router: TTS auf offiziellen Kikiri-Deutsche-Pfad umgestellt

Ersetzt die alte Implementierung (kokoro 0.7.16 + espeak.EspeakG2P)
durch den offiziellen Kikiri-Deutsche-Inferenzpfad:

- semidark/kokoro-Fork (0.9.4) mit lang_code='d'
- semidark/misaki-Fork (0.9.4) mit misaki.de.DEG2P
  (Text-Normalisierung + espeak-ng + Aussprache-Overrides)
- Verbessertes Chunking (Split an Satzgrenzen, 400 Zeichen)
- repo_id='hexgrad/Kokoro-82M' für KModel/KPipeline

Änderungen:
- router/tts_worker.py: KModel/KPipeline API aktualisiert,
  Monkey-Patching entfernt, Docstring aktualisiert
- deploy/install.sh: semidark-Forks installieren (misaki[de],
  kokoro --no-deps, spacy für misaki.en-Import)
- README.md: G2P-Pfad, Chunking, Python-Pakete, Python-3.13-Hinweis

Getestet: 43/43 lokale Tests, E2E auf Zielsystem (WAV/MP3,
LAN-Zugriff, parallele Qwen/TTS-Operation, Chat intakt).
This commit is contained in:
Mikei386
2026-08-19 13:09:29 +02:00
parent 6db10fbc3f
commit ff064685ce
3 changed files with 51 additions and 28 deletions
+22 -15
View File
@@ -181,8 +181,12 @@ Qwen/llama.cpp noch FLUX/GPU – er teilt sich nur den Prozessor.
- **Modell:** Kokoro-82M (hexgrad) mit zwei deutschen Feintunings
(`kikiri-tts/kikiri-german-martin`, `kikiri-tts/kikiri-german-victoria`,
beide Apache 2.0, je ~327 MB).
- **G2P:** deutsche Phonemisierung über `espeak-ng` (phonemizer), kein spacy
nötig. Deutsche Sprachunterstützung per Patch (kokoro PR #340).
- **G2P:** Offizieller Kikiri-Deutsche-Pfad via `misaki.de.DEG2P`
(semidark/misaki-Fork 0.9.4): Text-Normalisierung (Zahlen, Daten,
Uhrzeiten, Währung, Abkürzungen) + `espeak-ng`-Phonemisierung +
Aussprache-Overrides für Marken-/Tech-Begriffe. Kein spacy nötig.
- **Pipeline:** semidark/kokoro-Fork (0.9.4) mit `lang_code='d'` und
verbessertem Chunking (Split an Satzgrenzen, 400 Zeichen).
- **Venv:** eigenes Venv unter `/opt/mike-ai/kokoro/venv/` mit CPU-only
`torch` (keine CUDA-Abhängigkeit, kein Konflikt mit dem Bild-Venv).
- **Modelle:** `/opt/mike-ai/models/kokoro/` (persistent).
@@ -218,10 +222,11 @@ curl -s http://192.168.1.196:8081/v1/audio/speech \
-d '{"input":"Guten Tag.","voice":"victoria","speed":1.5,"response_format":"wav"}' -o out.wav
```
**Lange Texte:** Das Modell verarbeitet pro Segment max. 510 Phoneme
(~25–30 s). Längere Texte werden mit Zeilenumbrüchen (`\n`) in Segmente
teilt; jedes Segment wird einzeln synthetisiert und die Audios
zusammengeführt.
**Lange Texte:** Die Pipeline splittet automatisch an Satzgrenzen
(400 Zeichen pro Chunk). Längere Texte werden in Segmente geteilt;
jedes Segment wird einzeln synthetisiert und die Audios zusammengeführt.
Zeilenumbrüche (`\n`) im Text werden als zusätzliche Segmentgrenzen
behandelt.
### Verhalten
@@ -258,20 +263,22 @@ RAM-Belegung des Workers: ~3.5 GB (inkl. torch, beide Modelle).
### Erforderliche Python-Pakete (im Kokoro-Venv)
- `torch` (CPU-only, `--index-url https://download.pytorch.org/whl/cpu`)
- `kokoro` (0.7.16, mit `--no-deps` installiert)
- `misaki` (G2P, ohne `[en]`-Extra → kein thinc 9.x / spacy)
- `phonemizer` + System-Paket `espeak-ng` (deutsche G2P)
- `kokoro` (0.9.4, semidark-Fork, mit `--no-deps` installiert)
- `misaki` (0.9.4, semidark-Fork, mit `[de]`-Extra → `phonemizer-fork` +
`espeakng-loader`, kein spacy-curated-transformers)
- `spacy` (nur für `misaki.en`-Import, nicht für deutschen Pfad)
- `num2words` (für `misaki.en`-Import)
- `soundfile`, `lameenc` (Audio-Formate wav/mp3/flac/pcm)
- `huggingface-hub`, `loguru`, `scipy`, `transformers`, `regex`, `num2words`
- `huggingface-hub`, `loguru`, `transformers`, `regex`
Das Venv liegt unter `/opt/mike-ai/kokoro/venv/` und wird von `install.sh`
automatisch angelegt (nur wenn noch nicht vorhanden).
**Hinweis (Python 3.13):** `kokoro` verlangt offiziell `misaki[en]`, das
`spacy-curated-transformers` → `thinc 9.x` zieht – für Python 3.13 gibt es
keine thinc-9-Wheels. Deshalb wird `kokoro` mit `--no-deps` und `misaki`
ohne `[en]` installiert; die deutsche G2P läuft über `espeak-ng` und braucht
spacy nicht.
**Hinweis (Python 3.13):** Der semidark/kokoro-Fork (0.9.4) unterstützt
Python 3.13 nativ. Der semidark/misaki-Fork (0.9.4) nutzt für den deutschen
Pfad `phonemizer-fork` + `espeakng-loader` (kein spacy-curated-transformers,
kein thinc 9.x). `spacy` wird nur für den `misaki.en`-Import benötigt
(Englisch), nicht für den deutschen Pfad.
## Repository-Struktur