import argparse
import os
import shutil
import sys

import soundfile as sf
import torch
from tqdm import tqdm

vad_model, utils = torch.hub.load(
    repo_or_dir="snakers4/silero-vad",
    model="silero_vad",
    onnx=True,
)

(get_speech_timestamps, _, read_audio, *_) = utils


def get_stamps(audio_file, min_silence_dur_ms=700, min_sec=2):
    """
    min_silence_dur_ms:
        このミリ秒数以上を無音だと判断する。
        逆に、この秒数以下の無音区間では区切られない。
        小さくすると、音声がぶつ切りに小さくなりすぎ、
        大きくすると音声一つ一つが長くなりすぎる。
        データセットによってたぶん要調整。
    min_sec:
        この秒数より小さい発話は無視する。TTSのためには2秒未満は切り捨てたほうがいいかも。
    """

    sampling_rate = 16000  # 16kHzか8kHzのみ対応

    wav = read_audio(audio_file, sampling_rate=sampling_rate)
    speech_timestamps = get_speech_timestamps(
        wav,
        vad_model,
        sampling_rate=sampling_rate,
        min_silence_duration_ms=min_silence_dur_ms,
        min_speech_duration_ms=min_sec * 1000,
    )

    return speech_timestamps


def split_wav(
    audio_file, target_dir="raw", max_sec=12, min_silence_dur_ms=700, min_sec=2
):
    margin = 200  # ミリ秒単位で、音声の前後に余裕を持たせる
    upper_bound_ms = max_sec * 1000  # これ以上の長さの音声は無視する

    speech_timestamps = get_stamps(
        audio_file, min_silence_dur_ms=min_silence_dur_ms, min_sec=min_sec
    )

    data, sr = sf.read(audio_file)

    total_ms = len(data) / sr * 1000

    file_name = os.path.basename(audio_file).split(".")[0]
    os.makedirs(target_dir, exist_ok=True)

    total_time_ms = 0

    # タイムスタンプに従って分割し、ファイルに保存
    for i, ts in enumerate(speech_timestamps):
        start_ms = max(ts["start"] / 16 - margin, 0)
        end_ms = min(ts["end"] / 16 + margin, total_ms)
        if end_ms - start_ms > upper_bound_ms:
            continue

        start_sample = int(start_ms / 1000 * sr)
        end_sample = int(end_ms / 1000 * sr)
        segment = data[start_sample:end_sample]

        if normalize:
            segment = normalize_audio(segment, sr)

        sf.write(os.path.join(target_dir, f"{file_name}-{i}.wav"), segment, sr)
        total_time_ms += end_ms - start_ms

    return total_time_ms / 1000


if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument("--max_sec", "-M", type=int, default=12)
    parser.add_argument("--min_sec", "-m", type=int, default=2)
    parser.add_argument("--min_silence_dur_ms", "-s", type=int, default=700)
    parser.add_argument("--input_dir", "-i", type=str, default="inputs")
    parser.add_argument("--output_dir", "-t", type=str, default="raw")
    args = parser.parse_args()

    input_dir = args.input_dir
    output_dir = args.output_dir
    min_sec = args.min_sec
    max_sec = args.max_sec
    min_silence_dur_ms = args.min_silence_dur_ms

    wav_files = [
        os.path.join(input_dir, f)
        for f in os.listdir(input_dir)
        if f.lower().endswith(".wav")
    ]
    if os.path.exists(output_dir):  # ディレクトリを削除
        print(f"{output_dir}フォルダが存在するので、削除します。")
        shutil.rmtree(output_dir)

    total_sec = 0
    for wav_file in tqdm(wav_files, file=sys.stdout):
        time_sec = split_wav(
            wav_file,
            output_dir,
            max_sec=max_sec,
            min_sec=min_sec,
            min_silence_dur_ms=min_silence_dur_ms,
        )
        total_sec += time_sec

    print(f"Done! Total time: {total_sec / 60:.2f} min.")