demo/app.py

"""VoXtream2-RU — Gradio-демо (аналог HF space herimor/voxtream2, но с русской моделью).

Работает в двух режимах:
1) Локально:   python ru_finetune/ft4/space/app.py --model-dir ru_finetune/ft4/infer_model
2) HF Space:   переменная окружения MODEL_REPO=<user>/voxtream2-ru (repo с файлами
               model.safetensors, config.json, phoneme_to_token.json, ru_tokens.json) —
               файлы скачиваются через hf_hub_download.

Отличия от EN-демо: RUAccent ставит ударения (решает омографы за́мок/замо́к),
espeak-ru фонемизация, спец-токены расширенного словаря.
"""

import argparse
import json
import os
import re
import sys
from pathlib import Path

HERE = Path(__file__).resolve().parent
# HF Space: пакет voxtream и модули (v10_fix_dict, build_groups_v3) вендорены рядом
if str(HERE) not in sys.path:
    sys.path.insert(0, str(HERE))
from v10_fix_dict import FIX as INTERJ_FIX, redup_phones as _interj_redup  # noqa: E402

LOCAL_REPO_ID = "LOCAL_RU"
VOWEL = set("aeiouyɑɛɔʌəɵɨæøœɐɒʉʊɪ")
RU_VOWELS = set("аеёиоуыэюя")
PUNCT = (".", ",", "?", "!")
# v4: односимвольные согласные слова = проклитики (один звук), а не названия букв.
# espeak-ru даёт «к» -> k ˈɑ («ка») во ВСЕХ контекстах — источник жалобы
# «говорит "ка" вместо "к"». Совпадает с mfa_dict_v4.txt (обучение).
PROCLITIC = {"в": "v", "с": "s", "к": "k", "ж": "ʒ", "б": "b"}
STRIP_WORD = ".,?!—-«»\"'()…:;–„“”+"
# символы, которые НЕ являются фонемами: если прилипнут к фонеме, токен уходит в UNK
NON_PHONE = ".,?!—-«»\"'()…:;–„“”"
# после каких знаков вставлять паузу-токен (как в обучающих TextGrid)
SIL_AFTER = ".,!?"

# Модель знает только .,?! — остальные знаки нормализуем в ближайший по интонации
# (иначе espeak приклеивает их к фонеме: «добавил:» -> «ɭ:» -> UNK -> «добаве»).
_PUNCT_MAP = {":": ",", ";": ",", "—": ",", "–": ",", "…": ".", "«": "", "»": "",
              "„": "", "“": "", "”": "", '"': "", "(": "", ")": ""}


TARGET_LUFS = -23.0  # = уровень корпуса v10 (клипы приводятся при рендере групп)


def normalize_lufs(wav, sr):
    """v10: промпт -> -23 LUFS. Тихая бытовая запись для модели OOD; корпус
    нормализован к тому же уровню (стандарт NeMo/NVIDIA voice cloning)."""
    import numpy as np
    import pyloudnorm

    mono = wav.mean(dim=0).numpy().astype("float32")
    if len(mono) < int(0.5 * sr):  # метру BS.1770 нужно >= 0.4 c
        return wav
    try:
        loud = pyloudnorm.Meter(sr).integrated_loudness(mono)
    except Exception:  # noqa: BLE001
        return wav
    if not np.isfinite(loud) or loud < -70:
        return wav
    out = wav * float(10 ** ((TARGET_LUFS - loud) / 20))
    peak = float(out.abs().max())
    if peak > 0.99:  # true-peak защита
        out = out * (0.99 / peak)
    return out


def condition_prompt(wav, sr):
    """v10.1: подготовка границы промпта. Замер: 5/6 тестовых промптов обрезаны
    ПОСРЕДИ слова (жёсткий срез на 8 с), и провалы тембра сидят в первых ~1 с
    генерации (окно 0.5 с: sim 0.11-0.29), а единственный промпт с тихим концом
    (sanya_agin) — единственный без переключений. В обучении модель всегда
    продолжает ПОСЛЕ паузы с комнатным тоном. Делаем так же:
      1) если конец промпта — речь, режем назад до ближайшей тишины (>= 80 мс
         ниже -35 dB от пика, в последних 2.5 с);
      2) добавляем 0.35 с комнатного тона, синтезированного из тихого окна
         самого промпта (build_groups_v3.synth_tone). VOXTREAM_PROMPT_COND=0 выкл."""
    import numpy as np
    if os.environ.get("VOXTREAM_PROMPT_COND", "1") != "1":
        return wav
    mono = wav.mean(dim=0).numpy().astype("float32")
    n = len(mono)
    fr = max(int(0.02 * sr), 1)
    peak = float(np.abs(mono).max()) + 1e-9
    if n > int(3.0 * sr):
        # порог тишины адаптивный: 20-й перцентиль энергии 20-мс кадров записи
        # (паузы ~20-30% речи), но не выше -25 дБ от пика (шумные бытовые записи)
        nf_all = n // fr
        e_all = 20 * np.log10(np.sqrt((mono[: nf_all * fr].reshape(nf_all, fr) ** 2).mean(1)) + 1e-9) - 20 * np.log10(peak)
        thr = min(float(np.percentile(e_all, 20)), -25.0)
        win = int(min(4.0 * sr, n - 2.0 * sr))
        seg_e = e_all[-(win // fr):]
        run, cut = 0, None
        for i, q in enumerate(seg_e < thr):
            run = run + 1 if q else 0
            if run >= 3:  # >= 60 мс тишины
                cut = i
        if cut is None:
            # паузы нет (сплошная речь): режем в самом глубоком провале энергии
            # последних 2 с (смычка/межсловный спад — не середина гласной)
            tail_e = e_all[-int(1.2 * sr) // fr:]
            deep = np.where(tail_e < float(np.median(e_all)) - 6.0)[0]
            if len(deep):  # ближайший к концу провал — теряем минимум промпта
                cut = len(seg_e) - len(tail_e) + int(deep[-1]) + 1
        if cut is not None:
            end = (nf_all - len(seg_e) + cut - 1) * fr  # внутри найденной тишины/провала
            if end > int(2.0 * sr):
                wav = wav[:, :end]
                mono = mono[:end]
    try:
        import build_groups_v3 as B
        tmpl = B.room_tone(mono)
        tone = B.synth_tone(tmpl, int(0.35 * sr), seed=7).astype("float32")
    except Exception:  # noqa: BLE001
        tone = (np.random.randn(int(0.35 * sr)) * 1e-4).astype("float32")
    import torch
    tone_t = torch.from_numpy(tone)[None].expand(wav.shape[0], -1)
    return torch.cat([wav, tone_t.to(wav.dtype)], dim=1)


def normalize_punct(text: str) -> str:
    for src, dst in _PUNCT_MAP.items():
        text = text.replace(src, dst)
    text = re.sub(r"\s+([,.!?])", r"\1", text)      # пробел перед знаком
    text = re.sub(r"([,.!?])\1+", r"\1", text)      # дубли знаков
    return re.sub(r"\s{2,}", " ", text).strip()


def is_vowel(t):
    return any(c in VOWEL for c in t)


def stressed_idx(aw):
    vi, cnt, s, i = -1, 0, aw.lower(), 0
    while i < len(s):
        if s[i] == "+":
            if i + 1 < len(s) and s[i + 1] in RU_VOWELS:
                vi = cnt
            i += 1
            continue
        if s[i] in RU_VOWELS:
            cnt += 1
        i += 1
    return vi


class RUAccentPhonemizer:
    """Интерфейс ESpeak.phonemize + RUAccent-ударения (перенос ˈ на нужную гласную)."""

    def __init__(self):
        from ruaccent import RUAccent
        from voxtream.utils.text.phonemizer import ESpeak
        self.acc = RUAccent()
        self.acc.load(omograph_model_size="turbo3.1", use_dictionary=True)
        self.esp = ESpeak("ru")
        self._runorm = None  # ленивая загрузка: нужна только для текстов с цифрами

    def _normalize_digits(self, text: str) -> str:
        """v10: цифры/числа -> слова (RUNorm, падежи/род учитывает). Пользователь
        пишет «в 2024 году» — работает без ручной нормализации. «Ё», потерянную
        RUNorm'ом («четвертом»), ниже восстановит RUAccent."""
        if not re.search(r"\d", text):
            return text
        if self._runorm is None:
            from runorm import RUNorm
            self._runorm = RUNorm()
            self._runorm.load(model_size="medium",
                              workdir=str(HERE / "runorm_cache"))
        # только предложения С цифрами: на остальных RUNorm вредит — разворачивает
        # междометия как аббревиатуры («Ммм» -> «эм эм эм») мимо нашей таблицы
        try:
            parts = re.split(r"(?<=[.!?…])\s+", text)
            return " ".join(
                self._runorm.norm(p) if re.search(r"\d", p) else p for p in parts
            )
        except Exception as e:  # noqa: BLE001 — цифры хуже, чем необработанный текст
            print(f"[runorm] fail: {e}; текст без нормализации")
            return text

    def _accent(self, text: str) -> str:
        """Ударения: ручной '+' перед гласной (зам+ок) имеет приоритет,
        RUAccent ставит только в словах без ручной пометки."""
        if "+" not in text:
            return self.acc.process_all(text)
        plain = re.sub(r"\+", "", text)
        auto = self.acc.process_all(plain)
        manual_w, auto_w = text.split(), auto.split()
        if len(manual_w) != len(auto_w):
            return auto  # рассинхрон токенизации — безопасный фолбэк
        return " ".join(
            mw if "+" in mw else aw for mw, aw in zip(manual_w, auto_w)
        )

    def phonemize(self, text, separator="|", language="ru"):
        text = self._normalize_digits(text)
        text = normalize_punct(text)
        accented = self._accent(text)
        clean = re.sub(r"\+", "", accented)
        seq = self.esp.phonemize(clean, separator=separator, language="ru")
        esp_words, acc_words = seq.split(), accented.split()
        if len(esp_words) != len(acc_words):
            return seq
        out = []
        for ew, aw in zip(esp_words, acc_words):
            phones = [p for p in ew.split(separator) if p]
            # фикс v4: espeak озвучивает предлог «к» как НАЗВАНИЕ буквы (k ˈɑ ->
            # «ка тебе»). Односимвольные согласные слова — проклитики в один звук.
            bare = aw.strip(STRIP_WORD).lower()
            if bare in PROCLITIC:
                keep = PROCLITIC[bare]
                tail_p = phones[-1][-1] if phones and phones[-1][-1] in "".join(PUNCT) else ""
                phones = [keep + tail_p] if tail_p else [keep]
            # v10: междометия (хм/ммм/тсс...) espeak читает НАЗВАНИЯМИ букв
            # («ха-эм»); в словаре v5 они — чистые согласные. Таблица общая
            # с v10_fix_dict, чтобы цикл обучение<->инференс не расходился.
            elif (ij := INTERJ_FIX.get(bare) or _interj_redup(bare)) is not None:
                tail_p = phones[-1][-1] if phones and phones[-1][-1] in "".join(PUNCT) else ""
                phones = ij.split()
                if tail_p:
                    phones[-1] += tail_p
            tail = ""
            if phones and phones[-1] and phones[-1][-1] in "".join(PUNCT):
                tail = phones[-1][-1]
                phones[-1] = phones[-1][:-1]
                if not phones[-1]:
                    phones.pop()
            # страховка: любой НЕ-фонемный хвост (":", ";", "»", ")"…) прилипает к
            # последней фонеме -> токен «ɭ:» отсутствует в словаре -> UNK -> звук
            # пропадает («добавил:» звучало как «добаве»). Чистим остатки.
            phones = [p for p in (q.strip(NON_PHONE) for q in phones) if p]
            ti = stressed_idx(aw)
            if ti >= 0 and phones:
                cl = [p.replace("ˈ", "").replace("ˌ", "") for p in phones]
                vp = [j for j, p in enumerate(cl) if is_vowel(p)]
                if ti < len(vp):
                    cl[vp[ti]] = "ˈ" + cl[vp[ti]]
                    phones = cl
            w = separator.join(phones)
            out.append(w + tail if tail else w)
            # ФИКС ПАУЗ: в обучении паузы стоят в потоке ЯВНЫМИ токенами 'sil'
            # (MFA-разметка, 6.3% токенов), а espeak их не даёт — модель получала
            # непрерывный поток и произносила всё слитно (на «Раз, два, три,
            # четыре, пять.» — НОЛЬ пауз; звуки проглатывались). Вставляем sil
            # после знака: длительность паузы модель выберет сама.
            if tail and tail in SIL_AFTER:
                out.append("sil")
        return " ".join(out)


def resolve_model_files():
    """-> dict имя_файла -> локальный путь (из --model-dir или MODEL_REPO)."""
    ap = argparse.ArgumentParser()
    ap.add_argument("--model-dir", default=os.environ.get("MODEL_DIR", ""))
    args, _ = ap.parse_known_args()

    names = ["model.safetensors", "config.json", "phoneme_to_token.json", "ru_tokens.json"]
    if args.model_dir:
        d = Path(args.model_dir).resolve()
        return {n: str(d / n) for n in names}
    repo = os.environ.get("MODEL_REPO")
    assert repo, "укажите --model-dir или env MODEL_REPO"
    from huggingface_hub import hf_hub_download
    return {n: hf_hub_download(repo, n) for n in names}


def main():
    files = resolve_model_files()
    ru_tokens = json.load(open(files["ru_tokens.json"]))

    # --- монки-патчи ДО импорта app ---
    import voxtream.utils.generator.setup as S
    import voxtream.utils.generator.text as T
    from huggingface_hub import hf_hub_download as _real_hf

    def _hf(repo_id, filename, **kw):
        if repo_id == LOCAL_REPO_ID:
            return files[filename]
        return _real_hf(repo_id, filename, **kw)

    S.hf_hub_download = _hf

    _orig_ttp = T.text_to_phone_tokens

    # E1 (question-prefix модели): '?' после первого слова вопросительного
    # предложения — как в обучении (PT видит «впереди вопрос» с самого начала).
    # Включается флагом QUESTION_PREFIX=1 (для infer_model_e).
    q_prefix = os.environ.get("QUESTION_PREFIX", "0") == "1"

    def _add_q_prefix(text: str) -> str:
        out = []
        for sent in re.split(r"(?<=[.!?])\s+", str(text).strip()):
            words = sent.split()
            if sent.rstrip().endswith("?") and len(words) > 1:
                words[0] += "?"
            out.append(" ".join(words))
        return " ".join(out)

    def _ttp(*a, **kw):
        kw["normalize"] = False
        kw["language"] = "ru"
        if q_prefix and a and isinstance(a[0], str):
            a = (_add_q_prefix(a[0]),) + a[1:]
        elif q_prefix and "text" in kw:
            kw["text"] = _add_q_prefix(kw["text"])
        return _orig_ttp(*a, **kw)

    T.text_to_phone_tokens = _ttp

    # v10: LUFS-нормализация промпта — шим над torchaudio ТОЛЬКО внутри prompt.py
    # (глобальный torchaudio.load не трогаем). Внимание: .prompt.npy-кэши,
    # созданные до нормализации, устаревают — их надо удалить.
    import voxtream.utils.generator.prompt as PR
    _orig_ta = PR.torchaudio

    class _LufsTorchaudio:
        def __getattr__(self, name):
            return getattr(_orig_ta, name)

        @staticmethod
        def load(path, *a, **kw):
            wav, sr = _orig_ta.load(path, *a, **kw)
            return condition_prompt(normalize_lufs(wav, sr), sr), sr

    PR.torchaudio = _LufsTorchaudio()

    from voxtream.generator import SpeechGenerator
    _orig_init = SpeechGenerator.__init__

    def _patched_init(self, *a, **kw):
        _orig_init(self, *a, **kw)
        self.ctx.phonemizer = RUAccentPhonemizer()

    SpeechGenerator.__init__ = _patched_init

    # v10.1: синтез ПО ПРЕДЛОЖЕНИЯМ с повторной привязкой к промпту.
    # Замер 384 сэмплов: переключение голоса после паузы между предложениями —
    # 12-16% на многопредложенческих фразах против 3% на одиночных; трудные
    # голоса (shibakov 33%) теряются после паузы. Каждое предложение стартует
    # сразу после промпта, где привязка максимальна; между ними — пауза
    # (медиана корпуса по знаку). VOXTREAM_SENT_SPLIT=0 выключает.
    _orig_gs = SpeechGenerator.generate_stream
    _PAUSE = {".": 0.39, "?": 0.42, "!": 0.41}  # эмпирика 4.5 млн пауз (build_groups)

    def _split_sentences(text: str):
        parts = [p.strip() for p in re.split(r"(?<=[.!?…])\s+", text.strip()) if p.strip()]
        return parts if len(parts) >= 2 else [text]

    def _gs_split(self, prompt_audio_path, text, speaking_rate=None, enhance_prompt=None,
                  apply_vad=None, return_progress=False, min_streaming_rtf=None):
        if os.environ.get("VOXTREAM_SENT_SPLIT", "1") != "1" or not isinstance(text, str):
            yield from _orig_gs(self, prompt_audio_path, text, speaking_rate, enhance_prompt,
                                apply_vad, return_progress, min_streaming_rtf)
            return
        sents = _split_sentences(text)
        if len(sents) < 2:
            yield from _orig_gs(self, prompt_audio_path, text, speaking_rate, enhance_prompt,
                                apply_vad, return_progress, min_streaming_rtf)
            return
        import numpy as _np
        sr = int(self.config.mimi_sr)
        pos_off, time_off, last_prog = 0, 0.0, None
        for k, sent in enumerate(sents):
            last_pos, last_t = 0, 0.0
            for item in _orig_gs(self, prompt_audio_path, sent, speaking_rate, enhance_prompt,
                                 apply_vad, return_progress, min_streaming_rtf):
                if return_progress:
                    frame, gt, prog = item
                    prog = dict(prog)
                    last_pos = max(last_pos, int(prog.get("phone_position", 0) or 0))
                    last_t = max(last_t, float(prog.get("time_sec", 0.0) or 0.0))
                    prog["phone_position"] = pos_off + int(prog.get("phone_position", 0) or 0)
                    prog["time_sec"] = time_off + float(prog.get("time_sec", 0.0) or 0.0)
                    last_prog = prog
                    yield frame, gt, prog
                else:
                    yield item
            pos_off += last_pos + 1
            time_off += last_t
            if k < len(sents) - 1:
                gap = _PAUSE.get(sent[-1], 0.39)
                n = int(gap * sr)
                noise = (_np.random.randn(n) * 1e-4).astype(_np.float32)  # не «цифровой» ноль
                time_off += gap
                if return_progress:
                    prog = dict(last_prog or {})
                    prog["time_sec"] = time_off
                    yield noise, 0.0, prog
                else:
                    yield noise, 0.0

    # v10.1: BEST-OF-N по удержанию голоса (offline-режим). Замер: 8-12% сэмплов
    # с провалом оконной spk-sim к промпту (>0.25 от медианы), реальная речь тех
    # же людей — 0/8; ни данные (S2b), ни сэмплирование/CFG/SRC/подготовка
    # промпта цифру не сдвинули. Best-of-2 -> ~0.7% ожидаемо. Скорим тем же
    # ReDimNet, что кондиционирует модель (ctx.spk_enc). VOXTREAM_BEST_OF=1 выкл.
    from voxtream.utils.generator.prompt import extract_speaker_template as _est
    import voxtream.utils.generator.prompt as _PR

    def _spk_score(self, prompt_audio_path, audio_np):
        import numpy as _np
        import torch as _t
        wav, sr = _PR.torchaudio.load(str(prompt_audio_path))  # шим: LUFS + граница
        pe = _est(wav.mean(0, keepdim=True), sr, self.ctx.spk_enc, self.config.spk_enc_sr,
                  self.ctx.device, self.ctx.dtype).float().reshape(-1)
        gen = _t.from_numpy(audio_np.astype("float32"))[None]
        osr = int(self.config.mimi_sr)
        W, H = int(1.5 * osr), int(0.5 * osr)
        sims = []
        for st in range(0, max(gen.shape[1] - W, 1), H):
            e = _est(gen[:, st:st + W], osr, self.ctx.spk_enc, self.config.spk_enc_sr,
                     self.ctx.device, self.ctx.dtype).float().reshape(-1)
            sims.append(float(pe @ e))
        if not sims:
            return 0.0, 0.0
        return float(min(sims)), float(_np.median(sims))

    def _gs_bestof(self, prompt_audio_path, text, speaking_rate=None, enhance_prompt=None,
                   apply_vad=None, return_progress=False, min_streaming_rtf=None):
        try:
            N = int(os.environ.get("VOXTREAM_BEST_OF", "2"))
        except ValueError:
            N = 1
        if N <= 1 or not isinstance(text, str):
            yield from _gs_split(self, prompt_audio_path, text, speaking_rate, enhance_prompt,
                                 apply_vad, return_progress, min_streaming_rtf)
            return
        import numpy as _np
        best, best_key = None, None
        for k in range(N):
            items = list(_gs_split(self, prompt_audio_path, text, speaking_rate, enhance_prompt,
                                   apply_vad, return_progress, min_streaming_rtf))
            audio = _np.concatenate([it[0] for it in items]) if items else _np.zeros(1, "float32")
            mn, med = _spk_score(self, prompt_audio_path, audio)
            key = (mn >= med - 0.25, mn)  # сначала «без провала», затем по худшему окну
            print(f"[best-of-{N}] кандидат {k + 1}: sim_min {mn:.2f} med {med:.2f}", flush=True)
            if best_key is None or key > best_key:
                best, best_key = items, key
            if best_key[0]:  # чистый кандидат — хватит (перегенерация только при провале)
                break
        yield from best

    SpeechGenerator.generate_stream = _gs_bestof

    # --- конфиги: базовые из репо + RU-переопределения ---
    root = HERE
    gen_cfg = json.load(open(root / "configs/generator.json"))
    gen_cfg.update(
        model_repo=LOCAL_REPO_ID,
        unk_token=ru_tokens["unk"], eop_token=ru_tokens["unk"],
        bos_token=ru_tokens["bos"], eos_token=ru_tokens["eos"],
        sil_token=ru_tokens["sil"],
        enhance_prompt=False, apply_vad=False,
        # v10: свип 12 ячеек temp x topk на промптах пользователя (v9, 2026-08-08):
        # 0.8/50 -> CER 0.0105, CV 0.159 против 0.023/0.177 у унаследованных 0.9/5;
        # t1.0/k5 давал CER 0.0096, но худший CV 0.202 и темп 4.89 — не взят.
        temperature=0.8, topk=50,
        # v4 (свипы на ПРОМПТАХ ПОЛЬЗОВАТЕЛЯ ru_finetune/unseen — «удобные»
        # корпусные промпты регрессию не ловили): при gain=25 cfg_gamma 1.5 даёт
        # CER 0.021 против 0.056 у 2.0 и 0.024 у 3.0; unseen spk_sim 0.602 против
        # 0.616 у 3.0, НО худший случай 0.422 против 0.269 — провалов нет.
        cfg_gamma=1.5,
    )
    # Усиление SPS-кондиционирования. gain=40 подбирался на stage D, где бины
    # считались по БУКВАМ и эмбеддинг почти не обучался. В v4 бины из ФОНЕМ —
    # эмбеддинг информативнее, и 40 РАЗРУШАЕТ генерацию: на промптах пользователя
    # CER 0.366 и скачки темпа (жалоба «неразборчиво, то быстро то медленно»).
    # Свип по CER: gain 1-20 → 0.016-0.019, 25 → 0.024, 30 → 0.075, 40 → 0.366.
    # 25 — компромисс: разборчивость вдвое лучше v3b при самом медленном темпе
    # среди «чистых» режимов. Замедление ниже ~5.7 SPS этим механизмом ЛОМАЕТ речь
    # (gain20/rate3.5 → CER 0.121; gain30/rate3.5 → 0.584) — темп чинить обучением.
    os.environ.setdefault("VOXTREAM_SPS_GAIN", "25")
    # Управление темпом: SRC вместо SPS-эмбеддинга. Замер на v7 (промпты юзера):
    # SPS gain30/rate3.5 -> темп 4.64 но CER 0.245 (речь рвётся); SRC rate3.5 ->
    # темп 5.37 при CER 0.025 и паузах 0.39с (= корпусная норма). SRC не искажает
    # эмбеддинг, поэтому замедление безопасно.
    os.environ.setdefault("VOXTREAM_TEMPO_MODE", "src")
    # v10.1: лимит удержания фонемы по классу (кадры по 80 мс). Жалоба «буквы
    # повторяются» = залипание на последней согласной фразы («Потомммм,» — 26
    # кадров при защите frame_repeat_counter=25). В данных 97% согласных перед
    # знаком <= 5 кадров, 99% гласных <= 12. A/B на S2-e2: без лимита макс согл.
    # 11 кадров, CER 0.029; с лимитом — макс 5-6, CER 0.017-0.023, тембр не хуже.
    os.environ.setdefault("VOXTREAM_DWELL_CAPS", "cons=5,vow=12")

    ru_gen = HERE / "generator_ru.json"
    # точечные переопределения инференс-параметров: GEN_OVERRIDES='{"cfg_gamma":2.0}'
    overrides = os.environ.get("GEN_OVERRIDES")
    if overrides:
        gen_cfg.update(json.loads(overrides))
        print(f"[app] generator overrides: {overrides}")
    json.dump(gen_cfg, open(ru_gen, "w"), indent=2)

    examples = HERE / "examples_ru.json"
    if not examples.exists():
        json.dump({"examples": []}, open(examples, "w"))

    sys.argv = [
        "voxtream-app",
        "--config", str(ru_gen),
        "--app-config", str(p if (p := HERE / "app_ru.json").exists()
                            else root / "configs/app.json"),
        # RU-гистограммы SRC (пересчитаны по ft4-корпусу), фолбэк — EN-оригинал
        "--spk-rate-config", str(
            p if (p := root / "configs/speaking_rate_ru.json").exists()
            else root / "configs/speaking_rate.json"
        ),
        "--examples-config", str(examples),
    ]
    from voxtream.app import main as app_main
    app_main()


if __name__ == "__main__":
    main()