app.py

import gradio as gr
import pandas as pd
import json

# --- 1. Загрузка и подготовка данных ---

def load_data(json_path='data.json'):
    """Загружает данные из JSON и преобразует их в pandas DataFrame."""
    with open(json_path, 'r', encoding='utf-8') as f:
        data = json.load(f)
    
    df = pd.DataFrame(data)

    # --- ИСПРАВЛЕНИЕ: Преобразуем колонку с датой в формат datetime ---
    # dayfirst=True указывает pandas, что в формате ДД/ММ/ГГГГ день идет первым.
    df['test_date'] = pd.to_datetime(df['test_date'], dayfirst=True)
    
    return df

# --- 2. Логика фильтрации и обновления таблицы ---

def update_leaderboard(data_df, filter_type, search_query, show_outdated):
    """Фильтрует DataFrame на основе выбранного типа, поискового запроса и флага устаревших данных."""
    
    # Шаг 1: Фильтрация по устаревшим данным
    if not show_outdated:
        # Скрываем модели с пометкой об устаревших данных
        filtered_df = data_df[~data_df['notes'].str.contains('устаревших данных', na=False, case=False)].copy()
    else:
        filtered_df = data_df.copy()
    
    # Шаг 2: Фильтрация по типу
    if filter_type == "Только войсклонинг":
        filtered_df = filtered_df[filtered_df['type'] == 'voice_cloning'].copy()
    elif filter_type == "Без войсклонинга":
        filtered_df = filtered_df[filtered_df['type'] == 'single_speaker'].copy()
    # else: "Все модели" - оставляем как есть

    # Шаг 3: Фильтрация по поисковому запросу
    if search_query:
        query = search_query.lower()
        filtered_df = filtered_df[
            filtered_df['engine'].str.lower().str.contains(query) |
            filtered_df['voice'].str.lower().str.contains(query)
        ]

    # Шаг 4: Подготовка DataFrame для отображения
    
    # --- ИСПРАВЛЕНИЕ: Форматируем дату в 'ГГГГ-ММ-ДД' для корректной сортировки в UI ---
    # Создаем копию, чтобы не изменять оригинальный DataFrame в gr.State
    display_df = filtered_df.copy()
    display_df['test_date'] = display_df['test_date'].dt.strftime('%Y-%m-%d')
    
    column_mapping = {
        "engine": "Движок", "voice": "Голос", "test_date": "Дата",
        "hardware": "Железо", "utmos": "UTMOS (↑)", "cer": "CER (↓)", 
        "encodec_fad": "FAD (↓)", "similarity_avg": "Похожесть Avg (↑)", 
        "xrt_gpu": "xRT GPU (↓)", "xrt_cpu": "xRT CPU (↓)", "notes": "Примечания"
    }
    
    display_df = display_df[column_mapping.keys()].rename(columns=column_mapping)
    
    return display_df


# --- 3. Создание интерфейса Gradio ---

# Загружаем данные один раз при старте приложения
original_df = load_data()

# Сортируем по-умолчанию по дате (самые новые вверху), скрывая устаревшие
initial_display_df = update_leaderboard(original_df, "Все модели", "", show_outdated=False)
initial_display_df = initial_display_df.sort_values(by="Дата", ascending=False)


with gr.Blocks(theme=gr.themes.Soft(), css="footer {visibility: hidden}") as demo:
    gr.Markdown("# 🏆 Лидерборд TTS моделей для русского языка")
    gr.Markdown(
        """
        Этот лидерборд предназначен для сравнения различных Text-to-Speech моделей.
        
        ### Описание метрик:
        - **UTMOS (↑)**: Оценка качества речи, основанная на мнении слушателей (Mean Opinion Score). **Больше — лучше.**
        - **CER (↓)**: Character Error Rate (коэффициент ошибок по символам). Показывает, насколько часто синтез делает ошибки в произношении. **Меньше — лучше.**
        - **FAD (↓)**: Fréchet Audio Distance. Объективная метрика, измеряющая расстояние между распределениями реального и синтезированного аудио. **Меньше — лучше.**
        - **Похожесть Avg (↑)**: Средняя оценка схожести голоса с оригиналом при клонировании. **Больше — лучше.**
        - **xRT GPU/CPU (↓)**: Real-Time Factor. Во сколько раз синтез быстрее (если < 1) или медленнее (если > 1) реального времени на GPU/CPU. **Меньше — лучше.**
        - **Железо**: Тип оборудования, на котором производился тест (Cloud - облачный сервис, Local GPU/CPU - локальное железо, RTX 4090 - конкретная видеокарта).
        
        *Кликните на заголовок колонки для сортировки. По умолчанию отсортировано по дате (сначала новые).*
        """
    )
    gr.Markdown("✉️ Чтобы добавить свою модель, а также вопросы и предложения пишите в Telegram [@bceloss](https://t.me/bceloss)")
    gr.Markdown('✉️ Добавляйтесь в чат "Распознавание и синтез речи" [@speech_recognition_ru](https://t.me/speech_recognition_ru)')
    gr.Markdown('👥 Авторы: Nikolay Shmyrev [@nshmyrev](https://t.me/nshmyrev), Denis Petrov [@bceloss](https://t.me/bceloss)')



    with gr.Row():
        with gr.Column(scale=3):
            filter_radio = gr.Radio(
                ["Все модели", "Только войсклонинг", "Без войсклонинга"],
                label="Тип модели",
                value="Все модели"
            )
        with gr.Column(scale=3):
            search_box = gr.Textbox(
                label="Поиск по названию движка или голоса",
                placeholder="Например, Silero, Vosk, Multi..."
            )
        with gr.Column(scale=2):
            show_outdated_checkbox = gr.Checkbox(
                label="Показать модели с устаревшими данными",
                value=False,
                info="⚠️ Данные этих моделей могут быть неточными"
            )

    # Информационное сообщение о скрытых моделях
    outdated_info = gr.Markdown(visible=False)
    
    leaderboard_df = gr.DataFrame(
        value=initial_display_df,
        interactive=True,
    )

    # Используем gr.State для передачи полного DataFrame с правильными типами данных
    df_state = gr.State(original_df)

    def on_change(filter_type, search_query, show_outdated, data_df):
        """Обновляет таблицу и показывает информацию о скрытых моделях."""
        updated_df = update_leaderboard(data_df, filter_type, search_query, show_outdated)
        
        # Подсчитываем количество скрытых моделей с устаревшими данными
        if not show_outdated:
            outdated_count = data_df[data_df['notes'].str.contains('устаревших данных', na=False, case=False)].shape[0]
            if outdated_count > 0:
                info_text = f"ℹ️ **Скрыто моделей с устаревшими данными: {outdated_count}**. Включите опцию выше, чтобы показать их."
                return updated_df, gr.update(value=info_text, visible=True)
        
        return updated_df, gr.update(visible=False)

    # Связываем все элементы управления с функцией обновления
    filter_radio.change(
        fn=on_change,
        inputs=[filter_radio, search_box, show_outdated_checkbox, df_state],
        outputs=[leaderboard_df, outdated_info]
    )
    search_box.change(
        fn=on_change,
        inputs=[filter_radio, search_box, show_outdated_checkbox, df_state],
        outputs=[leaderboard_df, outdated_info]
    )
    show_outdated_checkbox.change(
        fn=on_change,
        inputs=[filter_radio, search_box, show_outdated_checkbox, df_state],
        outputs=[leaderboard_df, outdated_info]
    )
    
    # Показываем информацию о скрытых моделях при загрузке
    demo.load(
        fn=lambda: f"ℹ️ **Скрыто моделей с устаревшими данными: {original_df[original_df['notes'].str.contains('устаревших данных', na=False, case=False)].shape[0]}**. Включите опцию выше, чтобы показать их.",
        outputs=outdated_info
    )

# --- 4. Запуск приложения ---
if __name__ == "__main__":
    demo.launch()