"""Adapta o faster-whisper para a transcrição local do Scanner."""

from pathlib import Path
from typing import Any

from ...scanner.modelos import PalavraDeTranscricao, SegmentoDeTranscricao


class ProviderDeTranscricaoLocal:
    """Executa transcrição local em lote, sem transmitir a mídia."""

    def __init__(self, modelo: str, dispositivo: str = "cpu", tipo_de_calculo: str = "int8",
                 idioma: str = "pt", tamanho_do_lote: int = 16) -> None:
        """Carrega o modelo local e configura o tamanho do lote de inferência."""
        if tamanho_do_lote < 1:
            raise ValueError("O tamanho do lote deve ser maior que zero.")
        self.nome_do_modelo = Path(modelo).name
        if "faster-whisper-" in modelo:
            self.nome_do_modelo = modelo.split("faster-whisper-", 1)[1].split("/", 1)[0]
        from faster_whisper import BatchedInferencePipeline, WhisperModel
        self.modelo = WhisperModel(modelo, device=dispositivo, compute_type=tipo_de_calculo)
        self.pipeline = BatchedInferencePipeline(model=self.modelo)
        self.idioma = idioma
        self.tamanho_do_lote = tamanho_do_lote

    def transcrever(self, clipe: Any) -> list[SegmentoDeTranscricao]:
        """Transcreve o áudio com VAD, timestamps e inferência em lote."""
        arquivo = Path(clipe.arquivo)
        if not arquivo.is_file():
            raise FileNotFoundError(f"Arquivo de áudio não encontrado: {arquivo}")
        segmentos, _ = self.pipeline.transcribe(
            str(arquivo), language=self.idioma, vad_filter=True,
            word_timestamps=True, batch_size=self.tamanho_do_lote,
        )
        return [SegmentoDeTranscricao(float(s.start), float(s.end), s.text.strip(),
            None, tuple(PalavraDeTranscricao(w.word.strip(), float(w.start), float(w.end),
                                              getattr(w, "probability", None))
                        for w in (s.words or []) if w.word.strip())) for s in segmentos]