Socialflow/ffmpeg-service/app/quality.py

"""Contrôles de la voix générée : texte réellement lu et silences.

Gemini lit parfois mal : mots sautés, fin tronquée, consigne de style lue à
voix haute. On compare donc ce que Whisper entend au texte attendu, et on
découpe la voix d'après son niveau sonore réel (mesuré toutes les 10 ms)
plutôt qu'aux bornes des mots estimées par Whisper, trop imprécises pour ne
pas rogner une syllabe.
"""

import asyncio
import difflib
import re
from dataclasses import dataclass, field
from pathlib import Path

import numpy as np

from . import proc
from .align import Word, normalize

MIN_COVERAGE = 0.92


@dataclass
class ReadingCheck:
    coverage: float  # part des mots attendus effectivement entendus
    extra: float  # mots entendus en trop (consigne lue, ajouts), rapportés au texte
    ending_ok: bool  # la fin du texte est bien lue
    missing: list[str] = field(default_factory=list)  # mots attendus non entendus (diagnostic)

    @property
    def acceptable(self) -> bool:
        # Comparaison lettre à lettre : une lecture complète atteint ~97 %
        # (petites erreurs de Whisper) ; sous 92 %, des mots ont été sautés.
        return self.coverage >= MIN_COVERAGE and self.extra <= 0.25 and self.ending_ok

    def describe(self) -> str:
        parts = [f"{self.coverage:.0%} des mots lus"]
        if not self.ending_ok:
            parts.append("fin tronquée")
        if self.extra > 0.25:
            parts.append("mots ajoutés")
        if self.missing and self.coverage < MIN_COVERAGE:
            parts.append("non entendus : " + " ".join(self.missing[:12]))
        return ", ".join(parts)


def check_reading(expected_text: str, spoken: list[Word]) -> ReadingCheck:
    """Compare le texte attendu à ce qui a été entendu (Whisper), lettre à
    lettre : les petites erreurs de reconnaissance (« petit » pour « petits »,
    « week -end » découpé) ne comptent pas comme des mots manquants, alors
    qu'un mot sauté, une fin tronquée ou une phrase ajoutée se voient."""
    expected = "".join(comparable_tokens(expected_text.split()))
    heard = "".join(comparable_tokens([w.text for w in spoken]))
    if not expected:
        return ReadingCheck(1.0, 0.0, True)
    if not heard:
        return ReadingCheck(0.0, 0.0, False)

    matcher = difflib.SequenceMatcher(a=expected, b=heard, autojunk=False)
    blocks = [b for b in matcher.get_matching_blocks() if b.size]
    matched = sum(b.size for b in blocks)
    # Fin lue : une bonne partie des dernières lettres du texte est reconnue
    tail_start = max(0, len(expected) - 8)
    tail_matched = sum(max(0, min(b.a + b.size, len(expected)) - max(b.a, tail_start)) for b in blocks)
    return ReadingCheck(
        coverage=matched / len(expected),
        extra=max(0, len(heard) - matched) / len(expected),
        ending_ok=tail_matched >= min(4, len(expected) - tail_start),
        missing=_missing_words(expected_text, spoken),
    )


# Unités écrites de plusieurs façons par Whisper (« 40 cm » pour « 40 centimètres »)
UNITS = {
    "e", "eur", "euro", "euros", "centime", "centimes", "cm", "centimetre", "centimetres",
    "mm", "millimetre", "millimetres", "m", "metre", "metres", "km", "kilometre", "kilometres",
    "g", "gramme", "grammes", "kg", "kilo", "kilos", "kilogramme", "kilogrammes",
    "l", "litre", "litres", "cl", "centilitre", "centilitres", "ml", "millilitre", "millilitres",
    "pourcent", "pourcents", "x", "fois",
}  # fmt: skip


# Nombres écrits en lettres : Whisper les écrit en chiffres (« trente » → « 30 »).
# « un »/« une » n'y sont pas : ce sont le plus souvent des articles.
NUMBER_WORDS = {
    "zero", "deux", "trois", "quatre", "cinq", "six", "sept", "huit", "neuf", "dix",
    "onze", "douze", "treize", "quatorze", "quinze", "seize", "vingt", "vingts",
    "trente", "quarante", "cinquante", "soixante", "septante", "octante", "nonante",
    "cent", "cents", "mille", "million", "millions", "milliard", "milliards",
}  # fmt: skip
# Signe avant un nombre : « +30 » est lu « plus trente »
SIGNS = {"plus", "moins"}


# Nombres composés, écrits avec traits d'union puis normalisés (« trentecinq »)
_COMPOUND_NUMBER = re.compile(
    "^(?:" + "|".join(sorted(NUMBER_WORDS | {"et", "un", "une"}, key=len, reverse=True)) + ")+$"
)


def _is_number(token: str) -> bool:
    if any(c.isdigit() for c in token) or token in NUMBER_WORDS:
        return True
    return token not in {"un", "une", "et"} and bool(_COMPOUND_NUMBER.match(token))


def comparable_tokens(words: list[str]) -> list[str]:
    """Mots normalisés, sans les nombres (en chiffres ou en lettres), leur signe
    ni l'unité qui les suit : Whisper écrit un prix ou une mesure à sa façon
    (« 11 € 99 », « 11,99 euros », « 40 cm », « 30 » pour « trente »), ce qui
    passait pour des mots sautés et relançait la génération."""
    normalized = [t for t in (normalize(w) for w in words) if t]
    tokens: list[str] = []
    after_number = False
    for index, token in enumerate(normalized):
        if _is_number(token):
            after_number = True
            continue
        following = normalized[index + 1] if index + 1 < len(normalized) else ""
        if token in SIGNS and _is_number(following):
            continue
        if after_number and token == "pour" and following in {"cent", "cents"}:
            continue  # « trente pour cent » ↔ « 30 % »
        if after_number and token in UNITS:
            continue
        after_number = False
        tokens.append(token)
    return tokens


def _missing_words(expected_text: str, spoken: list[Word]) -> list[str]:
    """Mots attendus sans équivalent proche dans ce qui a été entendu."""
    heard = set(comparable_tokens([w.text for w in spoken]))
    kept = set(comparable_tokens(expected_text.split()))
    missing = []
    for word in expected_text.split():
        token = normalize(word)
        if token in kept and not any(difflib.SequenceMatcher(a=token, b=h).ratio() >= 0.7 for h in heard):
            missing.append(word.strip(".,!?;:…"))
    return missing


# Enveloppe sonore : niveau de la voix toutes les 10 ms
FRAME = 0.01
# Est « audible » ce qui dépasse le niveau de crête moins 38 dB : un seuil
# relatif respecte les fins de phrases douces (« s » final, voix qui retombe),
# qu'un seuil absolu prenait pour du silence.
ACTIVE_RANGE_DB = 38.0
# Marges gardées autour de la parole
LEAD_PAD = 0.08
TAIL_PAD = 0.30
# Pause entre deux phrases : au moins 80 ms de silence, cherchée jusqu'à 1,2 s
# de la borne estimée par Whisper
MIN_PAUSE = 0.08
PAUSE_SEARCH = 1.2


@dataclass
class Envelope:
    db: np.ndarray  # niveau (dBFS) de chaque tranche de 10 ms

    @property
    def duration(self) -> float:
        return len(self.db) * FRAME

    @property
    def threshold(self) -> float:
        if not len(self.db):
            return 0.0
        return float(np.percentile(self.db, 95)) - ACTIVE_RANGE_DB

    def _frames(self, start: float, end: float) -> tuple[int, int]:
        first = max(0, int(start / FRAME))
        last = min(len(self.db), int(np.ceil(end / FRAME)))
        return first, max(first, last)

    def quietest(self, start: float, end: float) -> float:
        """Milieu de la zone la plus calme d'un intervalle : la coupe tombe au
        cœur de la pause, loin des deux phrases qu'elle sépare."""
        first, last = self._frames(start, end)
        if last - first < 1:
            return (start + end) / 2
        smooth = np.convolve(self.db, np.ones(5) / 5, mode="same")[first:last]
        quiet = smooth <= smooth.min() + 3.0  # à 3 dB du minimum
        best_start, best_length, run_start = 0, 0, None
        for i, is_quiet in enumerate([*quiet, False]):
            if is_quiet and run_start is None:
                run_start = i
            elif not is_quiet and run_start is not None:
                if i - run_start > best_length:
                    best_start, best_length = run_start, i - run_start
                run_start = None
        return (first + best_start + best_length / 2) * FRAME

    def first_sound(self, start: float, end: float) -> float | None:
        first, last = self._frames(start, end)
        active = np.nonzero(self.db[first:last] > self.threshold)[0]
        return (first + int(active[0])) * FRAME if len(active) else None

    def last_sound(self, start: float, end: float) -> float | None:
        first, last = self._frames(start, end)
        active = np.nonzero(self.db[first:last] > self.threshold)[0]
        return (first + int(active[-1]) + 1) * FRAME if len(active) else None

    def pauses(self, min_length: float = MIN_PAUSE) -> list[tuple[float, float]]:
        """Silences (sous le seuil d'audibilité) d'au moins min_length secondes."""
        quiet = self.db <= self.threshold
        runs, run_start = [], None
        for i, is_quiet in enumerate([*quiet, False]):
            if is_quiet and run_start is None:
                run_start = i
            elif not is_quiet and run_start is not None:
                if (i - run_start) * FRAME >= min_length:
                    runs.append((run_start * FRAME, i * FRAME))
                run_start = None
        return runs

    def speech_span(self, start: float, end: float) -> tuple[float, float]:
        """Parole contenue dans [start, end], avec ses marges, sans en sortir."""
        onset, offset = self.first_sound(start, end), self.last_sound(start, end)
        if onset is None or offset is None:
            return start, end
        return max(start, onset - LEAD_PAD), min(end, offset + TAIL_PAD)


def envelope_from_samples(samples: np.ndarray, rate: int) -> Envelope:
    per_frame = int(rate * FRAME)
    count = len(samples) // per_frame
    if count == 0:
        return Envelope(np.array([-120.0]))
    frames = samples[: count * per_frame].reshape(count, per_frame).astype(np.float64)
    rms = np.sqrt(np.mean(frames**2, axis=1))
    return Envelope(20 * np.log10(np.maximum(rms, 1e-6)))


async def load_envelope(path: Path) -> Envelope:
    """Décode l'audio (mono 16 kHz) et mesure son niveau toutes les 10 ms."""
    process = await asyncio.create_subprocess_exec(
        "ffmpeg", "-hide_banner", "-loglevel", "error", "-i", str(path),
        "-ac", "1", "-ar", "16000", "-f", "f32le", "-",
        stdout=asyncio.subprocess.PIPE, stderr=asyncio.subprocess.PIPE,
    )  # fmt: skip
    raw, err = await process.communicate()
    if process.returncode != 0:
        raise proc.CommandError(["ffmpeg"], process.returncode, err.decode(errors="replace"))
    return envelope_from_samples(np.frombuffer(raw, dtype=np.float32), 16000)


def sentence_cut(envelope: Envelope, previous_end: float, next_start: float, after: float = 0.0) -> float:
    """Coupe entre deux phrases, au cœur d'une vraie pause.

    Les bornes Whisper sont imprécises, et fausses quand un mot n'a pas été
    reconnu (un prix en fin de phrase : sa place est alors estimée) ; couper
    à la borne estimée tombait parfois au milieu d'une phrase. On choisit donc
    la pause mesurée la plus proche de la borne estimée, les longues pauses
    (fin de phrase) étant préférées aux courtes (virgule)."""
    low = max(after, min(previous_end, next_start) - 0.1)
    high = max(low + 0.05, max(previous_end, next_start) + 0.2)
    best: tuple[float, float, float] | None = None
    for start, end in envelope.pauses():
        if end <= after + 0.05 or start <= 0.0 or end >= envelope.duration:
            continue  # silences avant la première et après la dernière phrase exclus
        distance = max(0.0, low - end, start - high)
        if distance > PAUSE_SEARCH:
            continue
        score = distance - (end - start)
        if best is None or score < best[0]:
            best = (score, max(start, after), end)
    if best:
        return envelope.quietest(best[1], best[2])
    return envelope.quietest(low, high)