EchoChat/backend/go-service/app/transcribe/service/openai_compat_client.go

// Package service 提供 transcribe 模块的业务服务
package service

import (
	"bytes"
	"context"
	"encoding/json"
	"fmt"
	"io"
	"mime/multipart"
	"net/http"
	"path"
	"strings"
	"time"

	"github.com/echochat/backend/app/transcribe/dao"
)

// OpenAICompatibleClient 实现 OpenAI 兼容协议的 STT 调用
//
// 标准端点：POST {base_url}/audio/transcriptions
// 形式：multipart/form-data
//   - file:  音频文件（mp3/wav/m4a/mp4/...）
//   - model: 模型 code（如 whisper-1 / qwen-audio-asr-flash）
//   - response_format: verbose_json（拿 segments）/ json（仅 text）
//   - language: 可选，提示语言以加速识别
//
// 阿里云 DashScope / DeepSeek / OpenAI / 智谱（部分）/ 通义千问 都遵循该协议。
//
// 调用超时：默认 5 分钟（覆盖大部分 ≤30min 会议）。超时由调用方通过 ctx 控制更精细。
type OpenAICompatibleClient struct {
	httpClient *http.Client
}

// NewOpenAICompatibleClient 创建实例
func NewOpenAICompatibleClient() *OpenAICompatibleClient {
	return &OpenAICompatibleClient{
		httpClient: &http.Client{Timeout: 5 * time.Minute},
	}
}

// TranscribeResult openai 兼容响应（verbose_json 模式）
//
// 字段非全列：仅取本服务关心的部分。多余字段被丢弃。
type TranscribeResult struct {
	Text     string                `json:"text"`
	Language string                `json:"language"`
	Duration float64               `json:"duration"`
	Segments []TranscribeSegment   `json:"segments"`
}

// TranscribeSegment 单段时间轴文字（verbose_json）
type TranscribeSegment struct {
	ID    int     `json:"id"`
	Start float64 `json:"start"`
	End   float64 `json:"end"`
	Text  string  `json:"text"`
}

// Transcribe 调用 STT
//
// 流程：
//   1. 从 fileURL 下载音频字节（HTTP GET，复用 httpClient timeout）
//   2. 构造 multipart 请求体
//   3. POST {base_url}/audio/transcriptions，附 Authorization: Bearer {api_key}
//   4. 解析 JSON 响应
//
// 参数：
//   - fileURL：录制文件公网/内网可达 URL（meeting_recordings.file_url）
//   - language：可选，传 "" 让模型自检
func (c *OpenAICompatibleClient) Transcribe(ctx context.Context, cfg *dao.STTConfig, fileURL, language string) (*TranscribeResult, error) {
	if cfg == nil {
		return nil, fmt.Errorf("STT config is nil")
	}
	if fileURL == "" {
		return nil, fmt.Errorf("file_url is empty")
	}

	// 1) 下载音频
	audioBytes, filename, err := c.downloadAudio(ctx, fileURL)
	if err != nil {
		return nil, fmt.Errorf("下载录制文件失败: %w", err)
	}

	// 2) 拼装 multipart
	body := &bytes.Buffer{}
	writer := multipart.NewWriter(body)

	filePart, err := writer.CreateFormFile("file", filename)
	if err != nil {
		return nil, fmt.Errorf("创建 multipart file 字段失败: %w", err)
	}
	if _, err := filePart.Write(audioBytes); err != nil {
		return nil, fmt.Errorf("写入 multipart file 内容失败: %w", err)
	}
	if err := writer.WriteField("model", cfg.Model.ModelCode); err != nil {
		return nil, fmt.Errorf("写入 model 字段失败: %w", err)
	}
	if err := writer.WriteField("response_format", "verbose_json"); err != nil {
		return nil, fmt.Errorf("写入 response_format 字段失败: %w", err)
	}
	if language != "" {
		_ = writer.WriteField("language", language)
	}
	if err := writer.Close(); err != nil {
		return nil, fmt.Errorf("关闭 multipart writer 失败: %w", err)
	}

	// 3) 构造请求
	endpoint := strings.TrimRight(cfg.Provider.BaseURL, "/") + "/audio/transcriptions"
	req, err := http.NewRequestWithContext(ctx, http.MethodPost, endpoint, body)
	if err != nil {
		return nil, fmt.Errorf("构造 STT 请求失败: %w", err)
	}
	req.Header.Set("Authorization", "Bearer "+cfg.Key.APIKey)
	req.Header.Set("Content-Type", writer.FormDataContentType())

	resp, err := c.httpClient.Do(req)
	if err != nil {
		return nil, fmt.Errorf("调用 STT 接口失败: %w", err)
	}
	defer resp.Body.Close()

	respBytes, err := io.ReadAll(resp.Body)
	if err != nil {
		return nil, fmt.Errorf("读取 STT 响应失败: %w", err)
	}

	if resp.StatusCode < 200 || resp.StatusCode >= 300 {
		// 截断响应体，避免日志爆炸
		preview := string(respBytes)
		if len(preview) > 300 {
			preview = preview[:300] + "..."
		}
		return nil, fmt.Errorf("STT 接口返回 %d: %s", resp.StatusCode, preview)
	}

	// 4) 解析
	var result TranscribeResult
	if err := json.Unmarshal(respBytes, &result); err != nil {
		preview := string(respBytes)
		if len(preview) > 300 {
			preview = preview[:300] + "..."
		}
		return nil, fmt.Errorf("解析 STT 响应失败: %v, body=%s", err, preview)
	}
	if result.Text == "" && len(result.Segments) == 0 {
		// 部分供应商在 response_format=json 模式只返回 text；这里没拿到任何结果视为异常
		return nil, fmt.Errorf("STT 响应内容为空")
	}
	return &result, nil
}

// downloadAudio 从给定 URL 拉取音频内容，返回字节流 + 推断的文件名
//
// 文件名仅作为 multipart 的 filename 参数，主要决定 Content-Type 推断；
// 取 URL path 末段，无后缀则默认 recording.webm（与 media-server 实际产物一致）。
func (c *OpenAICompatibleClient) downloadAudio(ctx context.Context, fileURL string) ([]byte, string, error) {
	req, err := http.NewRequestWithContext(ctx, http.MethodGet, fileURL, nil)
	if err != nil {
		return nil, "", err
	}
	resp, err := c.httpClient.Do(req)
	if err != nil {
		return nil, "", err
	}
	defer resp.Body.Close()
	if resp.StatusCode < 200 || resp.StatusCode >= 300 {
		return nil, "", fmt.Errorf("下载失败 status=%d", resp.StatusCode)
	}
	data, err := io.ReadAll(resp.Body)
	if err != nil {
		return nil, "", err
	}

	filename := path.Base(req.URL.Path)
	if filename == "" || filename == "/" || !strings.Contains(filename, ".") {
		filename = "recording.mp4"
	}
	return data, filename, nil
}