app.py

# app.py
# File máy chủ Flask hoàn chỉnh để triển khai trên Hugging Face Spaces

import os
import joblib
import numpy as np
import librosa
from flask import Flask, request, jsonify, render_template
from werkzeug.utils import secure_filename

# --- Cấu hình TensorFlow và các thư viện AI ---
# Đặt biến môi trường để giảm thiểu log không cần thiết của TensorFlow.
# Phải thực hiện trước khi import tensorflow.
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 
import tensorflow as tf
from transformers import Wav2Vec2Processor, Wav2Vec2Model
import torch

# --- KHỞI TẠO ỨNG DỤNG FLASK ---
app = Flask(__name__)

# Cấu hình thư mục tạm để lưu file audio người dùng tải lên
UPLOAD_FOLDER = 'uploads/'
app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER
# Tạo thư mục nếu nó chưa tồn tại
os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)


# --- TẢI TẤT CẢ CÁC MÔ HÌNH KHI SERVER KHỞI ĐỘNG ---
# Đây là bước quan trọng để tối ưu hóa hiệu suất. Mô hình chỉ được tải một lần
# thay vì tải lại mỗi khi có yêu cầu dự đoán.
print(">>> Đang tải các mô hình AI, quá trình này có thể mất một lúc...")

try:
    MODEL_PATH = 'models/'
    
    # Tải các thành phần tiền xử lý và các mô hình machine learning
    scaler = joblib.load(os.path.join(MODEL_PATH, 'scaler.pkl'))
    label_encoder = joblib.load(os.path.join(MODEL_PATH, 'label_encoder.pkl'))
    model_xgb = joblib.load(os.path.join(MODEL_PATH, 'xgboost.pkl'))
    model_lgb = joblib.load(os.path.join(MODEL_PATH, 'lightgbm.pkl'))
    
    # Tải mô hình deep learning (CNN)
    model_cnn = tf.keras.models.load_model(os.path.join(MODEL_PATH, 'cnn.keras'))
    
    # Tải mô hình xử lý ngôn ngữ tự nhiên cho audio (Wav2Vec2)
    wav2vec_processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base")
    wav2vec_model = Wav2Vec2Model.from_pretrained("facebook/wav2vec2-base")
    
    print(">>> OK! Tất cả các mô hình đã được tải thành công!")

except Exception as e:
    print(f"!!! LỖI NGHIÊM TRỌNG: Không thể tải một hoặc nhiều mô hình. Lỗi: {e}")
    print("!!! Vui lòng kiểm tra lại đường dẫn và sự tồn tại của các file trong thư mục 'models/'.")
    # Thoát ứng dụng nếu không tải được mô hình
    exit()

# --- CÁC HÀM TRÍCH XUẤT ĐẶC TRƯNG ---
# Các hàm này phải giống hệt với các hàm đã được sử dụng trong quá trình huấn luyện
# để đảm bảo tính nhất quán của dữ liệu đầu vào cho mô hình.

# Các hằng số cấu hình
SAMPLE_RATE = 22050
MAX_LENGTH_SECONDS = 5.0
MAX_SAMPLES = int(SAMPLE_RATE * MAX_LENGTH_SECONDS)
N_MELS = 128
TRADITIONAL_FEATURE_SIZE = 570 # (128*4 cho melspec + 13*2 cho mfcc + ...) - Phải khớp với lúc train
WAV2VEC_FEATURE_SIZE = 768
SPECTROGRAM_SHAPE = (224, 224, 3)

def _extract_traditional_features(y, sr):
    """Trích xuất các đặc trưng âm thanh truyền thống (MFCC, Mel Spectrogram, etc.)."""
    try:
        # Mel Spectrogram features (mean, std, max, min)
        mel_spec = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=N_MELS)
        mel_spec_db = librosa.power_to_db(mel_spec, ref=np.max)
        features = np.mean(mel_spec_db, axis=1)
        features = np.append(features, np.std(mel_spec_db, axis=1))
        features = np.append(features, np.max(mel_spec_db, axis=1))
        features = np.append(features, np.min(mel_spec_db, axis=1))
        
        # MFCC features (mean, std)
        mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
        features = np.append(features, np.mean(mfccs, axis=1))
        features = np.append(features, np.std(mfccs, axis=1))
        
        # Cần thêm các đặc trưng khác nếu có trong lúc train để đủ `TRADITIONAL_FEATURE_SIZE`
        # Ví dụ: chroma, spectral_contrast, etc.
        # Ở đây, chúng ta sẽ pad/truncate để đảm bảo kích thước
        if len(features) > TRADITIONAL_FEATURE_SIZE:
            features = features[:TRADITIONAL_FEATURE_SIZE]
        elif len(features) < TRADITIONAL_FEATURE_SIZE:
            features = np.pad(features, (0, TRADITIONAL_FEATURE_SIZE - len(features)), mode='constant')
            
        return features

    except Exception as e:
        print(f"Lỗi trích xuất đặc trưng truyền thống: {e}")
        return np.zeros(TRADITIONAL_FEATURE_SIZE)

def _extract_wav2vec_features(y, sr):
    """Trích xuất đặc trưng từ mô hình Wav2Vec2."""
    try:
        # Wav2Vec2 yêu cầu sample rate 16000
        y_16k = librosa.resample(y, orig_sr=sr, target_sr=16000)
        inputs = wav2vec_processor(y_16k, sampling_rate=16000, return_tensors="pt", padding=True)
        with torch.no_grad():
            outputs = wav2vec_model(**inputs)
        # Lấy trung bình các hidden states cuối cùng để có một vector đại diện
        features = outputs.last_hidden_state.mean(dim=1).squeeze().cpu().numpy()
        return features
    except Exception as e:
        print(f"Lỗi trích xuất Wav2Vec2: {e}")
        return np.zeros(WAV2VEC_FEATURE_SIZE)

def _create_spectrogram_image(y, sr):
    """Tạo ảnh spectrogram cho mô hình CNN."""
    try:
        mel_spec = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=SPECTROGRAM_SHAPE[0])
        mel_spec_db = librosa.power_to_db(mel_spec, ref=np.max)
        # Chuẩn hóa giá trị về khoảng [0, 255]
        mel_spec_norm = ((mel_spec_db - mel_spec_db.min()) / (mel_spec_db.max() - mel_spec_db.min() + 1e-8) * 255).astype(np.uint8)
        # Chuyển thành ảnh 3 kênh (RGB)
        img = tf.keras.preprocessing.image.array_to_img(np.stack([mel_spec_norm]*3, axis=-1))
        # Resize về kích thước đầu vào của CNN
        img = img.resize((SPECTROGRAM_SHAPE[1], SPECTROGRAM_SHAPE[0]))
        return np.array(img)
    except Exception as e:
        print(f"Lỗi tạo ảnh spectrogram: {e}")
        return np.zeros(SPECTROGRAM_SHAPE)

def process_audio_file(file_path):
    """Hàm tổng hợp: Tải file audio và gọi các hàm trích xuất đặc trưng."""
    try:
        y, sr = librosa.load(file_path, sr=SAMPLE_RATE)
        
        # Chuẩn hóa độ dài audio về MAX_SAMPLES
        if len(y) > MAX_SAMPLES:
            y = y[:MAX_SAMPLES]
        else:
            y = np.pad(y, (0, MAX_SAMPLES - len(y)), mode='constant')

        # Trích xuất đồng thời các bộ đặc trưng
        traditional_features = _extract_traditional_features(y, sr)
        wav2vec_features = _extract_wav2vec_features(y, sr)
        spectrogram = _create_spectrogram_image(y, sr)

        return traditional_features, wav2vec_features, spectrogram
    except Exception as e:
        print(f"Lỗi nghiêm trọng khi xử lý file audio {file_path}: {e}")
        return None, None, None


# --- ĐỊNH NGHĨA CÁC ROUTE (API ENDPOINTS) CỦA ỨNG DỤNG ---
@app.route('/', methods=['GET'])
def home():
    """Render trang chủ của ứng dụng."""
    return render_template('index.html')

@app.route('/predict', methods=['POST'])
def predict():
    """API endpoint để nhận file audio, xử lý và trả về kết quả dự đoán."""
    if 'audio_file' not in request.files:
        return jsonify({'error': 'Không có file audio nào trong yêu cầu.'}), 400

    file = request.files['audio_file']
    if file.filename == '':
        return jsonify({'error': 'Tên file không hợp lệ.'}), 400

    try:
        # Lưu file audio vào thư mục tạm một cách an toàn
        filename = secure_filename(file.filename)
        filepath = os.path.join(app.config['UPLOAD_FOLDER'], filename)
        file.save(filepath)

        # Xử lý file audio để trích xuất tất cả các đặc trưng cần thiết
        trad_feats, w2v_feats, spec_img = process_audio_file(filepath)

        if trad_feats is None:
             return jsonify({'error': 'Không thể xử lý file audio.'}), 500

        # --- Chuẩn bị dữ liệu đầu vào cho từng mô hình ---
        # 1. Dữ liệu cho XGBoost và LightGBM (kết hợp và scale)
        combined_feats = np.concatenate([trad_feats, w2v_feats]).reshape(1, -1)
        scaled_feats = scaler.transform(combined_feats)
        
        # 2. Dữ liệu cho CNN (chuẩn hóa và thêm chiều batch)
        spec_img = spec_img / 255.0
        spec_img = np.expand_dims(spec_img, axis=0)

        # --- Lấy dự đoán từ tất cả các mô hình ---
        pred_xgb = model_xgb.predict_proba(scaled_feats)[0][1]
        pred_lgb = model_lgb.predict_proba(scaled_feats)[0][1]
        pred_cnn = model_cnn.predict(spec_img, verbose=0)[0][0]

        # --- Ensemble: Kết hợp kết quả bằng cách lấy trung bình xác suất ---
        final_prediction_prob = (pred_xgb + pred_lgb + pred_cnn) / 3
        # Quyết định nhãn cuối cùng dựa trên ngưỡng 0.5
        final_prediction_label_index = 1 if final_prediction_prob > 0.5 else 0

        # Chuyển đổi chỉ số nhãn (0 hoặc 1) thành chuỗi ('male'/'female')
        result_label_text = label_encoder.inverse_transform([final_prediction_label_index])[0]

        # Xóa file audio tạm sau khi xử lý xong
        os.remove(filepath)
        
        print(f"Phân tích hoàn tất. Kết quả: {result_label_text.upper()} (Xác suất: {final_prediction_prob:.2f})")

        # Trả về kết quả dưới dạng JSON
        return jsonify({
            'prediction': result_label_text.capitalize(),
            'probability': f"{final_prediction_prob:.2f}"
        })

    except Exception as e:
        print(f"Đã xảy ra lỗi trong quá trình dự đoán: {e}")
        import traceback
        traceback.print_exc()
        return jsonify({'error': 'Đã xảy ra lỗi không xác định trên máy chủ.'}), 500

# --- ĐIỂM BẮT ĐẦU CHẠY ỨNG DỤNG ---
# Đoạn mã này được cấu hình để hoạt động tốt trên cả máy local và Hugging Face Spaces.
if __name__ == '__main__':
    # Hugging Face Spaces sẽ đặt biến môi trường PORT. Nếu không có, dùng 7860 làm mặc định.
    port = int(os.environ.get("PORT", 7860))
    # Chạy trên host '0.0.0.0' để ứng dụng có thể được truy cập từ bên ngoài container Docker.
    app.run(host='0.0.0.0', port=port)