Lucy-TTS/F5: Skripte + Batches versionieren, schwere Assets ignoriert

- pocket_server.py (Produktions-TTS mit Stimmen-Waechter), text_norm, Bench-/Diag-Skripte - lucy-f5: f5_server/f5_test/bench_dml (DirectML-Experiment, Phase C/D offen) - .gitignore: venvs/Modelle/Audio/Logs der beiden Ordner + box_recon/gemma_swap-Scratch Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
2026-07-02 10:29:33 +02:00
parent aff0105700
commit 09a1c98514
49 changed files with 8231 additions and 0 deletions
@@ -0,0 +1,63 @@
+# -*- coding: utf-8 -*-
+"""Tail-Blip-Killer gegen das End-'taa' (isolierter, leiser Hall nach großer Lücke).
+Verifiziert auf kurz/mittel/lang @ lsd6/t0.9: Blip weg, echte Endungen unangetastet."""
+import os, numpy as np, soundfile as sf, librosa
+from pocket_tts import TTSModel
+
+BASE = r"F:\Coding Stuff\mission-control-2\client\lucy-tts"
+OUT = r"C:\Users\TobisPC\Desktop\lucy_tailfix"; os.makedirs(OUT, exist_ok=True)
+src, _ = librosa.load(os.path.join(BASE, "ref.mp3"), sr=24000, mono=True)
+srt, _ = librosa.effects.trim(src, top_db=30); ref = os.path.join(BASE, "ref.wav")
+sf.write(ref, srt[:int(18*24000)], 24000)
+
+SENT = {
+ "kurz":  "Hallo Commander, ich höre dich.",
+ "mittel":"Guten Morgen, Commander. Das Backup ist sauber durchgelaufen und es gab keine Fehler.",
+ "lang":  "Natürlich kümmere ich mich darum, Commander. Ich starte den Dienst neu, prüfe die Protokolle und melde mich, sobald alles wieder läuft.",
+}
+
+def drop_tail_blip(a, sr):
+    """Entferne isolierten, leisen/kurzen Schwanz-Blip (Modell-Halluzination)."""
+    for _ in range(3):  # bis zu 3 Blips hintereinander
+        iv = librosa.effects.split(a, top_db=35)
+        if len(iv) < 2:
+            break
+        speech_rms = float(np.median([np.sqrt(np.mean(a[s:e]**2)) for s, e in iv[:-1]]))
+        s, e = iv[-1]
+        last_dur = (e - s) / sr
+        last_rms = float(np.sqrt(np.mean(a[s:e]**2)))
+        gap = (s - iv[-2][1]) / sr
+        # isoliert (große Lücke) UND (kurz ODER deutlich leiser als Sprache) -> Halluzination
+        if gap > 0.30 and (last_dur < 0.30 or last_rms < 0.45 * speech_rms):
+            a = a[: iv[-2][1]]
+        else:
+            break
+    return a
+
+def cleanup_v3(a, sr):
+    a = np.asarray(a, dtype=np.float32).reshape(-1)
+    if a.size == 0: return a
+    a = drop_tail_blip(a, sr)                      # NEU: End-'taa' weg
+    peak = float(np.max(np.abs(a)))
+    if peak > 0: a = a * (0.95 / peak)
+    yt, _ = librosa.effects.trim(a, top_db=45); a = yt if yt.size else a
+    fi = min(int(0.01*sr), a.size//2)
+    if fi > 0:
+        a[:fi] *= np.linspace(0.,1.,fi,dtype=np.float32); a[-fi:] *= np.linspace(1.,0.,fi,dtype=np.float32)
+    pad = np.zeros(int(0.09*sr), dtype=np.float32)
+    return np.concatenate([pad, a, pad])
+
+m = TTSModel.load_model(language="german_24l", lsd_decode_steps=6, temp=0.9)
+vs = m.get_state_for_audio_prompt(ref); sr = m.sample_rate
+for name, text in SENT.items():
+    raw = m.generate_audio(vs, text, frames_after_eos=4)
+    raw = raw.numpy() if hasattr(raw,"numpy") else np.asarray(raw)
+    raw = np.asarray(raw, dtype=np.float32).reshape(-1)
+    fixed = cleanup_v3(raw, sr)
+    sf.write(os.path.join(OUT, f"t090_{name}.wav"), fixed, sr)
+    # Verifikations-Log: letzte Segmente vorher/nachher
+    iv0 = librosa.effects.split(raw, top_db=35)
+    print(f"[{name:6}] raw_dur={raw.size/sr:.2f}s -> fixed_dur={fixed.size/sr:.2f}s  raw_segmente={len(iv0)}", flush=True)
+    if len(iv0):
+        s,e = iv0[-1]; print(f"         raw letztes Segment: {s/sr:.2f}..{e/sr:.2f}s rms={np.sqrt(np.mean(raw[s:e]**2)):.3f}", flush=True)
+print("TAILFIX_DONE", flush=True)