mirror of
https://github.com/Jeuners/Logpy-AgentOne.git
synced 2026-09-09 15:02:33 +02:00
0f550be66a
ansage_bauen.sh unterstuetzt jetzt ANSAGE_TTS=mistral neben piper/say -
einmalige Cloud-Erzeugung der ansage.wav (kein Live-Anrufdaten-Transfer,
die fertige Datei wird danach lokal fuer jeden Anruf wiederverwendet).
Inline implementiert statt vom globalen Claude-Skill abhaengig, damit es
auf jeder Maschine mit nur MISTRAL_KEY in der .env laeuft.
Ansage-Text ueberarbeitet ("Demo Praxis", Kollegen im Gespraech, kuerzer
gehalten) und mit gb_oliver_neutral vertont.
Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01PuP3zfgYqhnrwyEne2ejG7
112 lines
4.7 KiB
Bash
Executable file
112 lines
4.7 KiB
Bash
Executable file
#!/bin/bash
|
|
# Erzeugt die Telefonansage aus telefon/ansage.txt.
|
|
# Ergebnis: telefon/ansage.wav in Telefonqualitaet (8 kHz mono, PCM16).
|
|
#
|
|
# Drei Sprachsynthesen:
|
|
# 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)
|
|
#
|
|
# Steuerung ueber Umgebungsvariablen bzw. .env:
|
|
# ANSAGE_TTS=piper|say|mistral
|
|
# 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=$wert"; fi
|
|
done < .env
|
|
fi
|
|
|
|
STIMMEN_ORDNER="${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 "$TTS" in
|
|
piper)
|
|
MODELL="$STIMMEN_ORDNER/$STIMME.onnx"
|
|
[ -f "$MODELL" ] || { echo "Piper-Stimme fehlt: $MODELL" >&2; exit 1; }
|
|
tr '\n' ' ' < telefon/ansage.txt \
|
|
| python3 -m piper -m "$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 "$SAY_STIMME" -r 180 -f telefon/ansage.txt -o "$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="$(tr '\n' ' ' < telefon/ansage.txt)"
|
|
PAYLOAD="$(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"
|