scripts/smoke_tts.py

"""Thử giọng đọc chạy tại chỗ: tổng hợp một câu, in tốc độ và mốc từng từ.

    SPEECH_PROVIDER=vieneu python scripts/smoke_tts.py
    SPEECH_PROVIDER=vieneu python scripts/smoke_tts.py "Câu muốn nghe thử."

Lần chạy đầu tiên sẽ tải model từ HuggingFace về ~/.cache/huggingface, mất vài
phút. Những lần sau chỉ còn thời gian nạp model.
"""

import base64
import logging
import os
import sys
import time
from pathlib import Path

sys.path.insert(0, str(Path(__file__).resolve().parents[1] / "backend"))

os.environ.setdefault("SPEECH_PROVIDER", "vieneu")
logging.basicConfig(level=logging.INFO, format="%(levelname)s %(name)s: %(message)s")

from app.config import settings                       # noqa: E402
from app.services.speech import SpeechUnavailable, synthesize, warm_up  # noqa: E402

DEFAULT = (
    "Bình phương cạnh huyền bằng tổng bình phương hai cạnh góc vuông. "
    "Em nhìn lên bảng nhé, thầy viết công thức ra đây."
)


def main() -> int:
    text = sys.argv[1] if len(sys.argv) > 1 else DEFAULT
    print(f"Provider : {settings.speech_provider}")
    print(f"Giọng    : {settings.vieneu_voice}")
    print(f"Câu      : {text}\n")

    # Nạp model trước rồi mới bấm giờ — máy chủ cũng nạp sẵn lúc khởi động, nên
    # gộp chung vào sẽ ra một con số không giống thứ học sinh thực sự phải chờ.
    started = time.perf_counter()
    warm_up()
    print(f"Nạp model: {time.perf_counter() - started:.1f}s\n")

    started = time.perf_counter()
    try:
        clip = synthesize(text, speed=1.0)
    except SpeechUnavailable as exc:
        print(f"Không đọc được: {exc}")
        return 1
    elapsed = time.perf_counter() - started

    audio = base64.b64decode(clip.audio_base64)
    spoken = clip.timings[-1].end_ms / 1000 if clip.timings else 0.0
    out = Path("smoke_tts.mp3" if clip.mime_type == "audio/mpeg" else "smoke_tts.wav")
    out.write_bytes(audio)

    print(f"Mất      : {elapsed:.1f}s cho ~{spoken:.1f}s tiếng (RTF {elapsed / max(spoken, 1e-6):.2f})")
    print(f"File     : {out} — {len(audio) // 1024} KB, {clip.mime_type}")
    print(f"Mốc      : {len(clip.timings)} từ")
    for timing in clip.timings[:8]:
        print(f"           {timing.start_ms:>6} → {timing.end_ms:>6} ms  {timing.word}")
    if len(clip.timings) > 8:
        print("           ...")
    return 0


if __name__ == "__main__":
    raise SystemExit(main())