Omnivoice_vi

README.md

@@ -34,23 +34,22 @@ Mỗi giọng gồm `profile.json`, `voice.pt` (prompt cache), audio mẫu và `
 
 ## Chạy trên Colab
 
-1. **Lồng tiếng SRT:** mở `colab/Omivoice_VI_Colab.ipynb`
-2. **Clone giọng mới:** mở `colab/Omivoice_VI_Clone_Colab.ipynb`
-3. Đặt `HF_REPO = "<repo-này>"`
-4. Runtime → GPU → chạy từng cell
+1. Mở notebook `colab/Omivoice_VI_Colab.ipynb`
+2. Đặt `HF_REPO = "<repo-này>"`
+3. Runtime → GPU → chạy từng cell
 
 ## Cấu trúc
 
 ```
 ├── voices/<slug>/     # profile + voice.pt + ref audio
 ├── tools/speak.py     # TTS + SRT pipeline
-└── colab/             # Notebook Colab (SRT + Clone)
+└── colab/             # Notebook Colab
 ```
 
 ## SRT merge modes
 
-- **`native`** (mặc định, khuyến nghị): native ≤cap → dùng gap tới cue sau → stretch ≤x1.1 → chồng nhẹ đuôi (crossfade). **Không đẩy timestamp SRT** — mỗi cue neo đúng `start` gốc. Rút gọn câu: tự sửa trên file SRT.
-- **`cascade`**: giữ tốc độ tự nhiên, cue dài đẩy cue sau (lệch timeline)
+- **`native`** (mặc định): model nói nhanh native, tràn vào khoảng trống sau cue, không cắt ngắt
+- **`cascade`**: giữ tốc độ tự nhiên, cue dài đẩy cue sau
 - **`fit`**: kéo nén tín hiệu vừa khung SRT
 - **`strict`**: ghép theo timestamp (có thể cắt audio)
 

colab/Omivoice_VI_Clone_Colab.ipynb

@@ -1,505 +0,0 @@
-{
-  "nbformat": 4,
-  "nbformat_minor": 5,
-  "metadata": {
-    "kernelspec": {
-      "display_name": "Python 3",
-      "language": "python",
-      "name": "python3"
-    },
-    "language_info": {
-      "name": "python",
-      "version": "3.10.0"
-    },
-    "accelerator": "GPU",
-    "colab": {
-      "provenance": [],
-      "gpuType": "L4"
-    }
-  },
-  "cells": [
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "# OmniVoice — Clone giọng tiếng Việt trên Colab\n",
-        "\n",
-        "Notebook **tạo voice profile** (`voice.pt`) từ audio mẫu trên Google Drive, cùng stack với [Omivoice_VI_Colab.ipynb](Omivoice_VI_Colab.ipynb).\n",
-        "\n",
-        "**Luồng Drive:**\n",
-        "1. Đặt file audio mẫu vào **`MyDrive/Omivoice/`** (vd. `0709.WAV`)\n",
-        "2. Cấu hình slug / đoạn cắt / transcript ở **mục 0**\n",
-        "3. Chạy notebook → ghi `voices/<slug>/` lên Drive (`ref.wav`, `ref_text.txt`, `profile.json`, `voice.pt`)\n",
-        "\n",
-        "**Quan trọng:** cắt audio **đủ hết câu** (đừng cắt giữa câu — dễ hụt chữ/hụt âm khi clone).\n",
-        "\n",
-        "**Yêu cầu:** Runtime **GPU L4** (Runtime → Change runtime type → L4)."
-      ],
-      "id": "md_intro"
-    },
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "## 0. Cấu hình"
-      ],
-      "id": "md_cfg"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "# Hugging Face (tools/speak.py + giọng mẫu nếu cần)\n",
-        "HF_REPO = \"STBack23/omnivoice-vi\"\n",
-        "\n",
-        "# Google Drive — MyDrive/Omivoice/\n",
-        "DRIVE_FOLDER = \"Omivoice\"\n",
-        "SRC_AUDIO = \"0709.WAV\"   # file audio mẫu trong MyDrive/Omivoice/\n",
-        "\n",
-        "# Giọng mới\n",
-        "VOICE_SLUG = \"injoyreel\"   # thư mục voices/<slug>/\n",
-        "VOICE_NAME = \"InjoyReel\"\n",
-        "LANGUAGE = \"Vietnamese\"\n",
-        "\n",
-        "# Cắt đoạn mẫu (giây) — PHẢI đủ hết câu\n",
-        "# Ví dụ InjoyReel: câu dẫn chuyện cue 1–8 → ~0.13 đến ~13.93\n",
-        "CUT_START = 0.130\n",
-        "CUT_END = 13.929\n",
-        "\n",
-        "# Transcript khớp đúng đoạn cắt (bắt buộc nếu AUTO_TRANSCRIBE=False)\n",
-        "REF_TEXT = (\n",
-        "    \"Hôm nay tập đoàn Hoắc thị tổ chức tiệc đón người thừa kế trở về tại dinh thự. \"\n",
-        "    \"Được biết người thừa kế bí ẩn này Hoắc Cảnh Chu chưa từng xuất hiện trước công chúng bao giờ. \"\n",
-        "    \"Sự trở về đề phô trương này không biết có phải mang ý nghĩa ảnh đã nắm toàn quyền phát ngôn của tập đoàn không.\"\n",
-        ")\n",
-        "\n",
-        "# True = Whisper tự nhận transcript (bỏ REF_TEXT). False = dùng REF_TEXT.\n",
-        "AUTO_TRANSCRIBE = False\n",
-        "\n",
-        "# True = model tự bỏ silence khi build. False = giữ nguyên đoạn đã cắt tay.\n",
-        "PREPROCESS_PROMPT = False\n",
-        "\n",
-        "# Test nhanh sau khi clone\n",
-        "TEST_TEXT = REF_TEXT\n",
-        "RUN_TEST = True"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "cfg"
-    },
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "## 1. Kiểm tra GPU & cài đặt"
-      ],
-      "id": "md_gpu"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "import torch\n",
-        "\n",
-        "assert torch.cuda.is_available(), (\n",
-        "    \"Bật GPU L4: Runtime → Change runtime type → Hardware accelerator → L4\"\n",
-        ")\n",
-        "gpu = torch.cuda.get_device_name(0)\n",
-        "print(f\"GPU: {gpu}\")\n",
-        "if \"L4\" not in gpu.upper():\n",
-        "    print(\n",
-        "        f\"⚠ Đang dùng {gpu}, không phải L4 — đổi runtime sang L4 để nhanh hơn.\"\n",
-        "    )"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "gpu"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "# Tắt XET — thường gây treo download ~89% trên Colab.\n",
-        "# PHẢI chạy cell này TRƯỚC mọi `from huggingface_hub import ...`\n",
-        "import os\n",
-        "\n",
-        "os.environ[\"HF_HUB_DISABLE_XET\"] = \"1\"\n",
-        "os.environ[\"HF_HUB_DOWNLOAD_TIMEOUT\"] = \"300\"\n",
-        "\n",
-        "print(\"HF: HF_HUB_DISABLE_XET=1, timeout 300s\")"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "xet"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "!pip install -q omnivoice audiotsm huggingface_hub soundfile librosa"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "pip"
-    },
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "### Repo private — đăng nhập Hugging Face (một lần)\n",
-        "\n",
-        "1. Tạo token **Read** tại [hf.co/settings/tokens](https://huggingface.co/settings/tokens)\n",
-        "2. Colab → **🔑 Khóa bí mật** (Manage secrets) → thêm tên `HF_TOKEN`, dán token → **Lưu**\n",
-        "3. Chỉ cần làm **một lần** — các lần chạy sau notebook tự lấy token"
-      ],
-      "id": "md_hf_login"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "from huggingface_hub import login\n",
-        "from google.colab import userdata\n",
-        "\n",
-        "try:\n",
-        "    token = userdata.get(\"HF_TOKEN\")\n",
-        "except userdata.SecretNotFoundError as e:\n",
-        "    raise RuntimeError(\n",
-        "        \"Chưa có khóa bí mật HF_TOKEN.\\n\"\n",
-        "        \"Colab → 🔑 Khóa bí mật → Thêm secret tên HF_TOKEN \"\n",
-        "        \"(token Read từ hf.co/settings/tokens).\\n\"\n",
-        "        \"Lưu một lần, lần sau không cần nhập lại.\"\n",
-        "    ) from e\n",
-        "\n",
-        "if not token or not str(token).strip():\n",
-        "    raise RuntimeError(\"HF_TOKEN trong Khóa bí mật đang trống — hãy cập nhật lại.\")\n",
-        "\n",
-        "login(token.strip())\n",
-        "print(\"Đã login Hugging Face (HF_TOKEN từ Khóa bí mật)\")"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "hf_login"
-    },
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "## 2. Tải công cụ từ Hugging Face"
-      ],
-      "id": "md_tools"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "from pathlib import Path\n",
-        "from huggingface_hub import snapshot_download\n",
-        "\n",
-        "ROOT = Path(\n",
-        "    snapshot_download(HF_REPO, repo_type=\"dataset\", local_dir=\"/content/omnivoice-vi\")\n",
-        ")\n",
-        "print(f\"Đã tải: {ROOT}\")\n",
-        "print(\"Giọng có sẵn:\", [p.parent.name for p in sorted((ROOT / \"voices\").glob(\"*/profile.json\"))])"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "hf_dl"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "import importlib.util\n",
-        "import sys\n",
-        "\n",
-        "speak_path = ROOT / \"tools\" / \"speak.py\"\n",
-        "spec = importlib.util.spec_from_file_location(\"speak\", speak_path)\n",
-        "speak = importlib.util.module_from_spec(spec)\n",
-        "sys.modules[\"speak\"] = speak\n",
-        "spec.loader.exec_module(speak)\n",
-        "print(\"Đã load speak.py\")"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "load_speak"
-    },
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "## 3. Tải & nạp model (~3–8 phút lần đầu)\n",
-        "\n",
-        "Lần đầu tải **~3.3 GB**. Treo ở ~89% → **Runtime → Restart session**, chạy lại từ **mục 1** (cell tắt XET phải chạy trước login HF)."
-      ],
-      "id": "md_model"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "from huggingface_hub import hf_hub_download\n",
-        "\n",
-        "OMNI_MODEL = \"k2-fsa/OmniVoice\"\n",
-        "\n",
-        "for relpath, label in [\n",
-        "    (\"model.safetensors\", \"LLM ~2.4 GB\"),\n",
-        "    (\"audio_tokenizer/model.safetensors\", \"Audio tokenizer ~770 MB\"),\n",
-        "]:\n",
-        "    print(f\"\\n>>> {label}\")\n",
-        "    path = hf_hub_download(OMNI_MODEL, relpath)\n",
-        "    print(f\"    OK: {path}\")\n",
-        "\n",
-        "for relpath in (\n",
-        "    \"config.json\",\n",
-        "    \"tokenizer.json\",\n",
-        "    \"tokenizer_config.json\",\n",
-        "    \"chat_template.jinja\",\n",
-        "    \"audio_tokenizer/config.json\",\n",
-        "    \"audio_tokenizer/preprocessor_config.json\",\n",
-        "):\n",
-        "    hf_hub_download(OMNI_MODEL, relpath)\n",
-        "\n",
-        "print(\"\\n✓ Model k2-fsa/OmniVoice đã cache xong.\")"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "model_cache"
-    },
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "## 4. Mount Drive & cắt audio mẫu\n",
-        "\n",
-        "Đặt file audio vào **`MyDrive/Omivoice/`**. Notebook cắt đoạn `[CUT_START, CUT_END]` rồi ghi profile lên Drive."
-      ],
-      "id": "md_drive"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "import json\n",
-        "import re\n",
-        "import numpy as np\n",
-        "import soundfile as sf\n",
-        "from google.colab import drive\n",
-        "\n",
-        "drive.mount(\"/content/drive\")\n",
-        "\n",
-        "DRIVE_OMIVOICE = Path(\"/content/drive/MyDrive\") / DRIVE_FOLDER\n",
-        "DRIVE_OMIVOICE.mkdir(parents=True, exist_ok=True)\n",
-        "\n",
-        "SRC_PATH = DRIVE_OMIVOICE / SRC_AUDIO\n",
-        "if not SRC_PATH.exists():\n",
-        "    existing = sorted(\n",
-        "        list(DRIVE_OMIVOICE.glob(\"*.wav\"))\n",
-        "        + list(DRIVE_OMIVOICE.glob(\"*.WAV\"))\n",
-        "        + list(DRIVE_OMIVOICE.glob(\"*.mp3\"))\n",
-        "    )\n",
-        "    hint = \"\\n  \".join(p.name for p in existing) if existing else \"(chưa có audio)\"\n",
-        "    raise FileNotFoundError(\n",
-        "        f\"Không thấy {SRC_PATH}\\n\"\n",
-        "        f\"Đặt file vào MyDrive/{DRIVE_FOLDER}/ hoặc sửa SRC_AUDIO.\\n\"\n",
-        "        f\"Các file audio hiện có:\\n  {hint}\"\n",
-        "    )\n",
-        "\n",
-        "slug = re.sub(r\"[^a-z0-9_]+\", \"_\", VOICE_SLUG.strip().lower()).strip(\"_\")\n",
-        "if not slug:\n",
-        "    raise ValueError(\"VOICE_SLUG không hợp lệ\")\n",
-        "\n",
-        "VOICE_DIR = DRIVE_OMIVOICE / \"voices\" / slug\n",
-        "VOICE_DIR.mkdir(parents=True, exist_ok=True)\n",
-        "\n",
-        "if CUT_END <= CUT_START:\n",
-        "    raise ValueError(f\"CUT_END ({CUT_END}) phải > CUT_START ({CUT_START})\")\n",
-        "\n",
-        "audio, sr = sf.read(str(SRC_PATH), always_2d=False)\n",
-        "if getattr(audio, \"ndim\", 1) > 1:\n",
-        "    audio = audio.mean(axis=1)\n",
-        "audio = np.asarray(audio, dtype=np.float32)\n",
-        "\n",
-        "dur = len(audio) / sr\n",
-        "if CUT_END > dur:\n",
-        "    raise ValueError(f\"CUT_END={CUT_END}s vượt độ dài audio ({dur:.2f}s)\")\n",
-        "\n",
-        "seg = audio[int(CUT_START * sr) : int(CUT_END * sr)].copy()\n",
-        "ref_wav = VOICE_DIR / \"ref.wav\"\n",
-        "sf.write(str(ref_wav), seg, sr)\n",
-        "\n",
-        "ref_text = (REF_TEXT or \"\").strip()\n",
-        "if not AUTO_TRANSCRIBE:\n",
-        "    if not ref_text:\n",
-        "        raise ValueError(\"REF_TEXT trống — điền transcript hoặc bật AUTO_TRANSCRIBE=True\")\n",
-        "    (VOICE_DIR / \"ref_text.txt\").write_text(ref_text, encoding=\"utf-8\")\n",
-        "\n",
-        "profile = {\n",
-        "    \"name\": VOICE_NAME.strip() or slug,\n",
-        "    \"language\": LANGUAGE,\n",
-        "    \"ref_audio\": \"ref.wav\",\n",
-        "    \"ref_text_file\": \"ref_text.txt\",\n",
-        "    \"voice_prompt\": \"voice.pt\",\n",
-        "    \"model\": \"k2-fsa/OmniVoice\",\n",
-        "    \"device\": \"cuda:0\",\n",
-        "    \"preprocess_prompt\": bool(PREPROCESS_PROMPT),\n",
-        "    \"auto_transcribe\": bool(AUTO_TRANSCRIBE),\n",
-        "}\n",
-        "profile_path = VOICE_DIR / \"profile.json\"\n",
-        "profile_path.write_text(\n",
-        "    json.dumps(profile, ensure_ascii=False, indent=2) + \"\\n\", encoding=\"utf-8\"\n",
-        ")\n",
-        "\n",
-        "print(f\"Drive:     {DRIVE_OMIVOICE}\")\n",
-        "print(f\"SRC:       {SRC_PATH} ({dur:.2f}s)\")\n",
-        "print(f\"Cut:       {CUT_START:.3f}s → {CUT_END:.3f}s ({len(seg)/sr:.2f}s)\")\n",
-        "print(f\"Voice dir: {VOICE_DIR}\")\n",
-        "print(f\"ref.wav:   {ref_wav}\")\n",
-        "print(f\"profile:   {profile_path}\")\n",
-        "if not AUTO_TRANSCRIBE:\n",
-        "    print(f\"ref_text:  {ref_text[:80]}...\")"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "cut_audio"
-    },
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "## 5. Build `voice.pt`\n",
-        "\n",
-        "Tạo prompt clone và lưu lên Drive. Có thể nghe thử ngay sau đó."
-      ],
-      "id": "md_build"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "from IPython.display import Audio, display\n",
-        "\n",
-        "PROFILE = speak.load_profile(profile_path)\n",
-        "MODEL = speak.load_model(PROFILE)\n",
-        "\n",
-        "voice_pt = Path(PROFILE[\"voice_prompt_path\"])\n",
-        "if voice_pt.exists():\n",
-        "    voice_pt.unlink()\n",
-        "    print(f\"Đã xóa voice.pt cũ: {voice_pt}\")\n",
-        "\n",
-        "print(\"Đang tạo voice.pt ...\")\n",
-        "PROMPT = speak.build_voice_prompt(MODEL, PROFILE)\n",
-        "speak.save_voice_prompt(PROMPT, voice_pt)\n",
-        "\n",
-        "print(f\"✓ Đã lưu: {voice_pt}\")\n",
-        "print(f\"  ref_text trong prompt: {PROMPT.ref_text[:100]}...\")\n",
-        "print(f\"  tokens: {tuple(PROMPT.ref_audio_tokens.shape)}\")\n",
-        "\n",
-        "display(Audio(str(VOICE_DIR / \"ref.wav\")))"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "build_voice"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "if RUN_TEST:\n",
-        "    test_text = (TEST_TEXT or REF_TEXT or \"Xin chào, đây là giọng mới.\").strip()\n",
-        "    out_wav = DRIVE_OMIVOICE / f\"test_clone_{slug}.wav\"\n",
-        "    print(f\"Test TTS: {test_text[:80]}...\")\n",
-        "    audio = speak.synthesize(\n",
-        "        MODEL,\n",
-        "        PROMPT,\n",
-        "        test_text,\n",
-        "        PROFILE[\"language\"],\n",
-        "        num_step=32,\n",
-        "    )\n",
-        "    sf.write(str(out_wav), audio, MODEL.sampling_rate)\n",
-        "    print(f\"✓ Test WAV: {out_wav}\")\n",
-        "    display(Audio(str(out_wav)))\n",
-        "else:\n",
-        "    print(\"Bỏ qua test (RUN_TEST=False)\")"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "test_tts"
-    },
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "## 6. Tóm tắt & tải về máy local\n",
-        "\n",
-        "Trên Drive đã có:\n",
-        "\n",
-        "```\n",
-        "MyDrive/Omivoice/voices/<slug>/\n",
-        "  profile.json\n",
-        "  ref.wav\n",
-        "  ref_text.txt\n",
-        "  voice.pt\n",
-        "```\n",
-        "\n",
-        "Copy cả thư mục về máy local `Omivoice/voices/<slug>/`, rồi dùng:\n",
-        "\n",
-        "```powershell\n",
-        ".\\speak.ps1 srt-merge \"input.srt\" -Voice injoyreel\n",
-        "```\n",
-        "\n",
-        "Hoặc chạy notebook lồng tiếng `Omivoice_VI_Colab.ipynb` với `DEFAULT_VOICE = \"injoyreel\"` (sau khi upload giọng lên HF hoặc copy vào dataset)."
-      ],
-      "id": "md_summary"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "print(\"=== Clone xong ===\")\n",
-        "for p in sorted(VOICE_DIR.iterdir()):\n",
-        "    print(f\"  {p.name:16s} {p.stat().st_size:>10,} bytes\")\n",
-        "print(f\"\\nThư mục Drive: {VOICE_DIR}\")"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "summary"
-    },
-    {
-      "cell_type": "markdown",
-      "metadata": {},
-      "source": [
-        "## 7. Giải phóng VRAM & tắt runtime\n",
-        "\n",
-        "Giải phóng bộ nhớ GPU rồi **ngắt session Colab**. Chạy cell này sau khi clone xong."
-      ],
-      "id": "md_unload"
-    },
-    {
-      "cell_type": "code",
-      "metadata": {},
-      "source": [
-        "import gc\n",
-        "import torch\n",
-        "from google.colab import runtime\n",
-        "\n",
-        "try:\n",
-        "    del MODEL, PROMPT, PROFILE, audio\n",
-        "except NameError:\n",
-        "    pass\n",
-        "\n",
-        "gc.collect()\n",
-        "if torch.cuda.is_available():\n",
-        "    torch.cuda.empty_cache()\n",
-        "    torch.cuda.ipc_collect()\n",
-        "\n",
-        "print(\"Đã giải phóng VRAM\")\n",
-        "print(\"Đang tắt runtime Colab...\")\n",
-        "runtime.unassign()"
-      ],
-      "execution_count": null,
-      "outputs": [],
-      "id": "unload"
-    }
-  ]
-}

colab/Omivoice_VI_Colab.ipynb

@@ -8,13 +8,6 @@
         "\n",
         "Notebook chạy [OmniVoice](https://huggingface.co/k2-fsa/OmniVoice) với pipeline **SRT lồng tiếng** (`native`).\n",
         "\n",
-        "**Mode `native` (khuyến nghị):**\n",
-        "1. Model nói nhanh native ≤ `NATIVE_SPEED_CAP` (giữ nhấn nhá)\n",
-        "2. Dùng hết khoảng lặng tới cue sau\n",
-        "3. Stretch nhẹ ≤ x1.1 nếu còn lệch nhỏ\n",
-        "4. Phần dư chồng nhẹ vào đầu cue sau (crossfade) — **không đẩy timestamp SRT**\n",
-        "5. Rút gọn câu: tự sửa trên file SRT (hệ thống không tự rewrite)\n",
-        "\n",
         "**Luồng Drive:**\n",
         "1. Cấu hình giọng + tên file SRT ở **mục 0**\n",
         "2. Đặt file `.srt` vào **`MyDrive/Omivoice/`** (tên = `SRT_FILE` + `.srt`, vd. `input` → `input.srt`)\n",
@@ -46,8 +39,6 @@
         "# Giọng: ban_mai | lan_trinh | ngan_ha | ngoc_huyen | thao_trinh | tuong_vy\n",
         "DEFAULT_VOICE = \"tuong_vy\"\n",
         "MERGE_MODE = \"native\"  # native | cascade | fit | strict\n",
-        "# native: trần tốc độ nói lúc sinh (2.0 = tối đa gấp đôi). Cao hơn = chắc đủ chữ, dễ nhanh.\n",
-        "NATIVE_SPEED_CAP = 2.0\n",
         "NUM_STEP = 32"
       ],
       "execution_count": null,
@@ -323,7 +314,6 @@
         "    merge=True,\n",
         "    merge_output=MERGE_OUT,\n",
         "    merge_mode=MERGE_MODE,\n",
-        "    native_speed_cap=NATIVE_SPEED_CAP,\n",
         "    num_step=NUM_STEP,\n",
         "    model=MODEL,\n",
         "    prompt=PROMPT,\n",
@@ -345,10 +335,7 @@
         "print(\n",
         "    f\"Thống kê: {stats.get('generated', 0)} cue mới, \"\n",
         "    f\"{stats.get('skipped', 0)} bỏ qua, \"\n",
-        "    f\"{stats.get('speed_fitted', 0)} native, \"\n",
-        "    f\"{stats.get('stretch', 0)} stretch, \"\n",
-        "    f\"{stats.get('cascade_soft', 0)} chồng nhẹ, \"\n",
-        "    f\"{stats.get('overflow', 0)} tràn >50ms\"\n",
+        "    f\"{stats.get('overflow', 0)} tràn\"\n",
         ")"
       ],
       "execution_count": null,

tools/speak.py

@@ -35,11 +35,6 @@ DEFAULT_PROFILE = VOICES_DIR / DEFAULT_VOICE_SLUG / "profile.json"
 # Greedy khiến ngữ điệu phẳng, "máy móc"; 0.4 cho nhấn nhá vừa phải, ổn định.
 DEFAULT_CLASS_TEMPERATURE = 0.4
 DEFAULT_GUIDANCE_SCALE = 2.0
-# Industry ladder: native TTS → spill gap → stretch nhẹ → chồng nhẹ (không đẩy SRT).
-# Stretch >~1.1–1.15 dễ làm giọng kém tự nhiên (WSOLA vẫn méo nhẹ).
-# Rút gọn text: người dùng tự chỉnh SRT — hệ thống không tự rewrite.
-LIGHT_STRETCH_CAP = 1.1
-NATIVE_MARGIN_SEC = 0.05
 
 
 @dataclass
@@ -392,84 +387,41 @@ def plan_native_placements(
     cues: List[SrtCue],
     segments: List[np.ndarray],
     sample_rate: int,
-    light_stretch_cap: float = LIGHT_STRETCH_CAP,
-    min_gap_sec: float = 0.05,
-) -> tuple[List[dict], List[np.ndarray]]:
-    """Ladder hậu kỳ sau native TTS: gap → stretch nhẹ → chồng nhẹ (không đẩy).
-
-    Neo cứng mỗi cue đúng ``cue.start_sec`` SRT — timestamp đầu không bao giờ
-    lệch/cộng dồn. Nếu vẫn dài hơn room tới cue sau:
-    1) dùng khoảng lặng (gap) tới cue kế
-    2) stretch nhẹ ≤ light_stretch_cap (WSOLA)
-    3) phần dư chồng nhẹ vào đầu cue sau (crossfade lúc merge), KHÔNG đẩy
-       ``actual_start`` của cue sau → tránh lệch timeline.
+) -> List[dict]:
+    """Neo cứng mỗi cue đúng mốc SRT gốc — lỗi lệch KHÔNG bao giờ cộng dồn.
+
+    Kiểu lồng tiếng chuyên nghiệp: câu dài hơn khung đã được nói nhanh native
+    vừa đủ chứa hết chữ (xử lý lúc sinh audio), nên ở đây chỉ cần đặt từng câu
+    đúng vị trí thời gian của nó. Mỗi câu độc lập theo mốc SRT, câu này không
+    đẩy câu kia → đồng bộ tiếng/hình ổn định suốt video.
     """
     placements: List[dict] = []
-    fitted: List[np.ndarray] = []
     n = len(cues)
 
     for i, (cue, audio) in enumerate(zip(cues, segments)):
-        audio = np.asarray(audio, dtype=np.float32).reshape(-1)
         audio_sec = len(audio) / sample_rate
-        # Cố định mốc đầu = SRT gốc — không dùng cursor đẩy.
-        start = cue.start_sec
-
-        if i + 1 < n:
-            room_sec = max(min_gap_sec, cues[i + 1].start_sec - start)
-        else:
-            room_sec = max(audio_sec, cue.end_sec - start)
-
-        stretch_factor = 1.0
-        stretch_applied = False
-        soft_overlap = False
-
-        if audio_sec > room_sec + 1e-3:
-            required = audio_sec / room_sec
-            if required <= light_stretch_cap + 1e-6:
-                stretch_factor = required
-                audio = time_stretch_speech(audio, stretch_factor)
-                target = int(round(room_sec * sample_rate))
-                if len(audio) > target:
-                    audio = audio[:target]
-                stretch_applied = True
-            else:
-                # Stretch nhẹ tối đa; phần dư chồng vào cue sau (không đẩy).
-                stretch_factor = light_stretch_cap
-                audio = time_stretch_speech(audio, stretch_factor)
-                stretch_applied = True
-
-        seg_sec = len(audio) / sample_rate
-        actual_end = start + seg_sec
+        actual_start = cue.start_sec
+        actual_end = actual_start + audio_sec
         next_start = cues[i + 1].start_sec if i + 1 < n else actual_end
         overflow = max(0.0, actual_end - next_start)
-        soft_overlap = overflow > 0.05
 
         placements.append(
             {
-                "actual_start_sec": round(start, 3),
+                "actual_start_sec": round(actual_start, 3),
                 "actual_end_sec": round(actual_end, 3),
                 "overflow_sec": round(overflow, 3),
                 "pushed_by_previous": False,
-                "light_stretch_factor": round(stretch_factor, 3),
-                "light_stretch_applied": stretch_applied,
-                "soft_cascade": soft_overlap,
             }
         )
-        fitted.append(audio)
-
-        if stretch_applied or soft_overlap:
+        if overflow > 0.05:
             logging.info(
-                "Cue %s smart: %.2fs room=%.2fs stretch=x%.2f overlap=%s "
-                "(start cố định %.3fs)",
+                "Cue %s: vẫn vượt khung %.2fs sau khi tăng tốc (cân nhắc tăng "
+                "--native-speed-cap để chứa hết chữ)",
                 cue.index,
-                audio_sec,
-                room_sec,
-                stretch_factor,
-                soft_overlap,
-                start,
+                overflow,
             )
 
-    return placements, fitted
+    return placements
 
 
 def write_shifted_srt(
@@ -498,44 +450,32 @@ def write_manifest(
     rows = []
     for cue, wav, fit_meta in zip(cues, wav_paths, fit_metas):
         slot_sec = max(0.0, cue.end_sec - cue.start_sec)
-        row = {
-            "index": cue.index,
-            "start_sec": cue.start_sec,
-            "end_sec": cue.end_sec,
-            "slot_sec": round(slot_sec, 3),
-            "actual_start_sec": fit_meta.get("actual_start_sec"),
-            "actual_end_sec": fit_meta.get("actual_end_sec"),
-            "overflow_sec": fit_meta.get("overflow_sec", 0.0),
-            "pushed_by_previous": fit_meta.get("pushed_by_previous", False),
-            "fit_applied": fit_meta.get("fit_applied", False),
-            "fit_speed_factor": fit_meta.get("fit_speed_factor", 1.0),
-            "generated_sec": fit_meta.get("generated_sec"),
-            "audio_sec": fit_meta.get("audio_sec"),
-            "required_speed_factor": fit_meta.get("required_speed_factor", 1.0),
-            "speed_factor": fit_meta.get("speed_factor", 1.0),
-            "speed_mode": fit_meta.get("speed_mode"),
-            "gentle_threshold": fit_meta.get("gentle_threshold"),
-            "speed_fitted": fit_meta.get("speed_fitted", False),
-            "speed_skipped": fit_meta.get("speed_skipped", False),
-            "speed_skip_reason": fit_meta.get("speed_skip_reason"),
-            "text": cue.text,
-            "wav": str(wav),
-            "wav_relative": wav.name,
-        }
-        # Smart ladder metadata (nếu có).
-        for key in (
-            "natural_sec",
-            "budget_sec",
-            "native_duration_sec",
-            "native_speed_factor",
-            "native_capped",
-            "light_stretch_factor",
-            "light_stretch_applied",
-            "soft_cascade",
-        ):
-            if key in fit_meta:
-                row[key] = fit_meta[key]
-        rows.append(row)
+        rows.append(
+            {
+                "index": cue.index,
+                "start_sec": cue.start_sec,
+                "end_sec": cue.end_sec,
+                "slot_sec": round(slot_sec, 3),
+                "actual_start_sec": fit_meta.get("actual_start_sec"),
+                "actual_end_sec": fit_meta.get("actual_end_sec"),
+                "overflow_sec": fit_meta.get("overflow_sec", 0.0),
+                "pushed_by_previous": fit_meta.get("pushed_by_previous", False),
+                "fit_applied": fit_meta.get("fit_applied", False),
+                "fit_speed_factor": fit_meta.get("fit_speed_factor", 1.0),
+                "generated_sec": fit_meta.get("generated_sec"),
+                "audio_sec": fit_meta.get("audio_sec"),
+                "required_speed_factor": fit_meta.get("required_speed_factor", 1.0),
+                "speed_factor": fit_meta.get("speed_factor", 1.0),
+                "speed_mode": fit_meta.get("speed_mode"),
+                "gentle_threshold": fit_meta.get("gentle_threshold"),
+                "speed_fitted": fit_meta.get("speed_fitted", False),
+                "speed_skipped": fit_meta.get("speed_skipped", False),
+                "speed_skip_reason": fit_meta.get("speed_skip_reason"),
+                "text": cue.text,
+                "wav": str(wav),
+                "wav_relative": wav.name,
+            }
+        )
     payload = {
         "voice": profile.get("name", profile["slug"]),
         "voice_slug": profile["slug"],
@@ -570,43 +510,17 @@ def merge_timeline_cascade(
     audio_segments: List[np.ndarray],
     sample_rate: int,
     tail_sec: float = 0.5,
-    crossfade_sec: float = 0.08,
 ) -> np.ndarray:
-    """Ghép timeline; vùng chồng cue dùng crossfade để tránh mất chữ cuối.
-
-    Native/cascade đôi khi để đuôi cue trước tràn nhẹ vào mốc cue sau. Ghi đè
-    cứng sẽ cắt âm tiết cuối; crossfade ngắn giữ đuôi cũ và hòa vào câu mới.
-    """
     if not placements:
         raise ValueError("Không có cue SRT để gộp.")
     total_sec = placements[-1]["actual_end_sec"] + tail_sec
     merged = np.zeros(int(total_sec * sample_rate), dtype=np.float32)
-    fade_n = max(1, int(round(crossfade_sec * sample_rate)))
-
     for placement, audio in zip(placements, audio_segments):
-        audio = np.asarray(audio, dtype=np.float32).reshape(-1)
         start = int(placement["actual_start_sec"] * sample_rate)
         end = start + len(audio)
         if end > len(merged):
             merged = np.pad(merged, (0, end - len(merged)))
-
-        # Phần đã có tiếng (đuôi cue trước) → crossfade với đầu cue mới.
-        existing = merged[start:end]
-        occupied = np.flatnonzero(np.abs(existing) > 1e-5)
-        if occupied.size > 0:
-            overlap = int(occupied[-1]) + 1
-            overlap = min(overlap, len(audio), fade_n)
-            if overlap > 0:
-                fade_out = np.linspace(1.0, 0.0, overlap, dtype=np.float32)
-                fade_in = np.linspace(0.0, 1.0, overlap, dtype=np.float32)
-                mixed = existing[:overlap] * fade_out + audio[:overlap] * fade_in
-                merged[start : start + overlap] = mixed
-                if overlap < len(audio):
-                    merged[start + overlap : end] = audio[overlap:]
-            else:
-                merged[start:end] = audio
-        else:
-            merged[start:end] = audio
+        merged[start:end] = audio
     return _normalize_audio(merged)
 
 
@@ -879,18 +793,18 @@ def run_srt_pipeline(
         native_meta: Optional[dict] = None
         gen_duration: Optional[float] = None
         if merge_mode == "native":
-            # Ngân sách = thời gian tới cue kế (slot + khoảng lặng sau).
-            # Ladder: native ≤ cap → gap/stretch/cascade hậu kỳ.
-            # Rút gọn text do người dùng tự chỉnh trên SRT.
+            # Ngân sách = thời gian tới khi cue kế bắt đầu (slot + khoảng lặng sau).
             if idx + 1 < total:
                 budget = max(0.05, cues[idx + 1].start_sec - cue.start_sec)
             else:
                 budget = None
             if budget is not None and budget > 0:
-                fit_target = max(0.1, budget - NATIVE_MARGIN_SEC)
+                # Chừa biên an toàn nhỏ để phần đệm fade/pad ở đuôi không đè
+                # sang cue sau (tránh cảm giác mất chữ/đè đuôi).
+                fit_target = max(0.1, budget - 0.12)
                 natural_sec = estimate_natural_duration_sec(model, prompt, cue.text)
                 if natural_sec > fit_target + 1e-3:
-                    # Ép native tối đa native_speed_cap; phần dư xử lý hậu kỳ.
+                    # Ép native vừa khít, không vượt trần tốc độ.
                     gen_duration = round(
                         max(fit_target, natural_sec / native_speed_cap), 3
                     )
@@ -945,8 +859,7 @@ def run_srt_pipeline(
                         log_lines,
                         f"  Cue {cue.index}: native {native_meta['natural_sec']}s "
                         f"-> {native_meta['native_duration_sec']}s "
-                        f"(x{native_meta['native_speed_factor']}, chạm trần - "
-                        f"gap/stretch/cascade sau)",
+                        f"(x{native_meta['native_speed_factor']}, chạm trần - tràn nhẹ)",
                         on_log,
                     )
         elif slot_sec > 0 and merge_mode != "fit":
@@ -988,10 +901,7 @@ def run_srt_pipeline(
         progress(0.9, desc="Đang canh giờ & ghi manifest")
     fitted_segments: Optional[List[np.ndarray]] = None
     if merge_mode == "native":
-        placements, fitted_segments = plan_native_placements(
-            cues, segments, model.sampling_rate
-        )
-        segments = fitted_segments
+        placements = plan_native_placements(cues, segments, model.sampling_rate)
     elif merge_mode == "cascade":
         placements = plan_cascade_placements(cues, segments, model.sampling_rate)
     elif merge_mode == "fit":
@@ -1011,12 +921,10 @@ def run_srt_pipeline(
             for cue, audio in zip(cues, segments)
         ]
 
-    overflow_count = sum(1 for p in placements if p["overflow_sec"] > 0.05)
+    overflow_count = sum(1 for p in placements if p["overflow_sec"] > 0)
     pushed_count = sum(1 for p in placements if p["pushed_by_previous"])
     fit_count = sum(1 for p in placements if p.get("fit_applied"))
     capped_count = sum(1 for p in placements if p.get("fit_capped"))
-    stretch_count = sum(1 for p in placements if p.get("light_stretch_applied"))
-    cascade_soft = sum(1 for p in placements if p.get("soft_cascade"))
 
     for fit_meta, placement in zip(fit_metas, placements):
         fit_meta.update(placement)
@@ -1045,12 +953,10 @@ def run_srt_pipeline(
     elif merge_mode == "native":
         native_capped = sum(1 for m in fit_metas if m.get("native_capped"))
         summary = (
-            f"Hoàn tất [{profile['slug']}] (native/smart): {generated} cue mới, "
-            f"{speed_fitted_count} native "
-            f"({native_capped} chạm trần x{native_speed_cap}), "
-            f"{stretch_count} stretch ≤x{LIGHT_STRETCH_CAP}, "
-            f"{cascade_soft} chồng nhẹ (không đẩy SRT), "
-            f"{overflow_count} tràn >50ms, {skipped} bỏ qua"
+            f"Hoàn tất [{profile['slug']}] (native): {generated} cue mới, "
+            f"{speed_fitted_count} cue nói nhanh native cho vừa khung "
+            f"({native_capped} câu chạm trần x{native_speed_cap}, còn vượt khung; "
+            f"neo cứng SRT - không cộng dồn lệch), {skipped} bỏ qua"
         )
     else:
         summary = (
@@ -1103,8 +1009,6 @@ def run_srt_pipeline(
             "generated": generated,
             "overflow": overflow_count,
             "pushed": pushed_count,
-            "stretch": stretch_count,
-            "cascade_soft": cascade_soft,
             "speed_fitted": speed_fitted_count,
             "speed_skipped": speed_skipped_count,
             "skipped": skipped,
@@ -1208,8 +1112,8 @@ def get_parser() -> argparse.ArgumentParser:
         "--merge-mode",
         choices=["native", "fit", "cascade", "strict"],
         default="native",
-        help="native: ladder tối ưu (native ≤cap → gap → stretch ≤1.1 → "
-        "chồng nhẹ đuôi vào cue sau, KHÔNG đẩy timestamp SRT) - khuyến nghị; "
+        help="native: model nói nhanh native (giữ nhấn nhá) có trần tốc độ, "
+        "phần dư tràn nhẹ/cascade - khuyến nghị cho lồng tiếng; "
         "fit: sinh dài rồi kéo nén tín hiệu vừa khung SRT (khít giờ, dễ mất nhấn nhá); "
         "cascade: cue dài tràn/đẩy cue sau (giữ chất giọng, lệch SRT); "
         "strict: ghép theo timestamp gốc (có thể cắt audio)",

voices/ban_mai/profile.json

@@ -1,12 +1,11 @@
-{
-  "name": "Ban Mai",
-  "slug": "ban_mai",
-  "language": "Vietnamese",
-  "ref_audio": "ref.mp3",
-  "ref_text_file": "ref_text.txt",
-  "voice_prompt": "voice.pt",
-  "model": "k2-fsa/OmniVoice",
-  "device": "cuda:0",
-  "preprocess_prompt": true,
-  "auto_transcribe": false
-}
+{
+  "name": "Ban Mai",
+  "language": "Vietnamese",
+  "ref_audio": "ref.mp3",
+  "ref_text_file": "ref_text.txt",
+  "voice_prompt": "voice.pt",
+  "model": "k2-fsa/OmniVoice",
+  "device": "cuda:0",
+  "preprocess_prompt": false,
+  "auto_transcribe": true
+}

voices/injoyreel/profile.json

@@ -1,11 +0,0 @@
-{
-  "name": "InjoyReel",
-  "language": "Vietnamese",
-  "ref_audio": "ref.wav",
-  "ref_text_file": "ref_text.txt",
-  "voice_prompt": "voice.pt",
-  "model": "k2-fsa/OmniVoice",
-  "device": "cuda:0",
-  "preprocess_prompt": false,
-  "auto_transcribe": false
-}

voices/injoyreel/ref.wav

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:d6a83fe9f5fee4976c430dc754557da0ea6d2aa9ad295fa202cfa141cb2c3fb2
-size 1217126

voices/injoyreel/ref_text.txt

@@ -1 +0,0 @@
-Hôm nay tập đoàn Hoắc thị tổ chức tiệc đón người thừa kế trở về tại dinh thự. Được biết người thừa kế bí ẩn này Hoắc Cảnh Chu chưa từng xuất hiện trước công chúng bao giờ. Sự trở về đề phô trương này không biết có phải mang ý nghĩa ảnh đã nắm toàn quyền phát ngôn của tập đoàn không.

voices/injoyreel/voice.pt

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:888b591c97299b084773cb418614561c55b1e9076be091c9152e111c5f002738
-size 23963

voices/lan_trinh/profile.json

@@ -1,12 +1,11 @@
-{
-  "name": "Lan Trinh",
-  "slug": "lan_trinh",
-  "language": "Vietnamese",
-  "ref_audio": "ref.wav",
-  "ref_text_file": "ref_text.txt",
-  "voice_prompt": "voice.pt",
-  "model": "k2-fsa/OmniVoice",
-  "device": "cuda:0",
-  "preprocess_prompt": true,
-  "auto_transcribe": false
-}
+{
+  "name": "Lan Trinh",
+  "language": "Vietnamese",
+  "ref_audio": "ref.wav",
+  "ref_text_file": "ref_text.txt",
+  "voice_prompt": "voice.pt",
+  "model": "k2-fsa/OmniVoice",
+  "device": "cuda:0",
+  "preprocess_prompt": false,
+  "auto_transcribe": false
+}

voices/ngan_ha/profile.json

@@ -1,12 +1,11 @@
-{
-  "name": "Ngan Ha",
-  "slug": "ngan_ha",
-  "language": "Vietnamese",
-  "ref_audio": "ref.wav",
-  "ref_text_file": "ref_text.txt",
-  "voice_prompt": "voice.pt",
-  "model": "k2-fsa/OmniVoice",
-  "device": "cuda:0",
-  "preprocess_prompt": true,
-  "auto_transcribe": false
-}
+{
+  "name": "Ngân Hà",
+  "language": "Vietnamese",
+  "ref_audio": "ref.wav",
+  "ref_text_file": "ref_text.txt",
+  "voice_prompt": "voice.pt",
+  "model": "k2-fsa/OmniVoice",
+  "device": "cuda:0",
+  "preprocess_prompt": false,
+  "auto_transcribe": false
+}

voices/ngoc_huyen/profile.json

@@ -1,12 +1,9 @@
-{
-  "name": "Ngoc Huyen",
-  "slug": "ngoc_huyen",
-  "language": "Vietnamese",
-  "ref_audio": "ref.mp3",
-  "ref_text_file": "ref_text.txt",
-  "voice_prompt": "voice.pt",
-  "model": "k2-fsa/OmniVoice",
-  "device": "cuda:0",
-  "preprocess_prompt": true,
-  "auto_transcribe": false
-}
+{
+  "name": "Ngoc Huyen",
+  "language": "Vietnamese",
+  "ref_audio": "ref.mp3",
+  "ref_text_file": "ref_text.txt",
+  "voice_prompt": "voice.pt",
+  "model": "k2-fsa/OmniVoice",
+  "device": "cuda:0"
+}

voices/thao_trinh/profile.json

@@ -1,12 +1,11 @@
-{
-  "name": "Thao Trinh",
-  "slug": "thao_trinh",
-  "language": "Vietnamese",
-  "ref_audio": "ref.wav",
-  "ref_text_file": "ref_text.txt",
-  "voice_prompt": "voice.pt",
-  "model": "k2-fsa/OmniVoice",
-  "device": "cuda:0",
-  "preprocess_prompt": true,
-  "auto_transcribe": false
-}
+{
+  "name": "Thảo Trinh",
+  "language": "Vietnamese",
+  "ref_audio": "ref.wav",
+  "ref_text_file": "ref_text.txt",
+  "voice_prompt": "voice.pt",
+  "model": "k2-fsa/OmniVoice",
+  "device": "cuda:0",
+  "preprocess_prompt": false,
+  "auto_transcribe": false
+}

voices/tuong_vy/profile.json

@@ -1,12 +1,11 @@
-{
-  "name": "Tuong Vy",
-  "slug": "tuong_vy",
-  "language": "Vietnamese",
-  "ref_audio": "ref.wav",
-  "ref_text_file": "ref_text.txt",
-  "voice_prompt": "voice.pt",
-  "model": "k2-fsa/OmniVoice",
-  "device": "cuda:0",
-  "preprocess_prompt": true,
-  "auto_transcribe": false
-}
+{
+  "name": "Tường Vy",
+  "language": "Vietnamese",
+  "ref_audio": "ref.wav",
+  "ref_text_file": "ref_text.txt",
+  "voice_prompt": "voice.pt",
+  "model": "k2-fsa/OmniVoice",
+  "device": "cuda:0",
+  "preprocess_prompt": false,
+  "auto_transcribe": false
+}