from typing import Any, Literal, Sequence, Union

import pytest
from scipy.io import wavfile

from style_bert_vits2.constants import BASE_DIR, Languages
from style_bert_vits2.tts_model import TTSModelHolder


def synthesize(
    inference_type: Literal["torch", "onnx"] = "torch",
    device: str = "cpu",
    onnx_providers: Sequence[Union[str, tuple[str, dict[str, Any]]]] = [
        "CPUExecutionProvider"
    ],
):

    # 音声合成モデルが配置されていれば、音声合成を実行
    model_holder = TTSModelHolder(BASE_DIR / "model_assets", device, onnx_providers)
    if len(model_holder.models_info) > 0:

        # "koharune-ami" または "amitaro" モデルを探す
        for model_info in model_holder.models_info:
            if model_info.name == "koharune-ami" or model_info.name == "amitaro":

                # Safetensors 形式または ONNX 形式のモデルファイルに絞り込む
                if inference_type == "torch":
                    model_files = [
                        f
                        for f in model_info.files
                        if f.endswith(".safetensors") and not f.startswith(".")
                    ]
                else:
                    model_files = [
                        f
                        for f in model_info.files
                        if f.endswith(".onnx") and not f.startswith(".")
                    ]
                if len(model_files) == 0:
                    pytest.skip(f"音声合成モデル \"{model_info.name}\" のモデルファイルが見つかりませんでした。")

                # モデルをロード
                model = model_holder.get_model(model_info.name, model_files[0])
                model.load()

                # すべてのスタイルに対して音声合成を実行
                for style in model_info.styles:

                    # 音声合成を実行
                    sample_rate, audio_data = model.infer(
                        "あらゆる現実を、すべて自分のほうへねじ曲げたのだ。",
                        # 言語 (JP, EN, ZH / JP-Extra モデルの場合は JP のみ)
                        language=Languages.JP,
                        # 話者 ID (音声合成モデルに複数の話者が含まれる場合のみ必須、単一話者のみの場合は 0)
                        speaker_id=0,
                        # テンポの緩急 (0.0 〜 1.0)
                        sdp_ratio=0.4,
                        # スタイル (Neutral, Happy など)
                        style=style,
                        # スタイルの強さ (0.0 〜 100.0)
                        style_weight=2.0,
                    )

                    # 音声データを保存
                    (BASE_DIR / f"tests/wavs/{model_info.name}").mkdir(
                        exist_ok=True, parents=True
                    )
                    wav_file_path = (
                        BASE_DIR / f"tests/wavs/{model_info.name}/{style}.wav"
                    )
                    with open(wav_file_path, "wb") as f:
                        wavfile.write(f, sample_rate, audio_data)

                    # 音声データが保存されたことを確認
                    assert wav_file_path.exists()

                # モデルをアンロード
                model.unload()
    else:
        pytest.skip("音声合成モデルが見つかりませんでした。")


def test_synthesize_cpu():
    synthesize(inference_type="torch", device="cpu")


def test_synthesize_cuda():
    pytest.importorskip("torch.cuda")
    synthesize(inference_type="torch", device="cuda")


def test_synthesize_onnx_cpu():
    synthesize(inference_type="onnx", onnx_providers=["CPUExecutionProvider"])


def test_synthesize_onnx_cuda():
    synthesize(
        inference_type="onnx",
        onnx_providers=[
            ("CUDAExecutionProvider", {"cudnn_conv_algo_search": "DEFAULT"})
        ],
    )