"""
Qwen3-ASRローカルバックエンドを提供するモジュール。

Qwen3-ASRローカルバックエンドを提供し、音声認識機能を実現します。
このモジュールは、必要に応じて `qwen-asr` と `torch` ライブラリを動的にインポートします。
これにより、これらの依存関係がインストールされている環境でのみ機能が有効になります。

関連リンク:
    :doc:`tkasr_qwen_local_usage`
"""
from __future__ import annotations
from pathlib import Path
from typing import Optional
from tkasr_common import ASRResult, OptionalDependencyError, Segment

BACKEND_NAME = "qwen-local"
MODELS = {"0.6B": "Qwen/Qwen3-ASR-0.6B", "1.7B": "Qwen/Qwen3-ASR-1.7B"}

class Backend:
    """
    Qwen3-ASRローカルモデルを管理し、音声認識を実行するバックエンドクラス。

    Qwen3-ASRモデルのロード、デバイスとデータ型の設定、音声ファイルからの文字起こし機能を提供します。
    モデルやデバイスに関する設定は、初期化時に渡される引数 `args` に基づいて行われます。
    """
    def __init__(self, args):
        """
        Backend クラスの新しいインスタンスを初期化します。

        モデルのロードに必要な設定引数を保持し、その他の属性を初期化します。
        モデル (`self.model`) は `load()` メソッドが呼び出されるまで初期化されません。

        :param args: モデルのロードと推論設定を含む引数オブジェクト。
                     通常はコマンドライン引数をパースした結果です。
        """
        self.args, self.model, self.device, self.dtype = args, None, "", ""

    def load(self):
        """
        Qwen3-ASRモデルをロードし、デバイスとデータ型を設定します。

        このメソッドは、PyTorchと `qwen-asr` ライブラリを動的にインポートし、
        `__init__` で渡された引数 (`self.args`) に基づいてQwen3-ASRモデルを初期化します。
        デバイスの自動検出（CUDA/CPU）とデータ型の選択（bfloat16, float16, float32）が行われ、
        必要に応じて `forced_aligner` や `attn_implementation` のオプションも設定されます。

        :raises OptionalDependencyError: `qwen-asr` または `torch` ライブラリがインストールされていない場合。
        :raises RuntimeError: CUDAが利用できないのにCUDAデバイスが指定された場合、または未対応のデータ型が指定された場合。
        :returns: なし
        """
        try:
            import torch
            from qwen_asr import Qwen3ASRModel
        except ImportError as exc:
            raise OptionalDependencyError("qwen-local には qwen-asr と PyTorch が必要です。例: pip install qwen-asr torch") from exc
        device = self.args.device.lower()
        self.device = ("cuda:0" if torch.cuda.is_available() else "cpu") if device == "auto" else ("cuda:0" if device == "cuda" else device)
        if self.device.startswith("cuda") and not torch.cuda.is_available(): raise RuntimeError("CUDA が指定されましたが利用できません。")
        name = self.args.dtype if self.args.dtype != "auto" else ("bfloat16" if self.device.startswith("cuda") and torch.cuda.is_bf16_supported() else ("float16" if self.device.startswith("cuda") else "float32"))
        table = {"bfloat16": torch.bfloat16, "float16": torch.float16, "float32": torch.float32}
        if name not in table: raise RuntimeError(f"未対応 --dtype: {name}")
        options = {"dtype": table[name], "device_map": self.device, "max_inference_batch_size": self.args.max_inference_batch_size, "max_new_tokens": self.args.max_new_tokens}
        if self.args.timestamps:
            options["forced_aligner"] = self.args.aligner
            options["forced_aligner_kwargs"] = {"dtype": table[name], "device_map": self.device}
        if self.args.attention != "auto": options["attn_implementation"] = self.args.attention
        model = MODELS.get(self.args.model, self.args.model)
        print(f"Loading local Qwen3-ASR: {model} ({self.device}, {name})", flush=True)
        self.model, self.dtype = Qwen3ASRModel.from_pretrained(model, **options), name

    def describe(self):
        """
        現在のバックエンド設定の詳細を辞書形式で返します。

        :returns: バックエンドの名前、ロードされたモデル、使用中のデバイス、データ型、
                  およびタイムスタンプ機能が有効かどうかの情報を含む辞書。
        :rtype: dict
        """
        return {"backend": BACKEND_NAME, "model": MODELS.get(self.args.model, self.args.model), "device": self.device, "dtype": self.dtype, "timestamps": bool(self.args.timestamps)}

    def transcribe(self, audio: Path, language: Optional[str], prompt: str) -> ASRResult:
        """
        指定された音声ファイルを文字起こしします。

        Qwen3-ASRモデルの `transcribe` メソッドを呼び出し、その結果を `ASRResult` オブジェクトに変換します。
        `self.args.timestamps` が真の場合、音声のタイムスタンプ情報も抽出し、
        `ASRResult` の `segments` リストに `Segment` オブジェクトとして格納します。
        `qwen-asr` モデルからの `time_stamps` はネストされたリスト/タプルである可能性があるため、
        適切な形式に平坦化する処理が含まれています。

        :param audio: 文字起こしする音声ファイルへのパス。
        :type audio: Path
        :param language: 音声の言語（例: "en", "ja"）。Noneの場合、モデルが自動的に検出します。
        :type language: Optional[str]
        :param prompt: 文字起こしをガイドするためのプロンプトテキスト。
        :type prompt: str
        :returns: 文字起こしされたテキスト、セグメント情報、および検出された言語を含むASRResultオブジェクト。
        :rtype: ASRResult
        """
        raw = self.model.transcribe(audio=str(audio), language=language, return_time_stamps=bool(self.args.timestamps))[0]
        items = getattr(raw, "time_stamps", None) or []
        while isinstance(items, (list, tuple)) and len(items) == 1 and isinstance(items[0], (list, tuple)): items = items[0]
        segments = []
        for item in items:
            get = item.get if isinstance(item, dict) else lambda key, default=None: getattr(item, key, default)
            segments.append(Segment(get("start_time", get("start")), get("end_time", get("end")), str(get("text", ""))))
        return ASRResult(str(getattr(raw, "text", "")).strip(), segments, getattr(raw, "language", None))