# tts_voice_plugin - 自动生成的配置文件
# 统一TTS语音合成插件，整合AI Voice、GSV2P、GPT-SoVITS、豆包语音、CosyVoice五种后端引擎，提供灵活的语音合成能力。

# 插件基本配置
[plugin]

# 是否启用插件
enabled = true

# 配置文件版本
config_version = "3.2.3"

# 通用设置

[general]

# 默认TTS后端 (ai_voice/gsv2p/gpt_sovits/doubao/cosyvoice/comfyui)
# 可选: ai_voice/gsv2p/gpt_sovits/doubao/cosyvoice/comfyui/comfyui_voiceclone/comfyui_customvoice
default_backend = "comfyui_customvoice"

# 请求超时时间（秒）
timeout = 60

# 最大文本长度（该限制会在调用LLM时注入到prompt中，让LLM直接生成符合长度的回复，而不是被动截断）
max_text_length = 200

# 是否使用replyer润色语音内容
use_replyer_rewrite = true

# 音频文件输出目录（支持相对路径和绝对路径，留空使用项目根目录）
audio_output_dir = ""

# 是否使用base64编码发送音频（备选方案）
use_base64_audio = true

# 是否分段发送语音（每句话单独发送一条语音，避免长语音播放问题）
split_sentences = true

# 分段发送时每条语音之间的延迟（秒）
split_delay = 0.3

# 自动分段启用阈值：文本长度小于该值时不分段（避免短句被切成多段）
split_min_total_chars = 120

# 句子最小长度：过短片段会合并到前一句（用于减少碎片段）
split_min_sentence_chars = 6

# 自动分段最大段数（避免刷屏式多段语音）。0 表示不限制。
split_max_segments = 3

# 自动分段打包目标长度（字符）。用于把多句合并成更少段。
split_chunk_chars = 110

# 是否发送错误提示消息（关闭后语音合成失败时不会发送错误信息给用户）
send_error_messages = true

# 组件启用控制

[components]

# 是否启用Action组件
action_enabled = true

# 是否启用Command组件
command_enabled = true

# 是否启用 instruct 调试命令组件（/tts_instruct）
instruct_command_enabled = true

# 概率控制配置

[probability]

# 是否启用概率控制
enabled = true

# 基础触发概率
base_probability = 1

# 关键词强制触发
keyword_force_trigger = true

# 强制触发关键词
force_keywords = [
    "一定要用语音",
    "必须语音",
    "语音回复我",
    "务必用语音",
]

# AI Voice后端配置

[ai_voice]

# 默认音色（可选：小新、猴哥、四郎、东北老妹儿、广西大表哥、妲己、霸道总裁、酥心御姐、说书先生、憨憨小弟、憨厚老哥、吕布、元气少女、文艺少女、磁性大叔、邻家小妹、低沉男声、傲娇少女、爹系男友、暖心姐姐、温柔妹妹、书香少女）
default_character = "邻家小妹"

# GSV2P后端配置

[gsv2p]

# GSV2P API地址
api_url = "https://gsv2p.acgnai.top/v1/audio/speech"

# API认证Token
api_token = ""

# 默认音色
default_voice = "原神-中文-派蒙_ZH"

# API请求超时（秒）
timeout = 149

# TTS模型
model = "tts-v4"

# 音频格式
response_format = "wav"

# 语音速度
speed = 1

# GPT-SoVITS后端配置

[gpt_sovits]

# GPT-SoVITS服务地址
server = "http://127.0.0.1:9880"

# 语音风格配置

# 豆包语音后端配置

[[gpt_sovits.styles]]
name = "default"
refer_wav = "/Users/xenon/Downloads/seiun_tts/qingyun_tiankong_voice/s978ztt245c3jxms6apadwgna4e7hmb.mp3"
prompt_text = "私にしてはがんばった方ではないでしょーか？"
prompt_language = "ja"
gpt_weights = "/Users/xenon/Downloads/GPT-SoVITS/GPT_weights_v4/seiun-e15.ckpt"
sovits_weights = "/Users/xenon/Downloads/GPT-SoVITS/SoVITS_weights_v4/seiun_e2_s144_l32.pth"

[[gpt_sovits.styles]]
name = ""
refer_wav = ""
prompt_text = ""
prompt_language = "zh"
gpt_weights = ""
sovits_weights = ""

[doubao]

# 豆包语音API地址
api_url = "https://openspeech.bytedance.com/api/v3/tts/unidirectional"

# 豆包APP ID
app_id = ""

# 豆包Access Key
access_key = ""

# 豆包Resource ID
resource_id = "seed-tts-2.0"

# 默认音色
default_voice = "zh_female_vv_uranus_bigtts"

# API请求超时（秒）
timeout = 60

# 音频格式
audio_format = "wav"

# 采样率
sample_rate = 24000

# 比特率
bitrate = 128000

# CosyVoice后端配置

[cosyvoice]

# Gradio API地址
gradio_url = "https://funaudiollm-fun-cosyvoice3-0-5b.ms.show/"

# 推理模式（3s极速复刻/自然语言控制）
default_mode = "3s极速复刻"

# 默认指令（用于自然语言控制模式）
default_instruct = "You are a helpful assistant. 请用广东话表达。<|endofprompt|>"

# 参考音频路径（用于3s极速复刻模式）
reference_audio = ""

# 提示文本（用于3s极速复刻模式）
prompt_text = ""

# API请求超时（秒）
timeout = 300

# 音频格式
audio_format = "wav"

[comfyui]
server = "http://127.0.0.1:8188"
# 必须是 ComfyUI 的 input 目录, backend 会把 refer_wav 复制进去, 再用 LoadAudio 读取
input_dir = "/Users/xenon/Downloads/seiun_tts/ComfyUI/ComfyUI/input"
timeout = 120
audio_quality = "128k" # SaveAudioMP3: V0/128k/320k
mlx_python = "/Users/xenon/Downloads/seiun_tts/qwen3-tts-apple-silicon/.venv/bin/python"
mlx_cli = "/Users/xenon/Downloads/seiun_tts/qwen3-tts-apple-silicon/mlx_voice_clone_cli.py"
default_style = "default"
# Split comfyui backend into two convenient aliases:
# - comfyui_voiceclone: only uses styles whose mode is voice_clone (or absent)
# - comfyui_customvoice: only uses styles whose mode is custom_voice
# These keys let you pick different defaults without duplicating comfyui.styles.
voiceclone_default_style = "default"
customvoice_default_style = "seiun"
auto_instruct_enabled = true
auto_instruct_max_chars = 320

# 自动推断 instruct 时固定附加的“基调”(persona)。会作为 `基调=...;` 前缀插入。
# 注意：值里不要包含 ';' 或 '='（backend 会做清洗，但建议从源头避免）。
auto_instruct_base_tone = "女性约15-16岁,清澈透亮但慵懒的轻女高音,句尾元音随意拉长且略带鼻腔撒娇,咬字松弛像刚睡醒,可在慵懒与冷静锐利间切换,带戏谑亲和"

# 可选：完整基调原文（保留备份，当前不启用）
# auto_instruct_base_tone = """
# 女性，外表约15-16岁，音色是清澈透亮却带有慵懒感的轻女高音（Light Soprano）。
#
# 嗓音轻盈飘逸，带有明显的“云朵般”的漂浮感，起初是漫不经心的拖沓语调，其特征在于句尾元音的随意拉长（Drawl）以及略带鼻腔共鸣的撒娇感。咬字呈现出一种仿佛刚睡醒般的松弛，甚至伴有刻意为之的含糊，像是一只在阳光下伸懒腰的猫。
#
# 随后，这种慵懒被一种狡黠的机敏所取代，声音在毫无干劲的叹息与看穿一切的通透感之间自如切换。在表现谋略或胜负欲的瞬间，音色会瞬间收紧，去除了所有的气声装饰与慵懒拖音，转为冷静、干练且直击要害的中高频。
#
# 表现风格既显得捉摸不透又带有戏谑的亲和力，伴随着轻巧的换气声和偶尔出现的、带有试探意味的升调尾音。仿佛在脱力系（Listless）的无害表象之下，潜藏着绝顶聪明的头脑与绝不让步的自尊。
# """

auto_instruct_prompt = """
你是精通声学特征与戏剧表演的 AI 配音导演。你的任务是根据「待朗读文本」生成一行 TTS instruct（用于 Qwen3-TTS CustomVoice 的语音表演控制）。

硬性要求：
- 只输出一行（单行 KV），不要解释，不要引号/代码块，不要复述原文。
- 必须同时包含以下字段，并用英文分号 ';' 分隔：情绪、强度、语速、停顿、表现
- 输出格式固定为：情绪=<...>;强度=<...>;语速=<...>;停顿=<...>;表现=<...>
- 语速可选：很慢/稍慢/正常/稍快/很快
- 停顿可选：很少/自然/稍多/很多
- 强度可选：很低/低/中/高/很高
- 表现：用 3-6 个短提示词，使用逗号分隔（不要用分号），如：声压高,咬字重,重音强,尾音下压
- 长度 <= {max_chars} 字

强制增强规则（避免“生气但听起来不够生气”）：
- 如果文本出现：非常/极其/真的/气死/怒/吼/滚/闭嘴/你再说一次 等强烈信号，情绪优先用「愤怒」，强度至少「高」，表现要包含“声压高/咬字重/重音强/尾音下压”中的至少 2 项。
- 如果是嘲讽或冷笑式的怒气：情绪写「愤怒(冷)」或「愤怒+嘲讽」，表现包含“冷硬/压低/咬字利落/少气声”。

文本语言: {lang}
待朗读文本: {text}
"""

# 基础停顿（秒）。当 instruct 包含“停顿=...”时，会按 很少/自然/稍多/很多 做倍率缩放。
pause_linebreak = 0.18
period_pause = 0.22
comma_pause = 0.1
question_pause = 0.2
hyphen_pause = 0.06

[[comfyui.styles]]
name = "default"
refer_wav = "/Users/xenon/Downloads/seiun_tts/qingyun_tiankong_voice/default_ref_24k_mono.wav"
prompt_text = "私にしてはがんばった方ではないでしょーか？"
language = "Auto"
model_choice = "1.7B"
precision = "bf16"
seed = 0
max_new_tokens = 2048
top_p = 0.8
top_k = 20
temperature = 1
repetition_penalty = 1.05

[[comfyui.styles]]
name = "seiun"
mode = "custom_voice"
model_path = "/Users/xenon/Downloads/checkpoint-epoch-9"
speaker = "seiun"
instruct = "__AUTO__"
speed = 1
language = "Auto"
seed = 0
max_new_tokens = 2048
top_p = 0.9
top_k = 20
temperature = 0.9
repetition_penalty = 1.05