"""Sintesi delle battute con XTTS-v2 (gira nel Python di XTTS, lo lancia tools/voci.mjs):
    voci_xtts.py lavori.json
lavori.json: [{"text": ..., "speaker": ..., "out": "/assoluto/x.wav"}, ...]; un lavoro già fatto si salta.
In italiano XTTS legge i punti a fine frase («Buongiorno, punto») e inciampa sui caporali: ogni battuta si
divide in frasi, senza punti finali né caporali, e le frasi si uniscono con una pausa breve.
Il modello è sotto licenza Coqui Public Model License: solo uso non commerciale."""
import json
import os
import re
import sys

PAUSA = 0.22  # secondi fra una frase e l'altra
os.environ["COQUI_TOS_AGREED"] = "1"


def frasi(testo: str) -> list[str]:
    testo = re.sub(r"[«»\"“”]", "", testo)
    parti = re.split(r"(?<=[.!?…])\s+", testo.strip())
    pulite = [re.sub(r"(\.\.\.|…|\.)+$", "", p).strip() for p in parti]
    return [p for p in pulite if re.search(r"\w", p)]


lavori = [j for j in json.load(open(sys.argv[1])) if not os.path.exists(j["out"])]
if lavori:
    import torch
    import torchaudio
    from TTS.api import TTS
    tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
    sr = tts.synthesizer.output_sample_rate
    for i, j in enumerate(lavori, 1):
        pezzi = []
        for f in frasi(j["text"]):
            if pezzi:
                pezzi.append(torch.zeros(int(sr * PAUSA)))
            pezzi.append(torch.tensor(tts.tts(f, language="it", speaker=j["speaker"], split_sentences=False), dtype=torch.float32))
        torchaudio.save(j["out"] + ".tmp.wav", torch.cat(pezzi).unsqueeze(0), sr, format="wav")
        os.replace(j["out"] + ".tmp.wav", j["out"])
        print(f"{i}/{len(lavori)}", flush=True)
print(f"{len(lavori)} battute sintetizzate")