app.py

# app.py
import os
import mimetypes
import tempfile
from dotenv import load_dotenv
import requests
import gradio as gr

load_dotenv()
API_URL = os.getenv("ALAVAN_TTS_API", "https://service.alavan.co.ir/api/v1/Model/TTS")
API_TOKEN = os.getenv("ALAVAN_API_TOKEN")

VALID_SPEAKERS = ["nima", "ahmad", "raha", "setare"]
RECOMMENDED = ["ahmad", "setare"]


def download_audio_from_url(url):
    try:
        with requests.get(url, stream=True, timeout=30) as r:
            r.raise_for_status()
            content_type = r.headers.get("Content-Type", "")
            ext = None
            if content_type:
                ext = mimetypes.guess_extension(content_type.split(";")[0].strip())
            if not ext:
                parsed_ext = os.path.splitext(url.split("?")[0])[1]
                ext = parsed_ext or ".wav"

            tmp_fd, tmp_path = tempfile.mkstemp(suffix=ext)
            os.close(tmp_fd)
            with open(tmp_path, "wb") as f:
                for chunk in r.iter_content(chunk_size=8192):
                    if chunk:
                        f.write(chunk)
            return tmp_path
    except Exception:
        return None


def extract_audio_url_from_json(j):
    if not isinstance(j, dict):
        return None
    data = j.get("data")
    if isinstance(data, dict):
        for key in ("audioFileUrl", "audio_file_url", "audio_url", "file", "url", "result_url"):
            if key in data and isinstance(data[key], str) and data[key].strip():
                return data[key].strip()
    for key in ("audioFileUrl", "audio_file_url", "audio_url", "file", "url", "result_url"):
        if key in j and isinstance(j[key], str) and j[key].strip():
            return j[key].strip()
    return None


def pretty_server_error(resp):
    try:
        data = resp.json()
    except Exception:
        return f"کد {resp.status_code} — پاسخ غیرقابل‌خواندن"
    parts = []
    if isinstance(data, dict):
        if "message" in data:
            parts.append(str(data["message"]))
        errors = data.get("errors") or data.get("error") or {}
        if isinstance(errors, dict):
            for k, v in errors.items():
                if isinstance(v, list):
                    parts.append(f"{k}: {', '.join(map(str, v))}")
                else:
                    parts.append(f"{k}: {v}")
        elif errors:
            parts.append(str(errors))
        return " — ".join(parts) if parts else f"کد {resp.status_code}"
    return f"کد {resp.status_code}"


def tts_call_and_fetch(text, speaker_input):
    if not API_TOKEN or not API_URL:
        return "❌ توکن یا آدرس API تنظیم نشده. لطفاً فایل .env یا Secrets را بررسی کنید.", None

    if not text or not text.strip():
        return "❌ متن ورودی خالی است.", None

    speaker = (speaker_input or "").strip().lower()
    if speaker not in VALID_SPEAKERS:
        return (
            "❌ گوینده نامعتبر است. گوینده‌های معتبر:\n"
            f"{', '.join(VALID_SPEAKERS)}\n"
            f"گویندگان پیشنهادی: {', '.join(RECOMMENDED)}"
        ), None

    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {API_TOKEN}"
    }

    payload = {
        "text": text,
        "modelType": speaker
    }

    try:
        resp = requests.post(API_URL, headers=headers, json=payload, timeout=30)
    except Exception as e:
        return f"❌ خطا در اتصال به API: {e}", None
    resp_json = None
    try:
        resp_json = resp.json()
    except Exception:
        resp_json = None
    data_json = None
    if resp.status_code in (200, 201) or isinstance(resp_json, dict):
        data_json = resp_json or {}
    else:
        pretty = pretty_server_error(resp)
        return f"❌ خطا از سرور API: {pretty}", None

    audio_url = extract_audio_url_from_json(data_json)
    if not audio_url:
        if isinstance(data_json.get("data"), str) and data_json.get("data").startswith("http"):
            audio_url = data_json.get("data")
    if not audio_url:
        return "❌ پاسخ API شامل آدرس فایل صوتی نبود.", None

    audio_path = download_audio_from_url(audio_url)
    if not audio_path:
        return "❌ خطا در دانلود فایل صوتی از URL دریافتی.", None

    return "✅ تولید و دانلود صدا با موفقیت انجام شد.", audio_path


with gr.Blocks(analytics_enabled=False, css="""
body { font-family: Inter, system-ui, -apple-system, "Segoe UI", Roboto, "Helvetica Neue", Arial; }
.header {
  text-align: center;
  padding: 14px 18px;
  border-radius: 10px;
  background: linear-gradient(rgb(255 114 114), rgb(251, 251, 255));
  box-shadow: 0 6px 18px rgba(16,24,40,0.04);
  margin-bottom: 18px;
}
.header h2 { margin: 0 0 6px 0; color:white;}
.header p { margin: 0; color: #6b7280; }

.card {
  padding: 12px;
  border-radius: 10px;
  background: linear-gradient(180deg, #ffffff, #fcfcff);
  box-shadow: 0 6px 18px rgba(16,24,40,0.04);
}

.badge {
  display:inline-block;
  padding:6px 10px;
  border-radius:999px;
  font-size:13px;
  margin:3px 6px 3px 0;
  background:#f1f5f9;
  color:#111827;
}

.footer {
  text-align:center;
  margin-top:18px;
  color:#6b7280;
  font-size:13px;
}
""") as demo:
    with gr.Row():
        with gr.Column(scale=3):
            gr.Markdown(
                "<div class='header'>"
                "<h2>🎤 Alavan TTS — تبدیل متن به گفتار (فارسی)</h2>"
                "<p>مدل تبدیل نوشتار به گفتار آلاوان با دریافت متون فارسی، آن ها را به خروجی صوتی با صدایی واضح، قابل فهم و نزدیک به گفتار انسانی تبدیل می کند. این مدل به گونه ای طراحی شده است که لحن و آهنگ طبیعی گفتار حفظ شود و برای شنونده تجربه ای روان و دلنشین فراهم گردد. کاربرد اصلی این مدل در تولید پادکست، کتاب صوتی، راهنمای صوتی اپلیکیشن ها، سامانه های پاسخگویی خودکار و دستیارهای صوتی است.</p>"
                "</div>"
                , rtl=True
            )
        with gr.Column(scale=1, min_width=220):
            gr.HTML(
                "<div style='text-align:right;align-item:right;'>"
                "<img src='https://alavan.co.ir/wp-content/uploads/2024/12/NEW-LOGO-ALAVAN.png' alt='تبدیل متن به صوت آلاوان' width='50%' height='50%' style='margin-left:10rem;margin-bottom:20px;'/>"
                "<a href='https://alavan.co.ir' target='_blank'>🌐 وب ‌سایت آلاوان</a><br>"
                "<a href='https://portal.alavan.co.ir' target='_blank'>🔑 پرتال کاربران</a>"
                "</div>"
            )

    gr.Markdown("---")
    with gr.Row():
        # left column: inputs + results
        with gr.Column(scale=2):
            with gr.Row():
                with gr.Column():
                    gr.Markdown("### تنظیمات و تولید صدا", rtl=True)
                    # کارت ورودی
                    gr.HTML("<div class='card'>")
                    text_in = gr.Textbox(label="متن ورودی", placeholder="متن فارسی یا انگلیسی... (حداقل یک جمله)",
                                         lines=6, rtl=True)
                    speaker = gr.Dropdown(choices=VALID_SPEAKERS, label="گوینده", value="setare")
                    with gr.Row():
                        btn = gr.Button("🔊 تولید صدا", variant="primary")
                        clear_btn = gr.Button("🧹 پاک‌کردن ورودی")
                    status = gr.Textbox(label="وضعیت", interactive=False, rtl=True)
                    audio_out = gr.Audio(label="خروجی صوت", type="filepath")
                    gr.HTML("</div>")
                    gr.Markdown("#### نمونه‌های آماده", rtl=True)
                    examples = [
                        ["سلام! امروز حال شما چطور است؟", "nima"],
                        ["این یک نمونهٔ تبدیل متن به گفتار فارسی است.", "setare"],
                        ["لطفاً صدای آزمایشی را با گوینده احمد تولید کن.", "ahmad"],
                    ]
                    gr.Examples(examples=examples, inputs=[text_in, speaker], label="کلیک کن تا فیلدها پر شوند")

        with gr.Column(scale=1):
            gr.HTML("<div class='card'>")
            gr.Markdown("### گوینده‌ها", rtl=True)
            # badges گوینده‌ها
            badges_html = " ".join([f"<span class='badge'>{s}</span>" for s in VALID_SPEAKERS])
            gr.HTML(badges_html)
            gr.Markdown("---")
            gr.Markdown(
                "**نکات مهم:**\n\n"
                "- فایل صوتی بلافاصله دانلود شده و فقط نسخهٔ محلی پخش می‌شود\n"
                "- برای استفاده در اپ های خود وارد سایت آلاوان شوید\n"
                "- در صورت دریافت پیام سرور با متن خطا، پیام خلاصه‌شده به شما نمایش داده خواهد شد.\n"
                "- خیلی از مدل های تبدیل متن به صوت فارسی تاریخ هارو ساپورت نمیکنند ولی مدل ستاره ما از تمامای واژگان اعداد و تاریخ های فارسی پشتیبانی میکند\n"
                "- برای تغیر نوع خوانش از علائم نگارشی و , برای مکس استفاده کنید.\n"
                , rtl=True
            )
            gr.Markdown("---")
            gr.Markdown("### گویندگان پیشنهادی", rtl=True)
            rec_html = " ".join([f"<span class='badge'>{s}</span>" for s in RECOMMENDED])
            gr.HTML(rec_html)
            gr.HTML("</div>")
    gr.HTML("<div class='footer'>ساخته شده با ❤️ توسط تیم <a href=https://alavan.co.ir/>آلاوان</a></div>")
    clear_btn.click(lambda: ("", "setare"), inputs=None, outputs=[text_in, speaker], api_name=False,
                    show_api=False)

    btn.click(fn=tts_call_and_fetch, inputs=[text_in, speaker], outputs=[status, audio_out], api_name=False,
              show_api=False)

if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860, show_api=False)