_per_sample, block_align = bits_per_sample // 8, num_channels * (bits_per_sample // 8)
    byte_rate, chunk_size = rate * block_align, 36 + data_size
    header = struct.pack("<4sI4s4sIHHIIHH4sI", b"RIFF", chunk_size, b"WAVE", b"fmt ", 16, 1, num_channels, rate, byte_rate, block_align, bits_per_sample, b"data", data_size)
    return header + audio_data

def parse_audio_mime_type(mime_type: str) -> dict[str, int]:
    bits, rate = 16, 24000
    for param in mime_type.split(";"):
        param = param.strip()
        if param.lower().startswith("rate="):
            try: rate = int(param.split("=", 1)[1])
            except: pass
        elif param.startswith("audio/L"):
            try: bits = int(param.split("L", 1)[1])
            except: pass
    return {"bits_per_sample": bits, "rate": rate}

def smart_text_split(text, max_size=3800, log_list=None):
    if len(text) <= max_size: return [text]
    chunks, current_chunk = [], ""
    sentences = re.split(r'(?<=[.!?؟])\s+', text)
    for sentence in sentences:
        if len(current_chunk) + len(sentence) + 1 > max_size:
            if current_chunk: chunks.append(current_chunk.strip())
            current_chunk = sentence
            while len(current_chunk) > max_size:
                split_idx = next((i for i in range(max_size - 1, max_size // 2, -1) if current_chunk[i] in ['،', ',', ';', ':', ' ']), -1)
                part, current_chunk = (current_chunk[:split_idx+1], current_chunk[split_idx+1:]) if split_idx != -1 else (current_chunk[:max_size], current_chunk[max_size:])
                chunks.append(part.strip())
        else: current_chunk += (" " if current_chunk else "") + sentence
    if current_chunk: chunks.append(current_chunk.strip())
    final_chunks = [c for c in chunks if c]
    if log_list: _log(f"📊 متن به {len(final_chunks)} قطعه تقسیم شد.", log_list)
    return final_chunks

def merge_audio_files_func(file_paths, output_path, log_list):
    if not PYDUB_AVAILABLE: _log("❌ pydub در دسترس نیست.", log_list); return False
    try:
        _log(f"🔗 ادغام {len(file_paths)} فایل صوتی...", log_list)
        combined = AudioSegment.empty()
        for i, fp in enumerate(file_paths):
            if os.path.exists(fp): combined += AudioSegment.from_file(fp) + (AudioSegment.silent(duration=150) if i < len(file_paths) - 1 else AudioSegment.empty())
            else: _log(f"⚠️ فایل پیدا نشد: {fp}", log_list)
        combined.export(output_path, format="wav")
        _log(f"✅ فایل ادغام شده: {output_path}", log_list); return True
    except Exception as e: _log(f"❌ خطا در ادغام: {e}", log_list); return False

def core_generate_audio(text_input, prompt_input, selected_voice, temperature_val, log_list):
    output_base_name = DEFAULT_OUTPUT_FILENAME_BASE # نام فایل ثابت
    max_chunk, sleep_time = DEFAULT_MAX_CHUNK_SIZE, DEFAULT_SLEEP_BETWEEN_REQUESTS
    _log("🚀 شروع فرآیند...", log_list)
    api_key = os.environ.get("GEMINI_API_KEY")
    if not api_key: _log("❌ کلید API تنظیم نشده.", log_list); return None
    try: client = genai.Client(api_key=api_key)
    except Exception as e: _log(f"❌ خطا در کلاینت: {e}", log_list); return None
    if not text_input or not text_input.strip(): _log("❌ متن ورودی خالی.", log_list); return None
    text_chunks = smart_text_split(text_input, max_chunk, log_list)
    if not text_chunks: _log("❌ متن قابل پردازش نیست.", log_list); return None
    
    generated_files = []
    for i, chunk in enumerate(text_chunks):
        _log(f"🔊 پردازش قطعه {i+1}/{len(text_chunks)}...", log_list)
        final_text = f'"{prompt_input}"\n{chunk}' if prompt_input and prompt_input.strip() else chunk
        contents = [types.Content(role="user", parts=[types.Part.from_text(text=final_text)])]
        config = types.GenerateContentConfig(temperature=temperature_val, response_modalities=["audio"],
            speech_config=types.SpeechConfig(voice_config=types.VoiceConfig(
                prebuilt_voice_config=types.PrebuiltVoiceConfig(voice_name=selected_voice))))
        fname_base = f"{output_base_name}_part{i+1:03d}" # نامگذاری قطعات موقت
        try:
            response = client.models.generate_content(model=FIXED_MODEL_NAME, contents=contents, config=config)
            if response.candidates and response.candidates[0].content and response.candidates[0].content.parts and response.candidates[0].content.parts[0].inline_data:
                inline_data = response.candidates[0].content.parts[0].inline_data
                data_buffer = inline_data.data
                ext = mimetypes.guess_extension(inline_data.mime_type) or ".wav"
                if "audio/L" in inline_data.mime_type and ext == ".wav": data_buffer = convert_to_wav(data_buffer, inline_data.mime_type)
                if not ext.startswith("."): ext = "." + ext
                fpath = save_binary_file(f"{fname_base}{ext}", data_buffer, log_list)
                if fpath: generated_files.append(fpath)
            else: _log(f"⚠️ پاسخ API برای قطعه {i+1} بدون داده صوتی.", log_list)
        except Exception as e: _log(f"❌ خطا در تولید قطعه {i+1}: {e}", log_list); continue
        if i < len(text_chunks) - 1 and len(text_chunks) > 1: time.sleep(sleep_time)

    if not generated_files: _log("❌ هیچ فایلی تولید نشد.", log_list); return None
    _log(f"🎉 {len(generated_files)} فایل(های) صوتی تولید شد.", log_list)
    
    final_audio_file = None
    # نام فایل نهایی ادغام شده یا تکی
    # استفاده از یک نام ثابت با افزودن timestamp برای جلوگیری از کش شدن توسط مرورگر یا CDN
    # اما برای سادگی و چون پلیر Gradio معمولا با محتوا آپدیت می‌شود، فعلا timestamp نمی‌گذاریم.
    final_output_path_base = f"{output_base_name}_final"

    if len(generated_files) > 1:
        if PYDUB_AVAILABLE:
            merged_fn = f"{final_output_path_base}.wav" # همیشه WAV برای فایل نهایی
            if os.path.exists(merged_fn): os.remove(merged_fn) # حذف فایل قبلی اگر وجود دارد
            if merge_audio_files_func(generated_files, merged_fn, log_list):
                final_audio_file = merged_fn
                for fp in generated_files: # حذف فایل‌های جزئی
                    if os.path.abspath(fp) != os.path.abspath(merged_fn):
                        try: os.remove(fp)
                        except: pass
            else: # اگر ادغام ناموفق بود، اولین قطعه با نام استاندارد ارائه می‌شود
                if generated_files:
                    try:
                        os.rename(generated_files[0], f"{final_output_path_base}{os.path.splitext(generated_files[0])[1]}")
                        final_audio_file = f"{final_output_path_base}{os.path.splitext(generated_files[0])[1]}"
                    except Exception as e_rename:
                         _log(f"خطا در تغییر نام فایل اولین قطعه: {e_rename}", log_list)
                         final_audio_file = generated_files[0] # بازگشت به مسیر اصلی
            # پاک کردن سایر فایل‌های جزئی حتی اگر ادغام ناموفق بود
            if final_audio_file: # اگر فایلی برای ارائه داریم (ادغام شده یا اولین قطعه)
                for fp_cleanup in generated_files:
                    if os.path.abspath(fp_cleanup) != os.path.abspath(final_audio_file):
                        try: os.remove(fp_cleanup)
                        except: pass
        else: 
            _log("⚠️ pydub نیست. اولین قطعه ارائه می‌شود.", log_list)
            if generated_files:
                try:
                    os.rename(generated_files[0], f"{final_output_path_base}{os.path.splitext(generated_files[0])[1]}")
                    final_audio_file = f"{final_output_path_base}{os.path.splitext(generated_files[0])[1]}"
                    for i_gf in range(1, len(generated_files)): # پاک کردن بقیه فایل‌های جزئی
                        try: os.remove(generated_files[i_gf])
                        except: pass
                except Exception as e_rename_single:
                    _log(f"خطا در تغییر نام فایل اولین قطعه (بدون pydub): {e_rename_single}", log_list)
                    final_audio_file = generated_files[0]


    elif len(generated_files) == 1:
        try:
            # تغییر نام فایل تکی به نام استاندارد نهایی
            target_ext = os.path.splitext(generated_files[0])[1]
            final_single_fn = f"{final_output_path_base}{target_ext}"
            if os.path.exists(final_single_fn): os.remove(final_single_fn)
            os.rename(generated_files[0], final_single_fn)
            final_audio_file = final_single_fn
        except Exception as e_rename_single_final:
            _log(f"خطا در تغییر نام فایل تکی نهایی: {e_rename_single_final}", log_list)
            final_audio_file = generated_files[0] # بازگشت به مسیر اصلی اگر تغییر نام ناموفق بود
    
    if final_audio_file and not os.path.exists(final_audio_file): 
        _log(f"⚠️ فایل نهایی '{final_audio_file}' وجود ندارد!", log_list)
        return None
    return final_audio_file

def gradio_tts_interface(use_file_input, uploaded_file, text_to_speak, speech_prompt, speaker_voice, temperature, progress=gr.Progress(track_tqdm=True)):
    logs = []
    actual_text = ""
    if use_file_input:
        if uploaded_file:
            try:
                with open(uploaded_file.name, 'r', encoding='utf-8') as f: actual_text = f.read().strip()
                if not actual_text: return None
            except Exception as e: _log(f"❌ خطا خواندن فایل: {e}", logs); return None
        else: return None
    else:
        actual_text = text_to_speak
        if not actual_text or not actual_text.strip(): return None
    
    final_path = core_generate_audio(actual_text, speech_prompt, speaker_voice, temperature, logs)
    # for log_entry in logs: print(log_entry) # For debugging in HF console
    return final_path

# --- CSS با الهام دقیق‌تر از تصاویر نمونه ---
# متغیرهای رنگی اصلی از تصاویر شما (Alpha Translator)
APP_HEADER_GRADIENT_START = "#4A00E0" # بنفش تیره‌تر
APP_HEADER_GRADIENT_END = "#8E2DE2"   # بنفش روشن‌تر
# یا گرادیانت آبی-سبز تصویر:
APP_HEADER_GRADIENT_START_IMG = "#2980b9" # آبی
APP_HEADER_GRADIENT_END_IMG = "#2ecc71"   # سبز

PANEL_BACKGROUND = "#FFFFFF"
TEXT_INPUT_BG = "#F7F7F7" # یا #FFFFFF اگر در تصویر سفید است
BUTTON_BG_IMG = "#2979FF" # آبی دکمه در تصویر
MAIN_BACKGROUND_IMG = "linear-gradient(170deg, #E0F2FE 0%, #F3E8FF 100%)" # پس زمینه کلی تصویر (مایل به بنفش و آبی روشن)

custom_css_inspired_by_image = f"""
@import url('https://fonts.googleapis.com/css2?family=Vazirmatn:wght@300;400;500;700;800&display=swap');
:root {{
    --app-font: 'Vazirmatn', sans-serif;
    --app-header-grad-start: {APP_HEADER_GRADIENT_START_IMG};
    --app-header-grad-end: {APP_HEADER_GRADIENT_END_IMG};
    --app-panel-bg: {PANEL_BACKGROUND};
    --app-input-bg: {TEXT_INPUT_BG};
    --app-button-bg: {BUTTON_BG_IMG};
    --app-main-bg: {MAIN_BACKGROUND_IMG};
    --app-text-primary: #333;
    --app-text-secondary: #555;
    --app-border-color: #E0E0E0;
    --radius-card: 20px; /* گردی بیشتر برای کارت اصلی */
    --radius-input: 8px;
    --shadow-card: 0 10px 30px -5px rgba(0,0,0,0.1);
    --shadow-button: 0 4px 10px -2px rgba(41,121,255,0.5);
}}
body, .gradio-container {{ font-family: var(--app-font); direction: rtl; background: var(--app-main-bg); color: var(--app-text-primary); font-size: 16px; line-height: 1.65; }}
.gradio-container {{ max-width:100% !important; min-height:100vh; margin:0 !important; padding:0 !important; display:flex; flex-direction:column; }}
.app-header-alpha {{ padding: 3rem 1.5rem 4rem 1.5rem; text-align: center; background-image: linear-gradient(135deg, var(--app-header-grad-start) 0%, var(--app-header-grad-end) 100%); color: white; border-bottom-left-radius: var(--radius-card); border-bottom-right-radius: var(--radius-card); box-shadow: 0 6px 20px -5px rgba(0,0,0,0.2); }}
.app-header-alpha h1 {{ font-size: 2.4em; font-weight: 800; margin:0 0 0.5rem 0; text-shadow: 0 2px 4px rgba(0,0,0,0.15); }}
.app-header-alpha p {{ font-size: 1.1em; color: rgba(255,255,255,0.9); margin-top:0; opacity: 0.9; }}
.main-content-panel-alpha {{ padding: 1.8rem 1.5rem; max-width: 680px; margin: -2.5rem auto 2rem auto; width: 90%; background-color: var(--app-panel-bg); border-radius: var(--radius-card); box-shadow: var(--shadow-card); position:relative; z-index:10; }}
@media (max-width: 768px) {{ .main-content-panel-alpha {{ width: 95%; padding: 1.5rem 1rem; margin-top: -2rem; }} .app-header-alpha h1 {{font-size:2em;}} .app-header-alpha p {{font-size:1em;}} }}
footer {{display:none !important;}}

.gr-button.generate-button-final {{ background: var(--app-button-bg) !important; color: white !important; border:none !important; border-radius: var(--radius-input) !important; padding: 0.8rem 1.5rem !important; font-weight: 700 !important; font-size:1.05em !important; transition: all 0.3s ease; box-shadow: var(--shadow-button); width:100%; margin-top:1.5rem !important; }}
.gr-button.generate-button-final:hover {{ filter: brightness(1.1); transform: translateY(-2px); box-shadow: 0 6px 12px -3px rgba(41,121,255,0.6);}}
.gr-input > label + div > textarea, .gr-dropdown > label + div > div > input, .gr-dropdown > label + div > div > select, .gr-textbox > label + div > textarea, .gr-file > label + div {{ border-radius: var(--radius-input) !important; border: 1px solid var(--app-border-color) !important; background-color: var(--app-input-bg) !important; box-shadow: inset 0 1px 2px rgba(0,0,0,0.05); padding: 0.75rem !important; }}
.gr-file > label + div {{ text-align:center; border-style: dashed !important; }} /* ظاهر آپلود فایل */
.gr-input > label + div > textarea:focus, .gr-dropdown > label + div > div > input:focus, .gr-textbox > label + div > textarea:focus {{ border-color: var(--app-button-bg) !important; box-shadow: 0 0 0 3px rgba(41,121,255,0.2) !important; }}
label > .label-text {{ font-weight: 700 !important; color: var(--app-text-primary) !important; font-size: 0.95em !important; margin-bottom: 0.5rem !important; }}
.section-title-main-alpha {{ font-size: 1.1em; color: var(--app-text-secondary); margin-bottom:1rem; padding-bottom: 0.5rem; border-bottom: 1px solid var(--app-border-color); font-weight:500; text-align:right; }}
/* آیکون‌ها قبل از لیبل‌ها در تصویر نمونه */
label > .label-text::before {{ margin-left: 8px; vertical-align: middle; opacity: 0.7; }}
label[for*="text_input_main_alpha_v3"] > .label-text::before {{ content: '📝'; }}
label[for*="speech_prompt_alpha_v3"] > .label-text::before {{ content: '🗣️'; }}
label[for*="speaker_voice_alpha_v3"] > .label-text::before {{ content: '🎤'; }}
label[for*="temperature_slider_alpha_v3"] > .label-text::before {{ content: '🌡️'; }}

#output_audio_player_alpha_v3 audio {{ width: 100%; border-radius: var(--radius-input); margin-top:0.8rem; }}
.temp_description_class_alpha_v3 {{ font-size: 0.85em; color: #777; margin-top: -0.4rem; margin-bottom: 1rem; }}
.app-footer-final {{text-align:center;font-size:0.9em;color: var(--app-text-secondary);opacity:0.8; margin-top:3rem;padding:1.5rem 0; border-top:1px solid var(--app-border-color);}}
"""

alpha_header_html_v3 = """
<div class='app-header-alpha'>
  <h1>Alpha TTS</h1>
  <p>جادوی تبدیل متن به صدا در دستان شما</p>
</div>
""" # بدون آیکون موشک، چون آیکون‌های تصویری نیاز به فایل دارند

with gr.Blocks(theme=gr.themes.Base(font=[gr.themes.GoogleFont("Vazirmatn")]), css=custom_css_inspired_by_image, title="آلفا TTS") as demo:
    gr.HTML(alpha_header_html_v3)

    with gr.Column(elem_classes=["main-content-panel-alpha"]):
        # عنوان بخش حذف شد تا فضا کمتر گرفته شود و شبیه تصویر شود
        # gr.Markdown("<h3 class='section-title-main-alpha'>ورودی متن و تنظیمات</h3>") 
        
        use_file_input_cb = gr.Checkbox(label="📄 استفاده از فایل متنی (.txt)", value=False, elem_id="use_file_cb_alpha_v3")
        uploaded_file_input = gr.File(
            label=" ", # لیبل خالی برای ظاهر شبیه تصویر
            file_types=['.txt'], 
            visible=False,
            elem_id="file_uploader_alpha_main_v3"
        ) 
        text_to_speak_tb = gr.Textbox(
            label="متن فارسی برای تبدیل", # لیبل کوتاه‌تر
            placeholder="مثال: سلام، فردا هوا چطور است؟", # placeholder از تصویر
            lines=5,
            value="", # خالی در ابتدا
            visible=True,
            elem_id="text_input_main_alpha_v3"
        )
        use_file_input_cb.change(
            fn=lambda x: (gr.update(visible=x, label=" " if x else "متن فارسی برای تبدیل"), gr.update(visible=not x)), # تغییر لیبل فایل هنگام نمایش
            inputs=use_file_input_cb,
            outputs=[uploaded_file_input, text_to_speak_tb]
        )

        speech_prompt_tb = gr.Textbox(
            label="سبک گفتار (اختیاری)",
            placeholder="مثال: با لحنی شاد و پرانرژی", # placeholder کوتاه‌تر
            value="با لحنی دوستانه و رسا صحبت کن.",
            lines=2, elem_id="speech_prompt_alpha_v3"
        )
        speaker_voice_dd = gr.Dropdown(
            SPEAKER_VOICES, label="انتخاب گوینده و لهجه", value="Charon", elem_id="speaker_voice_alpha_v3"
        )
        temperature_slider = gr.Slider(
            minimum=0.1, maximum=1.5, step=0.05, value=0.9, label="میزان خلاقیت صدا",
            elem_id="temperature_slider_alpha_v3"
        )
        gr.Markdown("<p class='temp_description_class_alpha_v3'>مقادیر بالاتر = تنوع بیشتر، مقادیر پایین‌تر = یکنواختی بیشتر.</p>")

        # فیلد نام فایل خروجی حذف شد

        generate_button = gr.Button("🚀 تولید و پخش صدا", elem_classes=["generate-button-final"], elem_id="generate_button_alpha_v3")
        
        # عنوان بخش نتیجه حذف شد
        output_audio = gr.Audio(label=" ", type="filepath", elem_id="output_audio_player_alpha_v3") # لیبل خالی
    
        generate_button.click(
            fn=gradio_tts_interface,
            inputs=[ use_file_input_cb, uploaded_file_input, text_to_speak_tb, speech_prompt_tb, speaker_voice_dd, temperature_slider ], # output_filename_base_tb حذف شد
            outputs=[output_audio] 
        )

        # بخش Examples با استایل ساده‌تر و بدون عنوان جداگانه برای تطابق با ظاهر ساده شده
        # برای شباهت بیشتر به تصویر، می‌توان Examples را هم حذف کرد یا بسیار ساده‌تر کرد.
        # فعلا نگه می‌داریم اما با ظاهر ساده‌تر.
        gr.Markdown("<h3 class='section-title-main-alpha' style='margin-top:2.5rem; text-align:center; border-bottom:none;'>نمونه‌های کاربردی</h3>", elem_id="examples_section_title_v3")
        gr.Examples(
            examples=[
                [False, None, "سلام بر شما، امیدوارم روز خوبی داشته باشید.", "با لحنی گرم و صمیمی.", "Zephyr", 0.85],
                [False, None, "این یک آزمایش برای بررسی کیفیت صدای تولید شده توسط هوش مصنوعی آلفا است.", "با صدایی طبیعی و روان.", "Charon", 0.9],
            ],
            # ورودی‌ها باید با تابع اصلی مطابقت داشته باشند، output_filename_base_tb حذف شده
            inputs=[ use_file_input_cb, uploaded_file_input, text_to_speak_tb, speech_prompt_tb, speaker_voice_dd, temperature_slider ],
            outputs=[output_audio],
            fn=gradio_tts_interface,
            cache_examples=False 
        )
    gr.Markdown("<p class='app-footer-final'>Alpha Language Learning © 2024</p>") # مشابه تصویر


if __name__ == "__main__":
    demo.launch()