import gradio as gr
import os
import random
from pathlib import Path

####################################
# Constants (static data version)
####################################


SPACE_ID = os.getenv('SPACE_ID')
MAX_SAMPLE_TXT_LENGTH = 300
MIN_SAMPLE_TXT_LENGTH = 10

####################################
# Datos estáticos del leaderboard
####################################
leaderboard_data = [
    {'name': 'Matxa-TTS', 'upvote': 150, 'downvote': 30},
    {'name': 'VITS', 'upvote': 200, 'downvote': 50},
    {'name': 'StableTTS', 'upvote': 180, 'downvote': 40},
    {'name': 'StyleTTS 2', 'upvote': 100, 'downvote': 20},
    {'name': 'XPhoneBert-Matcha-TTS', 'upvote': 90, 'downvote': 15},
    {'name': 'Whisper', 'upvote': 170, 'downvote': 25},
    {'name': 'Simul-S2ST', 'upvote': 160, 'downvote': 35},
    {'name': ' SpeechT5', 'upvote': 140, 'downvote': 25},
]

####################################
# Functions (static version)
####################################

def get_leaderboard():
    """
    Retorna el leaderboard en orden descendente por votos positivos.
    """
    return sorted(leaderboard_data, key=lambda x: x['upvote'], reverse=True)

def filter_preliminary(leaderboard, reveal=False):
    """
    Si reveal es True, muestra todos los resultados.
    Si reveal es False, filtra los modelos con menos de 50 votos combinados.
    """
    if reveal:
        return leaderboard
    return [model for model in leaderboard if model['upvote'] + model['downvote'] > 50]

def add_random_scores(model):
    """
    Agrega las columnas 'score', 'utmos', 'PESQ', y 'STOI' con valores aleatorios.
    """
    model['score'] = random.randint(0, 100)  # Puntuación entre 0 y 100
    model['utmos'] = round(random.uniform(1.0, 5.0), 2)  # Puntuación entre 1.0 y 5.0
    model['PESQ'] = round(random.uniform(1.0, 4.5), 2)  # Puntuación entre 1.0 y 4.5
    model['STOI'] = round(random.uniform(0.0, 1.0), 2)  # Puntuación entre 0.0 y 1.0
    return model

def update_leaderboard(reveal):
    """
    Actualiza la tabla del leaderboard con base en si se deben mostrar
    resultados preliminares o no.
    """
    filtered_leaderboard = filter_preliminary(get_leaderboard(), reveal)
    
    # Añadir las columnas de puntuaciones aleatorias
    updated_leaderboard = [add_random_scores(model) for model in filtered_leaderboard]
    
    # Ordenar por 'score' y asignar el rank dinámicamente
    sorted_leaderboard = sorted(updated_leaderboard, key=lambda x: x['score'], reverse=True)
    
    # Asignar el rank basado en el orden por score
    for rank, model in enumerate(sorted_leaderboard):
        model['rank'] = rank + 1  # rank es la posición en la lista (1-indexed)
    
    return [[model['rank'], model['name'], model['score'], model['utmos'], model['PESQ'], model['STOI']] for model in sorted_leaderboard]

####################################
# Interfaz con Gradio
####################################

theme = gr.themes.Base(
    font=[gr.themes.GoogleFont('Libre Franklin'), gr.themes.GoogleFont('Public Sans'), 'system-ui', 'sans-serif'],
)

with gr.Blocks(theme=theme) as demo:
    gr.Markdown("# 🏆 Leaderboard\nVote to help the community determine the best Catalan TTS models.\n")
    
    reveal_checkbox = gr.Checkbox(label="Reveal preliminary results", value=False)
    
    # Inicializa la tabla sin datos, solo con encabezados
    leaderboard_table = gr.DataFrame(headers=["Rank", "Model", "Score", "UTMOS", "PESQ", "STOI"], 
                                     datatype=["str", "str", "str", "str", "str", "str"], value=[])

    # Al cambiar el valor del checkbox, actualizamos la tabla
    reveal_checkbox.change(fn=update_leaderboard, inputs=[reveal_checkbox], outputs=[leaderboard_table])

# Lanzar la aplicación
demo.queue(api_open=False, default_concurrency_limit=40).launch(show_api=False)