#!/usr/bin/env bash
# Descarcă un video (Facebook, YouTube etc.), extrage audio, transcrie cu Whisper.
#
# Usage: ./transcribe_video.sh <URL> [language] [--save-kb] [--bg] [--notify <channel_id>]
#
#   language   cod ISO (ro, en, ...) sau "auto" (implicit) pentru detecție automată.
#              NU forța limba dacă nu ești sigur: `ro` pe audio englezesc face
#              Whisper să halucineze text incoerent (incident 2026-08-31).
#   --save-kb  scrie notița în memory/kb/<categorie>/ și reindexează.
#   --bg       rulează detașat și întoarce imediat controlul. Obligatoriu când
#              scriptul e chemat dintr-un turn de chat: turnul are timeout de
#              300s (DEFAULT_TIMEOUT, src/claude_session.py) iar un video lung
#              îl depășește, procesul e omorât la mijloc și userul nu primește
#              nimic. Cu --bg turnul răspunde imediat, jobul continuă singur.
#   --notify   channel ID Discord unde se raportează finalizarea (util cu --bg).
#
# Exemple:
#   ./transcribe_video.sh "https://www.facebook.com/share/v/1EdPt3q2sq/"
#   ./transcribe_video.sh "https://www.facebook.com/share/r/1akfPJYvTw/" ro --save-kb
#   ./transcribe_video.sh "https://youtu.be/xyz" auto --save-kb --bg --notify 1471916752119009432

set -euo pipefail

PROJECT_ROOT="$(cd "$(dirname "$0")/.." && pwd)"
# Whisper trăiește în venv, nu în python-ul de sistem. Scriptul mergea înainte
# doar din noroc, când era chemat dintr-un shell cu venv-ul deja activat.
PY="$PROJECT_ROOT/.venv/bin/python3"
KB_DIR="$PROJECT_ROOT/memory/kb"
LOG_DIR="$PROJECT_ROOT/logs/transcribe"

URL=""
LANG="auto"
SAVE_KB=0
BG=0
NOTIFY=""

# --- parse argumente (poziționale: URL, apoi limba; restul flag-uri) ---
POSITIONAL=()
while [[ $# -gt 0 ]]; do
  case "$1" in
    --save-kb) SAVE_KB=1; shift ;;
    --bg)      BG=1; shift ;;
    --notify)  NOTIFY="${2:-}"; shift 2 ;;
    -h|--help) sed -n '2,20p' "$0"; exit 0 ;;
    *)         POSITIONAL+=("$1"); shift ;;
  esac
done
URL="${POSITIONAL[0]:-}"
LANG="${POSITIONAL[1]:-auto}"

if [[ -z "$URL" ]]; then
  echo "Usage: $0 <URL> [language|auto] [--save-kb] [--bg] [--notify <channel_id>]"
  exit 1
fi

export PATH="/home/moltbot/bin:$PATH"

# --- mod background: re-exec detașat, întoarce imediat ---
if [[ "$BG" == "1" ]]; then
  mkdir -p "$LOG_DIR"
  JOB_ID="$(date +%Y%m%d-%H%M%S)-$$"
  JOB_LOG="$LOG_DIR/$JOB_ID.log"
  ARGS=("$URL" "$LANG")
  [[ "$SAVE_KB" == "1" ]] && ARGS+=(--save-kb)
  [[ -n "$NOTIFY" ]] && ARGS+=(--notify "$NOTIFY")
  setsid nohup "$0" "${ARGS[@]}" > "$JOB_LOG" 2>&1 &
  echo "→ Job pornit în background: $JOB_ID (pid $!)"
  echo "   Log: $JOB_LOG"
  [[ -n "$NOTIFY" ]] && echo "   Raportez pe canalul $NOTIFY la final."
  exit 0
fi

# --- curăță workdir-uri orfane (trap-ul EXIT nu rulează la SIGKILL) ---
find /tmp -maxdepth 1 -type d -name 'transcribe_*' -mmin +60 -exec rm -rf {} + 2>/dev/null || true

WORKDIR="/tmp/transcribe_$$"
mkdir -p "$WORKDIR"
trap 'rm -rf "$WORKDIR"' EXIT

notify() {
  [[ -z "$NOTIFY" ]] && return 0
  "$PY" "$PROJECT_ROOT/tools/discord_send_file.py" \
    --channel "$NOTIFY" --text "$1" >/dev/null 2>&1 || true
}
fail() {
  echo "Eroare: $1"
  notify "❌ Transcriere eșuată pentru $URL — $1"
  exit 1
}

echo "→ Obțin informații video..."
# JSON-ul merge pe disc, nu printr-o variabilă de shell: descrierile Facebook conțin
# caractere de control și emoji care corup variabila (zsh: "character not in range"),
# iar `|| echo Unknown` din versiunea veche masca eșecul în loc să-l semnaleze.
yt-dlp "$URL" --dump-json --no-download -q > "$WORKDIR/info.json" 2>/dev/null || echo '{}' > "$WORKDIR/info.json"

# Titlul, creatorul și durata într-o singură trecere.
# Facebook împachetează titlul ca "830K views · 15K reactions | Titlul real | Pagina | ...";
# luarea oarbă a primului segment producea notițe numite "807k-views-15k-reactions"
# (incident 2026-08-31), deci sărim segmentele de statistici și pe cel egal cu numele paginii.
eval "$("$PY" - "$WORKDIR/info.json" <<'PYMETA'
import json, re, shlex, sys

try:
    d = json.load(open(sys.argv[1], encoding="utf-8"))
except Exception:
    d = {}

creator = (d.get("uploader") or d.get("channel") or "").strip()
secs = int(d.get("duration") or 0)
duration = f"{secs // 60}:{secs % 60:02d}" if secs else "?"

raw = (d.get("title") or "Unknown").strip()
STATS = re.compile(r"^[\d.,]+\s*[KMB]?\s*(views|reactions|comments|shares|likes)\b", re.I)
parts = [p.strip() for p in raw.split("|") if p.strip()]
title = next(
    (p for p in parts if not STATS.match(p) and p.lower() != creator.lower() and len(p) > 3),
    parts[0] if parts else raw,
)
title = " ".join(title.split())
if len(title) > 80:
    title = title[:77].rstrip() + "..."

for name, val in (("TITLE_SHORT", title), ("CREATOR", creator), ("DURATION", duration)):
    print(f"{name}={shlex.quote(val)}")
PYMETA
)"

echo "→ Descarc video: $TITLE_SHORT..."
yt-dlp "$URL" -o "$WORKDIR/video.%(ext)s" --no-playlist -q || fail "descărcarea a eșuat"

VIDEO_FILE=$(ls "$WORKDIR"/video.* 2>/dev/null | head -1)
[[ -z "$VIDEO_FILE" ]] && fail "descărcarea a eșuat (niciun fișier)"

echo "→ Extrag audio..."
ffmpeg -i "$VIDEO_FILE" -vn -acodec pcm_s16le -ar 16000 -ac 1 "$WORKDIR/audio.wav" -y -loglevel error \
  || fail "extragerea audio a eșuat"

# cpu_threads = core-uri FIZICE; hyperthread-urile încetinesc int8 compute-bound.
THREADS=$(lscpu -p=CORE 2>/dev/null | grep -v '^#' | sort -u | wc -l)
[[ -z "$THREADS" || "$THREADS" -lt 1 ]] && THREADS=4

echo "→ Transcriu cu faster-whisper (model: small, int8, ${THREADS} threads, limbă: $LANG)..."
# faster-whisper (declarat în requirements.txt) în locul openai-whisper: ~5x realtime
# pe acest CPU vs. peste 300s pentru 9 minute de audio — exact ce depășea timeout-ul.
"$PY" - "$WORKDIR/audio.wav" "$LANG" "$THREADS" > "$WORKDIR/transcript.txt" 2>"$WORKDIR/whisper.err" <<'PYEOF' || fail "transcrierea a eșuat ($(tail -1 "$WORKDIR/whisper.err" 2>/dev/null))"
import sys
from faster_whisper import WhisperModel

wav, lang, threads = sys.argv[1], sys.argv[2], int(sys.argv[3])
model = WhisperModel("small", device="cpu", compute_type="int8", cpu_threads=threads)
segments, info = model.transcribe(wav, language=None if lang == "auto" else lang, vad_filter=True)
text = " ".join(s.text.strip() for s in segments)
print(text)
print(f"[detected_language={info.language}]", file=sys.stderr)
PYEOF

TRANSCRIPT=$(cat "$WORKDIR/transcript.txt")
DETECTED=$(grep -oP 'detected_language=\K\w+' "$WORKDIR/whisper.err" 2>/dev/null || echo "$LANG")
[[ -z "$TRANSCRIPT" ]] && fail "transcrierea a ieșit goală"

echo ""
echo "=== $TITLE_SHORT ==="
echo "$TRANSCRIPT"
echo ""
echo "✓ Transcriere completă (limbă: $DETECTED)."

if [[ "$SAVE_KB" == "1" ]]; then
  DATE=$(date +%Y-%m-%d)

  SLUG=$(echo "$TITLE_SHORT" | "$PY" -c "
import sys, re, unicodedata
s = unicodedata.normalize('NFD', sys.stdin.read().strip())
s = ''.join(c for c in s if unicodedata.category(c) != 'Mn').lower()
print(re.sub(r'[^a-z0-9]+', '-', s).strip('-')[:50])
")
  [[ -z "$SLUG" ]] && SLUG="video-$(date +%H%M%S)"

  if echo "$URL" | grep -qi "facebook\.com"; then
    CATEGORY="facebook"; FORMAT="Reel (~${DURATION} min)"
  elif echo "$URL" | grep -qi "youtube\.com\|youtu\.be"; then
    CATEGORY="youtube"; FORMAT="Video (~${DURATION} min)"
  else
    CATEGORY="media"; FORMAT="Video (~${DURATION} min)"
  fi

  NOTE_DIR="$KB_DIR/$CATEGORY"
  mkdir -p "$NOTE_DIR"
  NOTE_FILE="$NOTE_DIR/${DATE}_${SLUG}.md"

  cat > "$NOTE_FILE" <<NOTEEOF
# $TITLE_SHORT

**Sursa:** $URL
**Data:** $DATE
**Creator:** $CREATOR
**Format:** $FORMAT
**Limbă:** $DETECTED
**Tags:** @coaching

---

## TL;DR

<!-- Completează un rezumat de 2-3 rânduri -->

---

## Transcrierea

$TRANSCRIPT
NOTEEOF

  echo ""
  echo "→ Notiță salvată: $NOTE_FILE"
  echo "→ Reindexez KB..."
  "$PY" "$PROJECT_ROOT/tools/update_notes_index.py" >/dev/null
  KB_LINK="https://moltbot.tailf7372d.ts.net/echo/files.html#memory/kb/$CATEGORY/${DATE}_${SLUG}.md"
  echo "✓ KB actualizat. Link: $KB_LINK"
  notify "✅ Transcriere gata: **$TITLE_SHORT** (${DURATION} min, $DETECTED)
$KB_LINK
⚠️ TL;DR-ul e gol — completează-l."
else
  notify "✅ Transcriere gata: **$TITLE_SHORT** (${DURATION} min, $DETECTED). Rulat fără --save-kb."
fi