docs: guía de autoservicio TTS para Inma/Mixbot (#222)
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.
This commit is contained in:
@@ -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 `</p>`, `<br>`/`<br/>` y `</h1>`…`</h6>` 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 <TOKEN>
|
||||
Content-Type: application/json
|
||||
|
||||
{
|
||||
"model": "speech-2.8-hd",
|
||||
"text": "<texto con pausas <#s#> ya insertadas>",
|
||||
"voice_setting": {"voice_id": "<voice_id de la tabla del §2>", "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=<duración-0.5>: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.
|
||||
@@ -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.
|
||||
|
||||
---
|
||||
|
||||
|
||||
Reference in New Issue
Block a user