Proveedores de Texto a Voz (TTS)

dIKta.me implementa una estrategia de ejecución multinivel y flexible para la generación de Texto a Voz (TTS), habilitando tanto la inferencia local fuera de línea mediante ONNX como la generación en la nube de alta calidad a través de una interfaz de proveedor unificada.

Arquitectura de Proveedores

Todos los motores de TTS implementan la interfaz ITTSProvider, lo que permite que el servicio TtsSpeaker enrute las solicitudes sin problemas.

public interface ITTSProvider : IDisposable
{
    string ProviderName { get; }
    bool SupportsStreaming { get; }

    /// <summary>Sintetizar texto a bytes de audio (generación completa).</summary>
    Task<TtsResult> SynthesizeAsync(
        string text,
        string? voiceId = null,
        CancellationToken cancellationToken = default);

    /// <summary>Comprobar si el proveedor está listo (modelo cargado / API accesible).</summary>
    Task<bool> IsAvailableAsync(CancellationToken cancellationToken = default);
}

El objeto TtsResult encapsula el audio sintetizado junto con los metadatos, incluyendo el arreglo de bytes PCM/WAV, la frecuencia de muestreo, y la latencia de generación.

Proveedores Disponibles

KokoroTtsProvider (Local)

El proveedor local predeterminado utiliza KokoroSharp, envolviendo los modelos Kokoro-ONNX altamente eficientes (82M de parámetros).

• Ejecución: Se ejecuta en proceso con cero dependencias externas.
• Variantes: Soporta modelos de precisión int8 (88 MB), fp16 (169 MB), y fp32 (310 MB) a través de Microsoft.ML.OnnxRuntime.
• Latencia: Genera voz típicamente en 300–500ms.
• Cumplimiento de Licencia: El consumo interno de Kokoro del fonetizador eSpeak-NG (GPLv3) se aísla de las invocaciones del proceso bajo "mera agregación", requiriendo solo atribución.

DeepgramTtsProvider (Nube Predeterminado)

Aprovecha la integración existente del SDK .NET de Deepgram para ejecutar los modelos Aura-2 TTS utilizando la misma clave API implementada para las operaciones STT del dictado principal. Proporciona 90-200ms TTFB a través de HTTP/WebSockets.

InworldTtsProvider & OpenAITtsProvider (Nube Premium)

Implementa clientes REST estándar para integraciones HTTP externas utilizando patrones estándar HttpClient de ASP.NET. Las claves de autenticación se inyectan dinámicamente mediante el almacenamiento seguro SecureStorage (DPAPI).

Ciclo de Vida y Enrutamiento

La fábrica TTSProviderFactory inicializa y almacena en caché las instancias del ITTSProvider para prevenir asignaciones redundantes o la recarga constante de los modelos ONNX locales.

Durante las solicitudes de reproducción, el Enrutador TTSRouter evalúa la configuración activa TtsSettings de la aplicación. Puede retroceder dinámicamente a proveedores alternativos si la API elegida no está disponible o si el modelo local falló al inicializarse.

Canalización del Reproductor de Audio

El audio se transmite directa y subsecuentemente a través del servicio TtsPlayerService aprovechando el componente WasapiOut de la librería NAudio. La instancia del reproductor se sincroniza con el atenuador AudioDucker para disminuir el volumen del sistema de las aplicaciones en segundo plano durante la reproducción activa. La reproducción se puede interrumpir instantáneamente evaluando los estados de las teclas de acceso rápido o las transiciones de estado de la aplicación (ej., iniciar una nueva instancia de dictado).

Desinfección de Texto

El formato Markdown en bruto de las respuestas del LLM se desinfecta de forma estricta mediante la clase estática TextCleaner antes de su procesamiento. Esto elimina marcadores de cabeceras (#), transforma las viñetas de las listas en pausas, expande símbolos comunes ($ a "dólares"), y trunca agresivamente los límites de salida excesivamente largos antes de la inferencia.