"""Плагины `Transcriber` на основе faster-whisper: CPU (`min`) и GPU (`medium`/`max`).

Оба плагина используют встроенный в faster-whisper Silero VAD (`vad_filter=True`)
и дополнительно отбрасывают сегменты короче `MIN_SEGMENT_DURATION_S` —
типичные галлюцинации Whisper на тишине/шуме (ТЗ §1.4). Общая логика
(ленивая загрузка модели-синглтона процесса, вызов `transcribe` с VAD,
фильтрация коротких сегментов) вынесена в `_FasterWhisperBase`; CPU/GPU-варианты
отличаются только параметрами устройства/квантизации (ADR-004,
`docs/architecture/adr/004-ai-tier-matrix.md`).
"""

from typing import TYPE_CHECKING, ClassVar

from core.plugins.factory import register_transcriber
from core.plugins.transcriber import Segment, Transcriber

if TYPE_CHECKING:
    # Импорт только для проверки типов: рантайм-импорт — ленивый, см. `_get_model`,
    # чтобы API-процесс, где транскрибация не используется, не тянул тяжёлую
    # зависимость (ctranslate2 и т.п.) в память.
    from faster_whisper import WhisperModel

MIN_SEGMENT_DURATION_S = 0.3
"""Минимальная длительность сегмента (сек); короче — отбрасывается как
вероятная галлюцинация Whisper на тишине/шуме."""

VAD_MIN_SILENCE_DURATION_MS = 500
"""Порог Silero VAD (мс) для разбиения на речевые куски внутри трека."""


class _FasterWhisperBase(Transcriber):
    """Общая логика плагинов faster-whisper: синглтон модели процесса + VAD-транскрибация.

    Модель-синглтон принадлежит конкретному подклассу (`FasterWhisperCPU`,
    `FasterWhisperGPU`), а не общему базовому классу: присваивание
    `cls._model = ...` в `_get_model` всегда происходит через `type(self)`,
    поэтому у каждого подкласса — свой атрибут класса, и CPU/GPU-плагины не
    делят один кэшированный инстанс модели, даже если оба сконфигурированы в
    одном процессе.
    """

    MIN_SEGMENT_S: ClassVar[float] = MIN_SEGMENT_DURATION_S
    _model: "ClassVar[WhisperModel | None]" = None

    # Задаются наследниками в `__init__` (device — фиксированно классом,
    # compute_type — либо фиксированно, либо конструкторская опция).
    device: str
    compute_type: str

    def __init__(
        self,
        model: str,
        language: str = "ru",
        download_root: str | None = None,
    ) -> None:
        self.model_name = model
        self.language = language
        self.download_root = download_root

    def _get_model(self) -> "WhisperModel":
        """Лениво создать (или переиспользовать) синглтон `WhisperModel` конкретного подкласса."""
        cls = type(self)
        if cls._model is None:
            from faster_whisper import WhisperModel  # ленивый импорт тяжёлой зависимости

            cls._model = WhisperModel(
                self.model_name,
                device=self.device,
                compute_type=self.compute_type,
                download_root=self.download_root,
            )
        return cls._model

    def transcribe(self, audio_path: str, language: str = "ru") -> list[Segment]:
        """Транскрибировать аудиофайл трека, отбросив короткие сегменты-галлюцинации.

        VAD (Silero, встроен в faster-whisper) включён с порогом тишины
        `VAD_MIN_SILENCE_DURATION_MS`; дополнительно отбрасываются сегменты
        короче `MIN_SEGMENT_DURATION_S`.
        """
        model = self._get_model()
        raw_segments, _info = model.transcribe(
            audio_path,
            language=language,
            vad_filter=True,
            vad_parameters={"min_silence_duration_ms": VAD_MIN_SILENCE_DURATION_MS},
        )
        return [
            Segment(start=segment.start, end=segment.end, text=segment.text)
            for segment in raw_segments
            if (segment.end - segment.start) >= MIN_SEGMENT_DURATION_S
        ]


@register_transcriber
class FasterWhisperCPU(_FasterWhisperBase):
    """Транскрибер faster-whisper (CTranslate2) на CPU с int8-квантизацией (уровень `min`).

    Модель — синглтон на процесс: создаётся лениво при первом вызове
    `transcribe` и переиспользуется всеми последующими вызовами в рамках
    одного процесса воркера (процесс запускается
    в Celery-очереди `transcription` с `--pool=solo --concurrency=1`, поэтому
    гонок за атрибут класса не возникает).
    """

    provider: ClassVar[str] = "faster_whisper_cpu"
    _model: "ClassVar[WhisperModel | None]" = None

    def __init__(
        self,
        model: str | None = None,
        language: str = "ru",
        download_root: str | None = None,
    ) -> None:
        super().__init__(model=model or "small", language=language, download_root=download_root)
        self.device = "cpu"
        self.compute_type = "int8"


@register_transcriber
class FasterWhisperGPU(_FasterWhisperBase):
    """Транскрибер faster-whisper на GPU (CUDA, уровни `medium`/`max`, ADR-004).

    `compute_type` — конструкторская опция (дефолт `float16`, как в матрице
    ADR-004); для экономии VRAM конфиг уровня может задать `int8_float16`
    (options плагина в `TIERS`/`plugins.yaml`).
    """

    provider: ClassVar[str] = "faster_whisper_gpu"
    _model: "ClassVar[WhisperModel | None]" = None

    def __init__(
        self,
        model: str | None = None,
        language: str = "ru",
        download_root: str | None = None,
        compute_type: str = "float16",
    ) -> None:
        super().__init__(model=model or "medium", language=language, download_root=download_root)
        self.device = "cuda"
        self.compute_type = compute_type