"""Тест STT-модуля (Модуль 1).

Запуск:
    python modules/stt/test_stt.py --make-sample       # сгенерировать sample.mp3 (edge-tts) и распознать
    python modules/stt/test_stt.py modules/stt/samples/sample.mp3
    python modules/stt/test_stt.py --record 5          # 5 секунд с микрофона → распознать
    python modules/stt/test_stt.py --model base <file> # лёгкая модель для слабого ПК
    python modules/stt/test_stt.py --repeat 3 <file>   # замерить скорость несколькими прогонами

Критерий приёмки: фраза распознана верно, обработка <= 3 c на фразе ~5 c.
"""
from __future__ import annotations

import argparse
import asyncio
import sys
import time
from pathlib import Path
from typing import Optional

import numpy as np

try:
    from modules.stt import get_provider
except ImportError:  # запуск как обычного скрипта: добавляем корень проекта в путь
    sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
    from modules.stt import get_provider

SAMPLES_DIR = Path(__file__).resolve().parent / "samples"
SAMPLE_PHRASE = (
    "Привет! Это тестовый голосовой ассистент. "
    "Сегодня хорошая погода, и я хочу выпить чаю."
)
DEFAULT_VOICE = "ru-RU-SvetlanaNeural"


def make_sample(path: Path, voice: str) -> None:
    """Синтез русской фразы через edge-tts — удобный источник тестового аудио."""
    import edge_tts

    path.parent.mkdir(parents=True, exist_ok=True)
    async def _save() -> None:
        await edge_tts.Communicate(SAMPLE_PHRASE, voice).save(str(path))

    print(f"Генерирую {path.name} (голос {voice})...")
    asyncio.run(_save())


def record(seconds: int, sample_rate: int = 16000) -> np.ndarray:
    """Запись с микрофона по умолчанию → float32 mono, 16 кГц."""
    import sounddevice as sd
    import soundfile as sf

    print(f"\nЗапись {seconds} с. Приготовьтесь:")
    for i in (3, 2, 1):
        print(f"  {i}...")
        time.sleep(0.6)
    print("  >>> ГОВОРИТЕ <<<")
    raw = sd.rec(int(seconds * sample_rate), samplerate=sample_rate, channels=1, dtype="int16")
    sd.wait()
    audio = raw.astype(np.float32) / 32768.0
    audio = audio.mean(axis=1)  # (frames, 1) → mono
    wav = SAMPLES_DIR / "recording.wav"
    sf.write(str(wav), audio, sample_rate)
    print(f"Сохранено: {wav}")
    return audio


def parse_args() -> argparse.Namespace:
    p = argparse.ArgumentParser(description="Тест STT-модуля (faster-whisper)")
    p.add_argument("audio", nargs="?", help="аудио-файл (wav/mp3/flac)")
    p.add_argument("--make-sample", action="store_true",
                   help="сгенерировать sample.mp3 (edge-tts) и распознать его")
    p.add_argument("--voice", default=DEFAULT_VOICE, help="голос edge-tts для --make-sample")
    p.add_argument("--record", type=int, default=0, metavar="SEC",
                   help="записать SEC секунд с микрофона и распознать")
    p.add_argument("--model", default="small", help="tiny | base | small | medium")
    p.add_argument("--device", default="cpu", help="cpu | cuda")
    p.add_argument("--compute", default="int8", help="int8 | float16 | float32")
    p.add_argument("--beam", type=int, default=1, help="beam size (1 = быстрее)")
    p.add_argument("--no-vad", action="store_true", help="не отрезать тишину")
    p.add_argument("--repeat", type=int, default=1, help="число прогонов для замера")
    return p.parse_args()


def main() -> int:
    args = parse_args()

    audio_array: Optional[np.ndarray] = None
    target: Optional[Path] = None

    if args.record:
        audio_array = record(args.record)
    elif args.make_sample:
        target = SAMPLES_DIR / "sample.mp3"
        if not target.exists():
            make_sample(target, args.voice)
        else:
            print(f"Использую существующий {target}")
    elif args.audio:
        target = Path(args.audio)
    else:
        print(__doc__)
        return 1

    print(f"\nЗагружаю модель {args.model!r} ({args.compute}, {args.device})...")
    print("Первый запуск скачивает модель с HuggingFace (small ≈ 460 МБ), это нормально.")
    stt = get_provider(
        "faster-whisper",
        model_size=args.model,
        device=args.device,
        compute_type=args.compute,
        beam_size=args.beam,
        vad_filter=not args.no_vad,
    )
    print(f"Модель готова за {stt.load_sec:.1f} с.\n")

    results = []
    for i in range(1, args.repeat + 1):
        source = audio_array if audio_array is not None else target
        res = stt.transcribe(source)
        results.append(res)
        print(f"[прогон {i}/{args.repeat}] {res}")

    best = min(results, key=lambda r: r.processing_sec)
    print("\n=== ИТОГ ===")
    print(f"Текст: {best.text or '(пусто — нечего распознавать)'}")
    print(f"Аудио {best.duration_sec:.1f} c → обработка {best.processing_sec:.2f} c "
          f"(RTF {best.realtime_factor:.2f})")
    print(f"Язык: {best.language} (уверенность {best.language_probability:.2f})")
    passed = bool(best.text.strip())
    print("ПРИЁМКА:", "ПРОЙДЕНА ✅" if passed else "ПРОВАЛЕНА ❌ (пустой текст)")
    return 0 if passed else 2


if __name__ == "__main__":
    sys.exit(main())