app.py

from transformers import pipeline
from openai import OpenAI
import gradio as gr
import pandas as pd
import os
import spaces
import soundfile as sf
import numpy as np
import librosa

# تنظیم کلید API از متغیر محیطی
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# بارگذاری مدل Whisper
whisper = pipeline("automatic-speech-recognition", model="openai/whisper-large-v3-turbo", device="cuda")

@spaces.GPU
def speech_to_text(audio_file):
    if audio_file is None:
        return "خطا: فایل صوتی دریافت نشد. لطفاً یک فایل صوتی آپلود کنید."
    try:
        # خواندن فایل صوتی
        audio_data, sample_rate = sf.read(audio_file)
        # اطمینان از نرخ نمونه‌برداری 16kHz (استاندارد برای Whisper)
        if sample_rate != 16000:
            audio_data = librosa.resample(audio_data, orig_sr=sample_rate, target_sr=16000)
        # پردازش با Whisper با پشتیبانی از فایل‌های طولانی
        result = whisper(audio_data, return_timestamps=True)
        return result["text"]
    except Exception as e:
        return f"خطا در پردازش فایل صوتی: {str(e)}"

def summarize_text(text):
    if not text or text.startswith("خطا"):
        return "خطا: متن معتبر برای خلاصه‌سازی دریافت نشد."
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "You are a helpful assistant that summarizes text in Persian."},
            {"role": "user", "content": f"لطفاً متن زیر را به صورت خلاصه و در قالب یک گزارش کوتاه ارائه دهید:\n{text}"}
        ],
        max_tokens=150
    )
    return response.choices[0].message.content

def create_summary_table(summary):
    data = {"خلاصه گزارش": [summary]}
    df = pd.DataFrame(data)
    return df

def process_audio(audio_file, progress=gr.Progress()):
    if audio_file is None:
        return "خطا: فایل صوتی دریافت نشد.", "", None
    progress(0, desc="در حال پردازش فایل صوتی...")
    text = speech_to_text(audio_file)
    progress(0.5, desc="در حال خلاصه‌سازی متن...")
    summary = summarize_text(text)
    progress(0.9, desc="ایجاد جدول خلاصه...")
    table = create_summary_table(summary)
    progress(1.0, desc="پردازش کامل شد")
    return text, summary, table

with gr.Blocks() as app:
    gr.Markdown("## اپلیکیشن تبدیل صوت به متن و خلاصه سازی کال سنتر\n**توجه**: برای بهترین عملکرد، از فایل‌های صوتی کوتاه (کمتر از ۵ مگابایت، ۱۰-۲۰ ثانیه) با فرمت MP3، WAV یا M4A استفاده کنید. فایل‌های طولانی‌تر از ۳۰ ثانیه ممکن است زمان پردازش بیشتری نیاز داشته باشند.")
    audio_input = gr.Audio(type="filepath", label="فایل صوتی را آپلود کنید (MP3، WAV، M4A)")
    text_output = gr.Textbox(label="متن تبدیل‌شده")
    summary_output = gr.Textbox(label="خلاصه گزارش")
    table_output = gr.DataFrame(label="جدول خلاصه")
    submit_button = gr.Button("پردازش")
    submit_button.click(
        fn=process_audio,
        inputs=audio_input,
        outputs=[text_output, summary_output, table_output]
    )

app.launch()