"""Акустические признаки реплики.

На записи с одним микрофоном на столе участники сидят на разном расстоянии,
и это слышно: дальний голос глуше и тише. Тембровые модели такую разницу
почти не улавливают, поэтому признаки считаются отдельно и отдаются наружу -
по ним LLM может уточнить, кто где, когда разделение по голосу ненадёжно.
"""
import numpy as np

__all__ = ["segment_acoustics", "separation_quality"]

SAMPLE_RATE = 16000


def segment_acoustics(samples: np.ndarray) -> dict:
    """Считает признаки, связанные с расстоянием до микрофона."""
    if len(samples) < SAMPLE_RATE // 4:
        return {}

    rms = float(np.sqrt((samples ** 2).mean()) + 1e-9)
    spectrum = np.abs(np.fft.rfft(samples * np.hanning(len(samples))))
    freqs = np.fft.rfftfreq(len(samples), 1 / SAMPLE_RATE)
    total = float(spectrum.sum()) + 1e-9

    return {
        # Громкость: ближний к микрофону обычно громче
        "loudness_db": round(20 * float(np.log10(rms)), 1),
        # Доля высоких частот: у дальнего голоса верх съедается расстоянием
        "hf_ratio": round(float(spectrum[(freqs > 3000) & (freqs < 7000)].sum()) / total, 3),
        # Центр тяжести спектра, тот же смысл другим числом
        "centroid_hz": round(float((spectrum * freqs).sum()) / total),
    }


def separation_quality(embeddings: np.ndarray, labels: np.ndarray) -> float:
    """Насколько уверенно голоса разошлись по кластерам.

    Единица - участники различаются чётко, около нуля - модель фактически
    не видит разницы и разметка по говорящим случайна. На записях с одним
    микрофоном в комнате значение обычно низкое.
    """
    if len(embeddings) < 4 or len(set(labels.tolist())) < 2:
        return 0.0

    norm = embeddings / (np.linalg.norm(embeddings, axis=1, keepdims=True) + 1e-9)
    distances = 1 - norm @ norm.T
    scores = []
    for i in range(len(norm)):
        own = distances[i][(labels == labels[i])]
        other = distances[i][(labels != labels[i])]
        own = own[own > 0]
        if len(own) and len(other):
            a, b = float(own.mean()), float(other.mean())
            scores.append((b - a) / max(a, b))
    return round(float(np.mean(scores)), 3) if scores else 0.0