"""Провайдер STT на faster-whisper (CTranslate2).

Модель автоматически скачивается с HuggingFace при первом запуске
и кэшируется в ~/.cache/huggingface (small ≈ 460 МБ).

Если скачивание из HuggingFace недоступно/медленное, можно указать зеркало:
    export HF_ENDPOINT=https://hf-mirror.com
"""
from __future__ import annotations

import time
from pathlib import Path
from typing import Optional

import numpy as np
from faster_whisper import WhisperModel

from .base import SAMPLE_RATE, AudioInput, SttProvider, TranscriptResult


class FasterWhisperProvider(SttProvider):
    name = "faster-whisper"

    def __init__(
        self,
        model_size: str = "small",    # tiny | base | small | medium | large-v3
        device: str = "cpu",          # cpu | cuda
        compute_type: str = "int8",   # int8 на CPU — быстро и мало памяти
        language: str = "ru",         # фиксируем язык: детекция не нужна
        beam_size: int = 1,           # 1 = жадный поиск, заметно быстрее
        vad_filter: bool = True,      # Silero-VAD внутри: отрезает тишину
        cpu_threads: int = 0,         # 0 = по умолчанию движка
    ) -> None:
        self._language = language
        self._beam_size = beam_size
        self._vad_filter = vad_filter

        t0 = time.perf_counter()
        self._model = WhisperModel(
            model_size,
            device=device,
            compute_type=compute_type,
            cpu_threads=cpu_threads,
        )
        # Время загрузки (и первого скачивания) модели — отдельно от распознавания.
        self.load_sec = time.perf_counter() - t0

    def transcribe(self, audio: AudioInput, sample_rate: int = SAMPLE_RATE) -> TranscriptResult:
        duration: Optional[float] = None

        if isinstance(audio, np.ndarray):
            samples = np.asarray(audio, dtype=np.float32)
            if samples.ndim > 1:  # (frames, channels) → mono
                samples = samples.mean(axis=1)
            duration = len(samples) / sample_rate
            source: AudioInput = samples
        else:
            path = Path(audio)
            if not path.is_file():
                raise FileNotFoundError(f"Аудио-файл не найден: {path}")
            source = str(path)

        t0 = time.perf_counter()
        segments, info = self._model.transcribe(
            source,
            language=self._language,
            beam_size=self._beam_size,
            vad_filter=self._vad_filter,
        )
        text = "".join(segment.text for segment in segments)
        text = " ".join(text.split())  # нормализуем пробелы между сегментами
        processing = time.perf_counter() - t0

        if duration is None:  # для файлов длина известна после transcribe
            duration = float(getattr(info, "duration", 0.0) or 0.0)

        return TranscriptResult(
            text=text,
            duration_sec=duration,
            processing_sec=processing,
            language=info.language or self._language,
            language_probability=float(info.language_probability or 0.0),
        )