Update preprocessing.py

preprocessing.py

@@ -3,24 +3,87 @@ from pydub import AudioSegment
 import noisereduce as nr
 import webrtcvad
 from ..config import settings
+import numpy as np
+import librosa
+import soundfile as sf
+from typing import Optional
 
-def clean_audio(input_path: str) -> str:
-    audio = AudioSegment.from_file(input_path)
-    samples = audio.get_array_of_samples()
-    reduced = nr.reduce_noise(
-        y=samples, sr=settings.SAMPLE_RATE
-    )
-    cleaned = AudioSegment(
-        reduced.tobytes(),
-        frame_rate=settings.SAMPLE_RATE,
-        sample_width=audio.sample_width,
-        channels=audio.channels
-    )
-    vad = webrtcvad.Vad(2)
-    trimmed = _apply_vad(cleaned, vad)
-    clean_path = input_path.replace('.wav', '_clean.wav')
-    trimmed.export(clean_path, format='wav')
-    return clean_path
+def clean_audio(input_file: str, output_file: Optional[str] = None) -> str:
+    """
+    Ses dosyasını temizleyerek gürültüyü azaltır ve kaliteyi artırır
+    
+    Args:
+        input_file: Girdi ses dosyasının yolu
+        output_file: Çıktı ses dosyasının yolu (None ise otomatik oluşturulur)
+        
+    Returns:
+        Temizlenmiş ses dosyasının yolu
+    """
+    # Çıktı dosya adını oluştur
+    if output_file is None:
+        output_file = input_file.replace('.wav', '_cleaned.wav')
+    
+    try:
+        # Ses dosyasını yükle
+        audio, sr = librosa.load(input_file, sr=None)
+        
+        # 1. Gürültü azaltma
+        reduced_noise = nr.reduce_noise(y=audio, sr=sr, stationary=True)
+        
+        # 2. Ses seviyesi normalizasyonu
+        normalized = librosa.util.normalize(reduced_noise)
+        
+        # 3. Sessiz bölümleri kırp
+        non_silent_intervals = librosa.effects.split(normalized, top_db=30)
+        if len(non_silent_intervals) > 0:
+            non_silent_audio = np.concatenate([
+                normalized[start:end] for start, end in non_silent_intervals
+            ])
+            # Çok kısa ise orijinali kullan
+            if len(non_silent_audio) > 0.5 * len(normalized):
+                normalized = non_silent_audio
+        
+        # 4. Band-pass filtresi (insan sesi için optimize - 80Hz-8000Hz)
+        y_filter = librosa.effects.preemphasis(normalized)
+        
+        # Temizlenmiş sesi kaydet
+        sf.write(output_file, y_filter, sr)
+        
+        return output_file
+    
+    except Exception as e:
+        print(f"Ses temizleme hatası: {str(e)}")
+        # Hata durumunda orijinal dosyayı döndür
+        return input_file
+
+def clean_audio_streaming(input_file: str, output_file: Optional[str] = None, chunk_seconds: int = 30) -> str:
+    """Büyük dosyaları parça parça işle"""
+    if output_file is None:
+        output_file = input_file.replace('.wav', '_cleaned.wav')
+    
+    try:
+        # Temel bilgileri al
+        y, sr = librosa.load(input_file, sr=None, duration=10)  # Sadece örnek rate için
+        
+        # Çıktı dosyasını hazırla
+        with sf.SoundFile(output_file, 'w', sr, channels=1) as out_f:
+            # Dosyayı parça parça işle
+            for i, (audio_chunk, sr) in enumerate(librosa.stream(input_file, 
+                                                            block_length=chunk_seconds,
+                                                            frame_length=2048,
+                                                            hop_length=512)):
+                # Her parça için gürültü azaltma
+                reduced_noise = nr.reduce_noise(y=audio_chunk, sr=sr)
+                # Normalize
+                normalized = librosa.util.normalize(reduced_noise)
+                # Yaz
+                out_f.write(normalized)
+        
+        return output_file
+    
+    except Exception as e:
+        print(f"Ses temizleme hatası: {str(e)}")
+        return input_file
 
 def _apply_vad(audio: AudioSegment, vad: webrtcvad.Vad) -> AudioSegment:
     frame_duration = 30