app.py

import os
import sys
import time
import gradio as gr
import spaces
from huggingface_hub import snapshot_download
from pathlib import Path
import tempfile
from pydub import AudioSegment
import traceback

# افزودن پوشه src به مسیر سیستم
sys.path.insert(0, os.path.abspath(os.path.join(os.path.dirname(__file__), 'src')))

from models.inference.moda_test import LiveVASAPipeline, emo_map, set_seed

# --- تنظیمات اولیه ---
set_seed(42)

DEFAULT_CFG_PATH = "configs/audio2motion/inference/inference.yaml"
DEFAULT_MOTION_MEAN_STD_PATH = "src.datasets/mean.pt"
DEFAULT_SILENT_AUDIO_PATH = "src/examples/silent-audio.wav"
OUTPUT_DIR = "gradio_output"
WEIGHTS_DIR = "pretrain_weights"
REPO_ID = "lixinyizju/moda"

PERSIAN_EMOTION_MAP = {
    "خنثی (Neutral)": "Neutral",
    "خوشحال (Happy)": "Happy",
    "عصبانی (Angry)": "Angry",
    "غمگین (Sad)": "Sad",
    "متعجب (Surprise)": "Surprise"
}

# --- دانلود وزن‌ها ---
def download_weights():
    motion_model_file = os.path.join(WEIGHTS_DIR, "moda", "net-200.pth")
    if not os.path.exists(motion_model_file):
        print("📥 در حال دانلود مدل‌ها...")
        try:
            snapshot_download(repo_id=REPO_ID, local_dir=WEIGHTS_DIR, local_dir_use_symlinks=False, resume_download=True)
        except Exception as e:
            print(f"Error downloading: {e}")

# --- تبدیل صدا ---
def ensure_wav_format(audio_path):
    if audio_path is None: return None
    audio_path = Path(audio_path)
    if audio_path.suffix.lower() == '.wav': return str(audio_path)
    try:
        audio = AudioSegment.from_file(audio_path)
        with tempfile.NamedTemporaryFile(suffix='.wav', delete=False) as tmp_file:
            wav_path = tmp_file.name
            audio.export(wav_path, format='wav', parameters=["-ar", "16000", "-ac", "1"])
        return wav_path
    except Exception as e:
        raise gr.Error(f"فرمت فایل صوتی نامعتبر است: {e}")

# --- لود اولیه ---
os.makedirs(OUTPUT_DIR, exist_ok=True)
download_weights()

print("⏳ در حال لود مدل...")
try:
    pipeline = LiveVASAPipeline(cfg_path=DEFAULT_CFG_PATH, motion_mean_std_path=DEFAULT_MOTION_MEAN_STD_PATH)
    print("✅ مدل با موفقیت لود شد.")
except Exception as e:
    print(f"❌ خطا در لود مدل: {e}")
    pipeline = None

emo_name_to_id = {v: k for k, v in emo_map.items()}

# --- **جاوا اسکریپت جدید برای نمایش پیام خطای زیبا** ---
js_func = """
() => {
    const observer = new MutationObserver((mutations) => {
        mutations.forEach((mutation) => {
            if (mutation.addedNodes.length) {
                mutation.addedNodes.forEach((node) => {
                    // فقط روی المان‌های مربوط به خطای گرادیو کار کن
                    if (node.nodeType === 1 && (node.classList.contains('toast-body') || node.classList.contains('error'))) {
                        const originalText = node.innerText;
                        
                        // Regex برای پیدا کردن اعداد زمان
                        const regex = /(\d+)s requested vs. (\d+)s left/;
                        const match = originalText.match(regex);
                        
                        // اگر متن خطا مربوط به Quota بود و قبلا ترجمه نشده بود
                        if (match && !node.dataset.translated) {
                            const requested = match[1];
                            const left = match[2];
                            
                            // **ساخت کارت HTML زیبا**
                            const prettyHtml = `
                                <div style="display: flex; align-items: center; gap: 15px; font-family: 'Tahoma', sans-serif; direction: rtl; padding: 10px;">
                                    <div style="font-size: 2.5em; color: #dc3545;">⏳</div>
                                    <div>
                                        <h4 style="margin: 0; color: #5a6268; font-weight: bold;">ظرفیت سرور تکمیل است!</h4>
                                        <p style="margin: 5px 0 0 0; color: #6c757d; font-size: 0.9em;">
                                            سهمیه رایگان GPU شما برای پردازش یک ویدیوی <b>${requested} ثانیه‌ای</b> کافی نیست.
                                        </p>
                                        <div style="background-color: #f8d7da; border: 1px solid #f5c6cb; border-radius: 5px; padding: 5px 8px; margin-top: 10px; font-size: 0.85em;">
                                            اعتبار باقیمانده: <b>${left} ثانیه</b>
                                        </div>
                                    </div>
                                </div>
                            `;
                            
                            // جایگزینی محتوای قدیمی با کارت جدید
                            node.innerHTML = prettyHtml;
                            
                            // جلوگیری از ترجمه مجدد
                            node.dataset.translated = 'true'; 
                        }
                    }
                });
            }
        });
    });

    observer.observe(document.body, { childList: true, subtree: true });
}
"""

# --- تابع اصلی ---
@spaces.GPU(duration=120)
def generate_motion(source_image_path, driving_audio_path, persian_emotion_name, cfg_scale, progress=gr.Progress(track_tqdm=True)):
    if pipeline is None:
        raise gr.Error("❌ مدل هنوز بارگذاری نشده است. لطفاً صفحه را رفرش کنید.")
    if source_image_path is None:
        raise gr.Error("⚠️ لطفاً تصویر چهره را انتخاب کنید.")
    if driving_audio_path is None:
        raise gr.Error("⚠️ لطفاً فایل صوتی را انتخاب کنید.")
    try:
        english_emo_name = PERSIAN_EMOTION_MAP.get(persian_emotion_name, "Neutral")
        emotion_id = emo_name_to_id.get(english_emo_name, 8)
        wav_audio_path = ensure_wav_format(driving_audio_path)
        result_video_path = pipeline.driven_sample(
            image_path=source_image_path, audio_path=wav_audio_path, cfg_scale=float(cfg_scale),
            emo=emotion_id, save_dir=".", smooth=False, silent_audio_path=DEFAULT_SILENT_AUDIO_PATH,
        )
        final_path = Path(result_video_path)
        renamed_path = final_path.with_name(f"final_{int(time.time())}.mp4")
        final_path.rename(renamed_path)
        return str(renamed_path)
    except Exception as e:
        traceback.print_exc()
        raise gr.Error(f"❌ خطا در پردازش: {e}")

# --- رابط کاربری ---
css = """
.gradio-container {max-width: 900px !important; margin: auto !important; font-family: 'Tahoma', sans-serif;}
h1, h2, h3, p, span, div {direction: rtl; text-align: right;}
.center-text {text-align: center !important;}
.toast-wrap { direction: rtl !important; }
.toast-body { padding: 0 !important; } /* برای اینکه کارت ما کل فضا را بگیرد */
"""

with gr.Blocks(theme=gr.themes.Soft(), css=css, title="MoDA Farsi", js=js_func) as demo:
    gr.HTML("<div class='center-text'><h1>MoDA: ساخت ویدیو سخنگو</h1></div>")
    with gr.Row():
        with gr.Column():
            source_image = gr.Image(label="۱. تصویر چهره", type="filepath", value="src/examples/reference_images/7.jpg", height=250)
            driving_audio = gr.Audio(label="۲. فایل صوتی", type="filepath", value="src/examples/driving_audios/5.wav")
            with gr.Accordion("⚙️ تنظیمات پیشرفته", open=True):
                with gr.Row():
                    emotion_dropdown = gr.Dropdown(label="حالت چهره", choices=list(PERSIAN_EMOTION_MAP.keys()), value="خنثی (Neutral)")
                    cfg_slider = gr.Slider(label="دقت (CFG)", minimum=1.0, maximum=3.0, value=1.2, step=0.1)
            submit_btn = gr.Button("🎥 ساخت ویدیو", variant="primary", size="lg")
        with gr.Column():
            output_video = gr.Video(label="خروجی نهایی", height=400, autoplay=True)
    submit_btn.click(
        fn=generate_motion,
        inputs=[source_image, driving_audio, emotion_dropdown, cfg_slider],
        outputs=output_video
    )

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