blob: e68215d78ea86d35c5e6d3732df8abc721078b5a (
plain)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
|
#!/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\""
|
