Merge feature/ai-style-postproc into dev

Optional bandpass + short reverb on Silero TTS output. Off by default
(TTS_EFFECTS_ENABLED in config.py). Preview script in utils/.

README.md

@@ -63,6 +63,27 @@ python main.py
 - `COMMAND_MIN_LISTEN_MS` — минимальное время записи, чтобы не закрыться мгновенно (1000 мс).
 - `COMMAND_MAX_LISTEN_MS` — жёсткий потолок (15000 мс).
 
+## Эффекты под AI-ассистента
+
+Silero звучит естественно, но иногда хочется лёгкой «AI-окраски» в духе J.A.R.V.I.S. — узкую полосу, еле заметную реверберацию, при желании небольшой сдвиг высоты. Это тонкий постпроцессинг, голос и sample rate не меняются.
+
+По умолчанию эффекты **выключены**. Включаются в `config.py`:
+
+- `TTS_EFFECTS_ENABLED` — главный тумблер (`False` по умолчанию).
+- `TTS_BANDPASS_LOW_HZ` / `TTS_BANDPASS_HIGH_HZ` — полоса пропускания (по умолчанию 200–7000 Гц). Сужение полосы даёт ощущение «голоса по радио».
+- `TTS_REVERB_WET` (0..1) и `TTS_REVERB_DECAY_MS` — доля мокрого сигнала и длительность хвоста короткой реверберации (по умолчанию 0.20 и 100 мс).
+- `TTS_PITCH_SEMITONES` — сдвиг высоты в полутонах (по умолчанию 0, разумный диапазон ±2).
+
+Фильтры реализованы на `scipy.signal` (IIR, sosfiltfilt — нулевая фазовая задержка), реверберация — несколько затухающих задержанных копий, pitch — ресэмплинг по линейной интерполяции. Всё in-process, без временных файлов и лишних зависимостей.
+
+Быстрое A/B сравнение перед тем как переключать тумблер:
+
+```bash
+.venv\Scripts\python.exe utils\preview_effects.py
+```
+
+Скрипт сгенерирует `sound/_preview_silero_raw.wav` и `sound/_preview_silero_fx.wav` — откройте оба в плеере и решите, нравится ли эффект. Параметры fx-версии берутся из текущего `config.py` (независимо от `TTS_EFFECTS_ENABLED`).
+
 ## Схема commands.yaml
 
 Каждая команда — это пара `phrases` + `action`:

config.py

@@ -34,3 +34,10 @@ COMMAND_END_SILENCE_MS = 1200
 COMMAND_MIN_SPEECH_MS = 500
 COMMAND_MIN_LISTEN_MS = 1000
 COMMAND_MAX_LISTEN_MS = 15000
+
+TTS_EFFECTS_ENABLED = False
+TTS_BANDPASS_LOW_HZ = 200
+TTS_BANDPASS_HIGH_HZ = 7000
+TTS_REVERB_WET = 0.20
+TTS_REVERB_DECAY_MS = 100
+TTS_PITCH_SEMITONES = 0

effects.py

@@ -0,0 +1,71 @@
+import numpy as np
+from scipy.signal import butter, sosfiltfilt
+
+
+def _ensure_float32_mono(audio):
+    arr = np.asarray(audio, dtype=np.float32)
+    if arr.ndim > 1:
+        arr = arr.mean(axis=1).astype(np.float32)
+    return arr
+
+
+def apply_bandpass(audio, sr, low_hz=200, high_hz=7000, order=4):
+    arr = _ensure_float32_mono(audio)
+    nyq = 0.5 * sr
+    low = max(low_hz, 1) / nyq
+    high = min(high_hz, int(nyq) - 1) / nyq
+    if not (0 < low < high < 1):
+        return arr
+    sos = butter(order, [low, high], btype='band', output='sos')
+    return sosfiltfilt(sos, arr).astype(np.float32)
+
+
+def apply_reverb(audio, sr, wet=0.20, decay_ms=100, taps=4):
+    arr = _ensure_float32_mono(audio)
+    if wet <= 0 or decay_ms <= 0:
+        return arr
+    dry = max(0.0, 1.0 - wet)
+    out = dry * arr
+    gap = max(1, int(sr * (decay_ms / 1000.0) / taps))
+    gain = wet
+    for i in range(1, taps + 1):
+        delay = gap * i
+        gain *= 0.6
+        if delay >= len(arr):
+            break
+        padded = np.zeros_like(arr)
+        padded[delay:] = arr[:len(arr) - delay]
+        out += gain * padded
+    peak = float(np.max(np.abs(out))) if out.size else 0.0
+    if peak > 0.99:
+        out *= 0.99 / peak
+    return out.astype(np.float32)
+
+
+def apply_pitch(audio, sr, semitones=0):
+    arr = _ensure_float32_mono(audio)
+    if semitones == 0:
+        return arr
+    factor = 2.0 ** (semitones / 12.0)
+    n_out = int(round(len(arr) / factor))
+    if n_out <= 1:
+        return arr
+    src_idx = np.linspace(0, len(arr) - 1, num=n_out).astype(np.float32)
+    lo = np.floor(src_idx).astype(np.int64)
+    hi = np.clip(lo + 1, 0, len(arr) - 1)
+    frac = (src_idx - lo).astype(np.float32)
+    resampled = (1.0 - frac) * arr[lo] + frac * arr[hi]
+    return resampled.astype(np.float32)
+
+
+def process(audio, sr, bandpass=None, reverb=None, pitch_semitones=0):
+    out = _ensure_float32_mono(audio)
+    if bandpass is not None:
+        low, high = bandpass
+        out = apply_bandpass(out, sr, low, high)
+    if reverb is not None:
+        wet, decay_ms = reverb
+        out = apply_reverb(out, sr, wet=wet, decay_ms=decay_ms)
+    if pitch_semitones:
+        out = apply_pitch(out, sr, semitones=pitch_semitones)
+    return out

tts.py

@@ -1,8 +1,12 @@
 import time
 
+import numpy as np
 import sounddevice as sd
 import torch
 
+import config
+import effects
+
 language = 'ru'
 model_id = 'ru_v3'
 sample_rate = 48000  # 48000
@@ -19,18 +23,39 @@ model, _ = torch.hub.load(repo_or_dir='snakers4/silero-models',
 model.to(device)
 
 
-# воспроизводим
-def va_speak(what: str):
+def _post_process(audio):
+    if not getattr(config, 'TTS_EFFECTS_ENABLED', False):
+        return audio
+
+    arr = np.asarray(audio, dtype=np.float32)
+    low = getattr(config, 'TTS_BANDPASS_LOW_HZ', 0)
+    high = getattr(config, 'TTS_BANDPASS_HIGH_HZ', 0)
+    bandpass = (low, high) if low and high and high > low else None
+
+    wet = float(getattr(config, 'TTS_REVERB_WET', 0.0))
+    decay = int(getattr(config, 'TTS_REVERB_DECAY_MS', 0))
+    reverb = (wet, decay) if wet > 0 and decay > 0 else None
+
+    pitch = int(getattr(config, 'TTS_PITCH_SEMITONES', 0))
+
+    return effects.process(arr, sample_rate,
+                           bandpass=bandpass,
+                           reverb=reverb,
+                           pitch_semitones=pitch)
+
+
+def synthesize(what: str):
     audio = model.apply_tts(text=what + "..",
                             speaker=speaker,
                             sample_rate=sample_rate,
                             put_accent=put_accent,
                             put_yo=put_yo)
+    return _post_process(audio)
+
+
+def va_speak(what: str):
+    audio = synthesize(what)
 
     sd.play(audio, sample_rate * 1.05)
     time.sleep((len(audio) / sample_rate) + 0.5)
     sd.stop()
-
-# sd.play(audio, sample_rate)
-# time.sleep(len(audio) / sample_rate)
-# sd.stop()

utils/preview_effects.py

@@ -0,0 +1,55 @@
+import os
+import sys
+
+import numpy as np
+import soundfile as sf
+
+sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+import config
+import effects
+import tts
+
+
+PHRASE = "Приветствую, сэр. Все системы в норме."
+OUT_RAW = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))),
+                      'sound', '_preview_silero_raw.wav')
+OUT_FX = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))),
+                     'sound', '_preview_silero_fx.wav')
+
+
+def _render_raw(text: str) -> np.ndarray:
+    audio = tts.model.apply_tts(text=text + "..",
+                                speaker=tts.speaker,
+                                sample_rate=tts.sample_rate,
+                                put_accent=tts.put_accent,
+                                put_yo=tts.put_yo)
+    return np.asarray(audio, dtype=np.float32)
+
+
+def _render_fx(raw: np.ndarray) -> np.ndarray:
+    return effects.process(
+        raw, tts.sample_rate,
+        bandpass=(config.TTS_BANDPASS_LOW_HZ, config.TTS_BANDPASS_HIGH_HZ),
+        reverb=(config.TTS_REVERB_WET, config.TTS_REVERB_DECAY_MS),
+        pitch_semitones=config.TTS_PITCH_SEMITONES,
+    )
+
+
+def main():
+    print(f"Synthesizing: {PHRASE!r}")
+    raw = _render_raw(PHRASE)
+    fx = _render_fx(raw)
+
+    sf.write(OUT_RAW, raw, tts.sample_rate, subtype='PCM_16')
+    sf.write(OUT_FX, fx, tts.sample_rate, subtype='PCM_16')
+
+    dur_raw = len(raw) / tts.sample_rate
+    dur_fx = len(fx) / tts.sample_rate
+    print(f"raw: {OUT_RAW}  ({len(raw)} samples, {dur_raw:.2f}s)")
+    print(f"fx : {OUT_FX}  ({len(fx)} samples, {dur_fx:.2f}s)")
+    print("Open both in a media player and A/B compare.")
+
+
+if __name__ == '__main__':
+    main()