"""Обработка задачи в отдельном процессе.

Замеры показали, что sherpa-onnx и onnxruntime держат GIL: две задачи в двух
потоках идут ровно столько же, сколько подряд (выигрыш 1.04x). Поэтому
процессор простаивает, а воркеры-потоки бесполезны. В процессах те же две
задачи дают 1.59x даже с загрузкой моделей в каждом.

Модуль намеренно не импортирует app.main: на Windows дочерний процесс
поднимается через spawn и заново импортирует модуль с функцией. Если бы
это был main, в каждом процессе поднимался бы ещё один веб-сервер.
"""
import logging
from pathlib import Path

from app.pipeline import Pipeline

log = logging.getLogger(__name__)

# Живёт внутри процесса-воркера: модели грузятся один раз на процесс.
_pipeline: Pipeline | None = None


def init_worker(models_dir: str, threads: int, replacements_path: str, base_dir: str) -> None:
    """Готовит процесс к работе: грузит модели один раз."""
    global _pipeline
    logging.basicConfig(level=logging.WARNING)
    _pipeline = Pipeline(models_dir=Path(models_dir), threads=threads,
                         replacements_path=Path(replacements_path),
                         base_dir=Path(base_dir))
    _pipeline.warmup()


def run_job(audio_path: str, num_speakers: int, ffmpeg: str,
            normalize: bool = True, recover_gaps: bool = True) -> dict:
    """Переводит файл в WAV и распознаёт. Выполняется в процессе-воркере."""
    import tempfile

    from app.pipeline import to_wav16k

    if _pipeline is None:
        raise RuntimeError("процесс-воркер не инициализирован")

    with tempfile.TemporaryDirectory() as tmp:
        wav = Path(tmp) / "audio.wav"
        to_wav16k(Path(audio_path), wav, ffmpeg, normalize)
        return _pipeline.transcribe(wav, num_speakers=num_speakers,
                                    recover_gaps=recover_gaps)