From 5714d60c10b644c8e6b408676399dca4972de443 Mon Sep 17 00:00:00 2001 From: rafa Date: Mon, 31 Aug 2026 07:06:52 -0400 Subject: [PATCH] =?UTF-8?q?docs:=20gu=C3=ADa=20de=20autoservicio=20TTS=20p?= =?UTF-8?q?ara=20Inma/Mixbot=20(#222)?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit Documenta el proceso exacto de preparación de texto y pausas para MiniMax que hasta ahora solo vivía en scripts/minimax_tts.py, para que Inma/Mixbot puedan generar audio sin pasar por Hermes/PC de Rafa. Señala el hueco de REST (fea/v1/subir-audio) que sigue bloqueando el paso de publicación. --- ...guia-tts-audio-autoservicio-inma-mixbot.md | 230 ++++++++++++++++++ docs/guia-tts-traduccion-inma.md | 8 + 2 files changed, 238 insertions(+) create mode 100644 docs/guia-tts-audio-autoservicio-inma-mixbot.md diff --git a/docs/guia-tts-audio-autoservicio-inma-mixbot.md b/docs/guia-tts-audio-autoservicio-inma-mixbot.md new file mode 100644 index 0000000..e512da0 --- /dev/null +++ b/docs/guia-tts-audio-autoservicio-inma-mixbot.md @@ -0,0 +1,230 @@ +# Guía de generación de audio (TTS) en autoservicio — para Inma / Mixbot + +> **Para quién es este documento:** para Inma y Mixbot, a partir del traspaso pedido por +> Rafa (issue [#222](https://gitea.feadulta.com/rafa/feadulta/issues/222)): dejar de pedirle +> el audio a Hermes y generarlo y subirlo vosotros mismos, con vuestro propio token de MiniMax. +> +> **Estado a 2026-08-31:** el proceso de generación (este documento) está completo y probado. +> **Subir el resultado al artículo sigue bloqueado** — falta un endpoint REST (`fea/v1/subir-audio`) +> para enganchar el mp3 al post, tal como pedía el punto 1 del #222. Ese endpoint lo está +> construyendo Codix (ver aviso al final). Hasta que esté desplegado podéis generar y guardar +> los mp3, pero no publicarlos en el sitio. +> +> Este documento sustituye, para el caso de uso "Inma/Mixbot generan directamente", a la +> sección 4 de `docs/guia-tts-traduccion-inma.md` (que describe el flujo antiguo vía Hermes +> ejecutando `scripts/tts_produce.py` en el PC de Rafa). Ese flujo sigue existiendo como +> alternativa si alguna vez hace falta que Hermes lo dispare, pero deja de ser el camino +> principal. + +--- + +## 1. Por qué este documento existe + +La generación de audio con MiniMax no es "coger el texto del artículo y pedirle un mp3". +El resultado suena mal (entonación cortada, pausas artificiales o inexistentes, sección de +cabecera/firma leída en voz alta) si no se prepara el texto antes. Todo lo de abajo salió de +prueba y error real sobre cartas ya publicadas — no es una recomendación genérica de MiniMax, +es la receta que ya suena bien en producción. Seguidla tal cual, no la simplifiquéis. + +## 2. La cuenta y las voces + +- **Endpoint:** `https://api.minimax.io/v1/t2a_v2` (modelo de síntesis). +- **Modelo:** `speech-2.8-hd` (calidad) o `speech-2.8-turbo` (más barato, para pruebas). +- **Voces clonadas por autor** (issue #152 — solo estos autores usan su propia voz; el resto + cae a la voz por defecto): + + | Autor | WP user_id | `voice_id` | + |---|---:|---| + | Fray Marcos | 382 | `FrayMarcosFeadulta2026` | + | José Antonio Pagola | 383 | `PagolaFeadulta2026` | + | José Luis Sicre | 774 | `SicreFeadulta2026` | + | José Arregi | 386 | `ArregiFeadulta2026` | + +- **Voz por defecto (resto de autores):** confirmar con Rafa cuál es la vigente antes de + arrancar — hay más de una en la cuenta (`NicoFeadulta2026` y una más reciente, + `nico_feadulta_es_20260802`) y usar la que no toca es un error fácil de cometer sin verlo + (issue #189, todavía sin cerrar del todo). **No deis por hecho ninguna de las dos sin + preguntar primero.** +- Un autor nuevo sin voz clonada = voz por defecto. Clonar una voz nueva requiere el + procedimiento del #152 (audio limpio 2-5 min, sin música de fondo) — no es autoservicio + desde este documento, es un paso aparte. + +## 3. Preparar el texto (la parte que importa) + +Partiendo del **HTML del artículo en español** (el campo `content` que devuelve +`GET /wp-json/wp/v2/posts/{id}?context=edit`), en este orden exacto: + +### 3.1 Limpiar el HTML a texto plano por párrafos + +1. Sustituir `

`, `
`/`
` y ``…`` por un salto de línea. +2. Quitar el resto de etiquetas HTML. +3. Quitar shortcodes `[...]` (multimedia, cajas, etc. — no se locutan). +4. Decodificar entidades HTML (`á` → `á`, etc.). +5. Separar en párrafos por línea, colapsar espacios múltiples, descartar líneas de 1 + carácter o menos (restos de saltos vacíos). + +### 3.2 Cortar la firma final del autor + +Los artículos suelen terminar con una línea corta tipo `José Antonio Pagola` o +`Fray Marcos` — hay que **conservar esa línea y cortar todo lo que venga después** +(enlaces, notas, anexos), porque eso sí sobra en el audio. + +Cómo detectarla (mirando desde el final del artículo hacia atrás, no desde el principio): +un párrafo cuenta como firma si tiene entre 2 y 6 palabras, ninguna palabra supera lo +razonable para un nombre propio, no contiene dígitos ni `:`, `;`, `http`, `www.`, `@`, y +cada palabra empieza en mayúscula (se permiten minúsculas para conectores como "de", "del", +"la", "las", "los", "y", "e"). **Importante:** solo cuenta como firma si hay al menos 200 +caracteres de contenido real *antes* de ese párrafo — si no, podéis confundir un encabezado +inicial corto (p. ej. `"CORPUS (A)"`, `"DOMINGO XI (A)"`) con la firma y cortar el artículo +entero por error. Buscad la firma desde el final, quedaos con el primer párrafo (contando +desde atrás) que cumpla la condición, y descartad todo lo posterior. + +### 3.3 Expandir abreviaturas bíblicas + +MiniMax lee mal `Mt 5, 1-12`. Antes de generar el audio, expandir el nombre del libro +cuando la abreviatura va seguida de un número (cita bíblica): `Mt` → `Mateo`, `Mc` → `Marcos`, +`Lc` → `Lucas`, `Jn` → `Juan`, `Rom`/`Rm` → `Romanos`, etc. Hay un listado largo de ~70 +abreviaturas en `scripts/minimax_tts.py::expand_bible_abbreviations` (repo `joomla-migration`) +— reutilizadlo tal cual en vez de rehacer la lista a mano, es fácil dejarse alguna. + +### 3.4 Insertar pausas — el hallazgo central de este documento + +MiniMax soporta marcas de pausa literales dentro del texto: `<#0.3#>` inserta 0,3 s de +silencio en ese punto exacto. Sin estas marcas el audio suena corrido y sin respiración; +poniendo una pausa fija igual en todos los puntos suena robótico. La receta que sí funciona +es **pausa proporcional a la longitud de la frase que se acaba de cerrar**: + +- Tras cada fin de frase (`.`, `!`, `?`, `…`), calcular el nº de palabras de esa frase: + - frase corta (< 6 palabras) → pausa **0,1 s** + - frase media (6-12 palabras) → pausa **0,2 s** + - frase larga (> 12 palabras) → pausa **0,3 s** + (umbrales configurables, pero estos son los que ya suenan bien; no hace falta tocarlos) +- Entre párrafos (allí donde había una línea en blanco en el original) → pausa fija de + **0,7 s**, más larga que cualquier pausa de frase — es lo que hace que el oído perciba el + cambio de idea/tema. +- La última pausa de frase de cada párrafo se descarta (queda sustituida por la del + párrafo, que ya es más larga — poner las dos seguidas suena a silencio muerto). +- **Todo bloque (título, párrafo) que no termine en signo de puntuación se cierra con un + punto antes de generar el audio.** Sin esto, MiniMax deja la entonación "abierta" en el + aire al final de un título o frase cortada — se nota mucho y es fácil no darse cuenta en + texto pero sí al oído. + +Ejemplo de transformación (simplificado): + +``` +Entrada: "Jesús les dijo esto. Y añadió una frase mucho más larga sobre lo que significaba + seguirle de verdad en el día a día.\n\nOtro párrafo distinto." + +Salida: "Jesús les dijo esto. <#0.1#> Y añadió una frase mucho más larga sobre lo que + significaba seguirle de verdad en el día a día. <#0.7#> Otro párrafo distinto." +``` + +(la frase corta cerró con 0,1s pero esa marca se sustituye por la de párrafo 0,7s al ser la +última del bloque; la larga, al no ser la última del párrafo, habría llevado 0,3s si hubiera +seguido más texto en el mismo párrafo). + +Referencia de implementación exacta (por si hay dudas de un caso concreto): +`scripts/minimax_tts.py::add_pauses` + `_sent_pause` + `ensure_terminal_punctuation`. + +### 3.5 Trocear si el texto es largo + +MiniMax limita cada petición a 10.000 caracteres; dejamos margen porque las marcas de pausa +también cuentan, así que **el límite práctico es 8.000 caracteres por petición**. Cartas +largas hay que trocearlas: + +- Cortar **solo por los puntos donde ya hay una marca de pausa** (nunca a mitad de frase). +- Entre petición y petición, **esperar 35 segundos** — es el límite de ritmo (TPM) de la + cuenta MiniMax; sin esta espera, la segunda petición puede fallar aunque quede cuota. +- Los fragmentos de audio resultantes se concatenan con `ffmpeg` (`concat` a nivel de audio, + sin recodificar más de lo necesario) para producir un único mp3 final. + +## 4. Llamar a la API + +``` +POST https://api.minimax.io/v1/t2a_v2 +Authorization: Bearer +Content-Type: application/json + +{ + "model": "speech-2.8-hd", + "text": " ya insertadas>", + "voice_setting": {"voice_id": "", "speed": 1.0, "vol": 1.0, "pitch": 0}, + "audio_setting": {"sample_rate": 32000, "bitrate": 128000, "format": "mp3", "channel": 1}, + "language_boost": "Spanish" +} +``` + +La respuesta trae el audio en `data.audio` como **hexadecimal**, no base64 — decodificarlo a +bytes antes de escribir el mp3. + +### Errores de cuota — no reintentéis en bucle + +Si `data.audio` viene vacío, mirad `base_resp.status_code`: + +- **`2056`** = cuota del plan agotada (se resetea con el tiempo, horas). +- **`1039`** = límite de ritmo por minuto (TPM) — bajad la cadencia, no lo repitáis al + segundo siguiente. + +Un HTTP 200 **no significa que haya audio** — hay que mirar siempre el `base_resp` del +cuerpo. Ante cualquiera de estos dos códigos: **parad y reintentad más tarde**, no +machaquéis la API en bucle esperando que cambie. + +## 5. Acabado del audio (opcional pero es lo que suena en producción) + +El pipeline actual aplica dos retoques más al mp3 antes de darlo por bueno — no son +obligatorios para que el audio "funcione", pero sí para que suene igual que el resto del +catálogo ya publicado: + +1. **Ruido de confort:** una capa de ruido marrón muy suave (`amplitude=0.004`, filtrado + paso-alto 120 Hz / paso-bajo 3800 Hz) mezclada con el audio entero. Sin esto, los + silencios de las pausas `<#…#>` contrastan de forma audible con el suelo de ruido del + habla generada — se nota como un "hueco" en vez de una pausa natural. +2. **Fade in/out:** entrada suave de 0,08 s y salida de 0,5 s en los últimos 0,5 s del + audio, para evitar un corte brusco ("bump") al final. + +Receta `ffmpeg` exacta usada hoy (referencia: `scripts/minimax_tts.py::t2a`, líneas finales): + +```bash +ffmpeg -y -i entrada.mp3 -filter_complex \ + "anoisesrc=color=brown:amplitude=0.004:sample_rate=32000[n];\ + [n]highpass=f=120,lowpass=f=3800[nf];\ + [0:a][nf]amix=inputs=2:duration=first:dropout_transition=0:normalize=0[m];\ + [m]afade=t=in:st=0:d=0.08,afade=t=out:st=:d=0.5[a]" \ + -map "[a]" -b:a 128k salida.mp3 +``` + +Si vuestro entorno de generación no tiene `ffmpeg` disponible, generad el audio igual sin +este paso y avisad a Rafa/Claudix — es preferible subir un audio sin el acabado a no subir +nada, pero que quede constancia de que ese paso se saltó (para que quien revise sepa por qué +suena ligeramente distinto al resto). + +## 6. Subir el resultado al artículo — BLOQUEADO hoy + +Aquí es donde entra el hueco real que reportó el #222: **no hay forma de enganchar el mp3 al +post por REST todavía.** Los campos que necesita el sitio para reproducir el audio +(`fea_audio_url`, `fea_audio_done`, más `fea_audio_voice` para saber qué voz sonó) no están +expuestos en `/wp/v2/posts/{id}`, y el namespace `fea/v1` no tiene endpoint de audio. + +**Esto se resuelve con un endpoint `fea/v1/subir-audio`**, con el mismo patrón que +`fea/v1/subir-avatar` (#175) que ya usáis: multipart con `post_id` + fichero `audio` (mp3), +autenticación igual que el resto de endpoints `fea/v1` (vuestro usuario Editor/Administrator), +y como respuesta el valor anterior de esos metas para poder deshacer si algo suena mal. +**Codix lo está construyendo** a partir de esta misma información — en cuanto esté +desplegado, se actualiza este documento con el ejemplo de llamada real y se cierra el punto 1 +del #222. + +Mientras tanto: generad y guardad los mp3 con normalidad (pasos 1-5), pero no hay manera de +publicarlos todavía — no es un fallo vuestro, es infraestructura pendiente. + +## 7. Lo que NO cambia con este traspaso + +- Las traducciones (EN/FR/IT/PT) siguen, de momento, por el camino de siempre + (`docs/guia-tts-traduccion-inma.md`, motor Gemma/MiniMax vía Hermes) — este documento + cubre solo audio. Si el traspaso de traducciones también avanza, hará falta un documento + equivalente a este (y probablemente el mismo tipo de hueco de REST para enlazar las + traducciones vía Polylang) — no asumáis que ya está resuelto por analogía con el audio. +- El backlog histórico de TTS (issue #188, ~1.700 audios pendientes) es un problema aparte + de mucho más volumen que la carta semanal (~15-20/semana). Si el traspaso del #222 incluye + también ese backlog, es una decisión de Rafa que hay que confirmar explícitamente antes de + empezar — no arranquéis el backlog solo porque ya tengáis el mecanismo funcionando para la + carta semanal. diff --git a/docs/guia-tts-traduccion-inma.md b/docs/guia-tts-traduccion-inma.md index dfdaa18..d06ed3e 100644 --- a/docs/guia-tts-traduccion-inma.md +++ b/docs/guia-tts-traduccion-inma.md @@ -8,6 +8,14 @@ > audio solo al publicar — esa automatización es la propuesta abierta > [issue #23](https://gitea.feadulta.com/rafa/feadulta/issues/23), sin implementar. Todo lo de > abajo es un proceso que **hay que pedir**, hoy solo ejecutable en el servidor/PC de Rafa. +> +> **Actualización 2026-08-31 (issue [#222](https://gitea.feadulta.com/rafa/feadulta/issues/222)):** +> el **audio (TTS)** deja de depender de Hermes — Inma/Mixbot lo generan y suben con su propio +> token de MiniMax. La §4 de abajo describe el flujo viejo (Hermes ejecutando +> `scripts/tts_produce.py` en el PC de Rafa); para el flujo nuevo de autoservicio, con la receta +> exacta de preparación de texto y pausas, usar +> **`docs/guia-tts-audio-autoservicio-inma-mixbot.md`**. Las **traducciones** siguen por ahora +> como se describe en §3 de este documento — no incluidas todavía en el traspaso. ---