Logpy-AgentOne/telefon/ansage_bauen.sh

#!/bin/bash
# Erzeugt die Telefonansage aus profile/$PROFIL/ansage.txt (Branchen-Profil,
# siehe README).
# Ergebnis: telefon/ansage.wav in Telefonqualitaet (8 kHz mono, PCM16).
#
# Vier Quellen:
#   piper    (Standard, natuerlicher, lokal) - Modelle unter ~/piper-voices
#   say      (macOS-Bordmittel, lokal, Rueckfall wenn Piper fehlt)
#   mistral  (Voxtral-API, Cloud - nur fuer diesen einmaligen Erzeugungslauf;
#             die fertige ansage.wav wird danach lokal fuer jeden Anruf
#             wiederverwendet, es geht dabei keine Patientendaten raus)
#   datei    (echte Aufnahme statt Synthese - profile/$PROFIL/ansage.<ext>,
#             ansage.txt wird dabei nicht gelesen)
#
# Steuerung ueber Umgebungsvariablen bzw. .env:
#   PROFIL=<Ordnername unter profile/, Default "praxis">
#   ANSAGE_TTS=piper|say|mistral|datei
#   ANSAGE_STIMME=<Piper-Modellname, say-Stimme, oder Voxtral-Stimmen-Slug>
#   ANSAGE_EMOTION=<Sprecher-ID, nur bei thorsten_emotional: 0=amused,
#                   1=angry, 2=disgusted, 3=drunk, 4=neutral, 5=sleepy,
#                   6=surprised, 7=whisper>
#   ANSAGE_TEMPO=<1.0 = normal, groesser = langsamer>
#   MISTRAL_KEY=<nur fuer ANSAGE_TTS=mistral>, MISTRAL_TTS_MODEL (optional)
set -euo pipefail
cd "$(dirname "$0")/.."
# .env laden, aber bereits gesetzte Umgebungsvariablen behalten Vorrang -
# sonst lässt sich das Skript nicht mehr für einen Einzellauf umstellen.
if [ -f .env ]; then
  while IFS= read -r zeile || [ -n "$zeile" ]; do
    case "$zeile" in ''|'#'*) continue ;; esac
    schluessel=${zeile%%=*}
    wert=${zeile#*=}
    case "$schluessel" in *[!A-Za-z0-9_]*|'') continue ;; esac
    wert=${wert%\"}; wert=${wert#\"}
    if [ -z "${!schluessel:-}" ]; then export "$schluessel=$wert"; fi
  done < .env
fi

PROFIL="${PROFIL:-praxis}"
ANSAGE_TXT="profile/$PROFIL/ansage.txt"
[ -f "$ANSAGE_TXT" ] || { echo "Ansage-Text fehlt: $ANSAGE_TXT (PROFIL=$PROFIL)" >&2; exit 1; }

STIMMEN_ORDNER="${PIPER_STIMMEN:-$HOME/piper-voices}"
STIMME="${ANSAGE_STIMME:-de_DE-thorsten_emotional-medium}"
EMOTION="${ANSAGE_EMOTION:-0}"
TEMPO="${ANSAGE_TEMPO:-1.0}"

# Backend bestimmen: Piper nur, wenn Paket und Modell wirklich da sind.
TTS="${ANSAGE_TTS:-}"
if [ -z "$TTS" ]; then
  if python3 -c "import piper" 2>/dev/null && [ -f "$STIMMEN_ORDNER/$STIMME.onnx" ]; then
    TTS=piper
  else
    TTS=say
  fi
fi

TMP=$(mktemp -d); trap 'rm -rf "$TMP"' EXIT

case "$TTS" in
  datei)
    # Echte Aufnahme statt Sprachsynthese - profile/$PROFIL/ansage.<ext>
    # (erste gefundene Endung gewinnt). ansage.txt wird in diesem Modus nicht
    # gelesen; sie bleibt trotzdem als Beleg/Backup stehen, was gesagt wird.
    QUELLE=""
    for ext in ogg mp3 wav m4a aiff; do
      if [ -f "profile/$PROFIL/ansage.$ext" ]; then
        QUELLE="profile/$PROFIL/ansage.$ext"
        break
      fi
    done
    [ -n "$QUELLE" ] || {
      echo "Keine Ansage-Audiodatei gefunden (profile/$PROFIL/ansage.{ogg,mp3,wav,m4a,aiff})" >&2
      exit 1
    }
    ffmpeg -v error -y -i "$QUELLE" -ar 8000 -ac 1 "$TMP/sprache.wav"
    BESCHREIBUNG="datei/$QUELLE"
    ;;
  piper)
    MODELL="$STIMMEN_ORDNER/$STIMME.onnx"
    [ -f "$MODELL" ] || { echo "Piper-Stimme fehlt: $MODELL" >&2; exit 1; }
    tr '\n' ' ' < "$ANSAGE_TXT" \
      | python3 -m piper -m "$MODELL" -s "$EMOTION" --length-scale "$TEMPO" \
                -f "$TMP/sprache_roh.wav"
    ffmpeg -v error -y -i "$TMP/sprache_roh.wav" -ar 8000 -ac 1 "$TMP/sprache.wav"
    BESCHREIBUNG="piper/$STIMME (Sprecher $EMOTION)"
    ;;
  say)
    SAY_STIMME="${ANSAGE_STIMME:-Anna}"
    say -v "$SAY_STIMME" -r 180 -f "$ANSAGE_TXT" -o "$TMP/sprache.aiff"
    ffmpeg -v error -y -i "$TMP/sprache.aiff" -ar 8000 -ac 1 "$TMP/sprache.wav"
    BESCHREIBUNG="say/$SAY_STIMME"
    ;;
  mistral)
    MISTRAL_STIMME="${ANSAGE_STIMME:-en_paul_neutral}"
    MISTRAL_MODELL="${MISTRAL_TTS_MODEL:-voxtral-mini-tts-latest}"
    [ -n "${MISTRAL_KEY:-}" ] || { echo "MISTRAL_KEY fehlt (ANSAGE_TTS=mistral)" >&2; exit 1; }
    TEXT="$(tr '\n' ' ' < "$ANSAGE_TXT")"
    PAYLOAD="$(TTS_MODEL="$MISTRAL_MODELL" TTS_VOICE="$MISTRAL_STIMME" python3 -c '
import json, os, sys
print(json.dumps({
    "model": os.environ["TTS_MODEL"],
    "input": sys.argv[1],
    "voice": os.environ["TTS_VOICE"],
    "response_format": "mp3",
}))
' "$TEXT")"
    RESP="$(curl -sf -X POST "https://api.mistral.ai/v1/audio/speech" \
      -H "Authorization: Bearer $MISTRAL_KEY" -H "Content-Type: application/json" \
      -d "$PAYLOAD")" || { echo "Voxtral-API-Aufruf fehlgeschlagen" >&2; exit 1; }
    python3 - "$TMP/sprache.mp3" "$RESP" <<'PYEOF'
import json, base64, sys
ziel, roh = sys.argv[1], sys.argv[2]
b64 = json.loads(roh).get("audio_data")
if not b64:
    print("Keine Audiodaten in der Voxtral-Antwort", file=sys.stderr); sys.exit(1)
open(ziel, "wb").write(base64.b64decode(b64))
PYEOF
    ffmpeg -v error -y -i "$TMP/sprache.mp3" -ar 8000 -ac 1 "$TMP/sprache.wav"
    BESCHREIBUNG="mistral-voxtral/$MISTRAL_STIMME"
    ;;
  *) echo "Unbekanntes TTS-Backend: $TTS" >&2; exit 1 ;;
esac

# Signalton: 1000 Hz, 0,4 s - danach 0,3 s Stille, damit der Anrufer einsetzt.
ffmpeg -v error -y -f lavfi -i "sine=frequency=1000:duration=0.4" \
       -f lavfi -t 0.3 -i anullsrc=r=8000:cl=mono \
       -filter_complex "[0:a][1:a]concat=n=2:v=0:a=1" \
       -ar 8000 -ac 1 "$TMP/ton.wav"

# -3 dB Kopfraum: Piper gibt randvoll aus (max ~0 dB). Verstärkt die Anlage
# oder der Provider noch etwas, verzerrt das auf der Leitung.
ffmpeg -v error -y -i "$TMP/sprache.wav" -i "$TMP/ton.wav" \
       -filter_complex "[0:a][1:a]concat=n=2:v=0:a=1,volume=-3dB" \
       -ar 8000 -ac 1 -c:a pcm_s16le telefon/ansage.wav

DAUER=$(ffprobe -v error -show_entries format=duration -of csv=p=0 telefon/ansage.wav)
printf 'telefon/ansage.wav erzeugt (%.1f s, %s)\n' "$DAUER" "$BESCHREIBUNG"