fix

app/clients/deepgram_client.py

@@ -21,12 +21,19 @@ async def transcribe(
     diarize: bool,
     smart_format: bool,
 ) -> str:
-    """Přepíše audio Deepgramem a vrátí prostý transkript (channels[0].alternatives[0].transcript)."""
+    """Přepíše audio Deepgramem.
+
+    Když je zapnutá diarizace, vrátí přepis se štítky mluvčích (z `utterances`),
+    např. `Mluvčí 0: ...`. Bez diarizace vrátí plochý transkript.
+    """
     params = {
         "model": model,
         "language": language,
         "diarize": "true" if diarize else "false",
         "smart_format": "true" if smart_format else "false",
+        # utterances rozseká přepis na promluvy s přiřazeným mluvčím — nutné, aby
+        # v textu bylo vidět rozlišení mluvčích (samotný `transcript` je plochý).
+        "utterances": "true" if diarize else "false",
     }
     headers = {
         "Authorization": f"Token {api_key}",
@@ -48,9 +55,36 @@ async def transcribe(
 
     data = resp.json()
     try:
-        channels = data["results"]["channels"]
-        alternative = channels[0]["alternatives"][0]
+        results = data["results"]
+        # 1) Preferuj diarizovaný výstup z utterances (se štítky mluvčích).
+        diarized = _format_utterances(results.get("utterances"))
+        if diarized:
+            return diarized
+        # 2) Fallback na plochý transkript.
+        alternative = results["channels"][0]["alternatives"][0]
         return alternative.get("transcript", "") or ""
     except (KeyError, IndexError, TypeError) as exc:
         log.error("Unexpected Deepgram response shape: %s", exc)
         raise UpstreamError("Neočekávaná struktura odpovědi z Deepgramu.") from exc
+
+
+def _format_utterances(utterances) -> str:
+    """Sloučí Deepgram utterances do přepisu se štítky mluvčích (`Mluvčí N: ...`).
+
+    Po sobě jdoucí promluvy stejného mluvčího spojí do jednoho řádku.
+    """
+    if not utterances:
+        return ""
+    lines: list[str] = []
+    prev_speaker = None
+    for utt in utterances:
+        text = (utt.get("transcript") or "").strip()
+        if not text:
+            continue
+        speaker = utt.get("speaker")
+        if speaker != prev_speaker:
+            lines.append(f"Mluvčí {speaker}: {text}")
+            prev_speaker = speaker
+        else:
+            lines[-1] += " " + text
+    return "\n".join(lines)