#!/usr/bin/env bash
# Extrae los latentes de una voz a partir de una grabación, para que el
# asistente hable con ella.
#
#   scripts/clonar-voz.sh grabacion.wav transcripcion.txt [nombre]
#
# Produce assets/voices/<nombre>.{spk,rvq,txt}, que es lo que el asistente
# registra en tts-server al arrancar. Se hace una vez: en cada arranque se
# mandan los latentes ya extraídos y no la grabación.
set -euo pipefail

cd "$(dirname "$0")/.."

WAV="${1:?uso: clonar-voz.sh <grabacion.wav> <transcripcion.txt> [nombre]}"
TXT="${2:?falta la transcripción de la grabación}"
NOMBRE="${3:-asistente}"

CODEC=vendor/qwentts.cpp/build/qwen-codec
TOKENIZER=models/qwen-tokenizer-12hz-Q8_0.gguf

for f in "$CODEC" "$TOKENIZER" "$WAV" "$TXT"; do
  [ -e "$f" ] || { echo "falta: $f" >&2; exit 1; }
done

SALIDA="assets/voices"
mkdir -p "$SALIDA"

echo "Extrayendo la voz de $WAV…"
# --talker produce el embedding del hablante (.spk) y los códigos de
# referencia (.rvq); con la transcripción, el servidor activa el clonado ICL,
# que se parece bastante más al original que sólo el embedding.
"$CODEC" --model "$TOKENIZER" --talker \
         --input "$WAV" \
         -o "$SALIDA/$NOMBRE"

cp "$TXT" "$SALIDA/$NOMBRE.txt"

echo
echo "Listo:"
ls -la "$SALIDA/$NOMBRE".{spk,rvq,txt}
echo
echo "Apunta config/asistente.toml a esta voz:"
echo "  [tts.reference]"
echo "  name = \"$NOMBRE\""
echo "  speaker    = \"../$SALIDA/$NOMBRE.spk\""
echo "  codes      = \"../$SALIDA/$NOMBRE.rvq\""
echo "  transcript = \"../$SALIDA/$NOMBRE.txt\""