Chatterbox: preset di voce femminile e maschile (riferimenti generati con Kokoro)

Co-Authored-By: Claude Fable 5.1 <noreply@anthropic.com>

avatar/settings.py

@@ -26,7 +26,7 @@ DEFAULTS: dict[str, Any] = {
     "kokoro_voice": "if_sara",
     "chatterbox_exaggeration": 0.6,    # 0.3 sobria … 0.9 molto enfatica
     "chatterbox_cfg": 0.3,             # più basso = più veloce e meno aderente al testo
-    "chatterbox_ref": "",              # wav di riferimento per clonare una voce (facoltativo)
+    "chatterbox_ref": "preset:femminile",  # preset:femminile | preset:maschile | percorso di un wav da imitare
     "system_voice": "",                 # "" = automatica
     "stt_model": "mlx-community/whisper-small-mlx",
     "vad_threshold": 0.08,

avatar/settings_dialog.py

@@ -107,8 +107,14 @@ class SettingsDialog(QDialog):
         row = QHBoxLayout()
         self.cb_exag = QDoubleSpinBox(); self.cb_exag.setRange(0.2, 1.0); self.cb_exag.setSingleStep(0.1); self.cb_exag.setValue(float(s.get("chatterbox_exaggeration", 0.6))); row.addWidget(QLabel("enfasi")); row.addWidget(self.cb_exag)
         self.cb_cfg = QDoubleSpinBox(); self.cb_cfg.setRange(0.0, 1.0); self.cb_cfg.setSingleStep(0.1); self.cb_cfg.setValue(float(s.get("chatterbox_cfg", 0.3))); row.addWidget(QLabel("aderenza (0 = più veloce)")); row.addWidget(self.cb_cfg)
-        self.cb_ref = QLineEdit(s.get("chatterbox_ref") or ""); self.cb_ref.setPlaceholderText("wav di riferimento per clonare una voce (facoltativo)"); row.addWidget(self.cb_ref, 1)
         form2.addRow("Chatterbox", row)
+        row = QHBoxLayout()
+        cur_ref = s.get("chatterbox_ref") or ""
+        self.cb_voice = _combo([("", "Predefinita del modello"), ("preset:femminile", "Femminile (timbro di Sara)"), ("preset:maschile", "Maschile (timbro di Nicola)"), ("custom", "Personalizzata: file wav")],
+                               cur_ref if cur_ref in ("", "preset:femminile", "preset:maschile") else "custom")
+        row.addWidget(QLabel("voce")); row.addWidget(self.cb_voice)
+        self.cb_ref = QLineEdit(cur_ref if cur_ref.startswith("/") or cur_ref.startswith("~") else ""); self.cb_ref.setPlaceholderText("percorso di un wav di 10 secondi con la voce da imitare"); row.addWidget(self.cb_ref, 1)
+        form2.addRow("Voce Chatterbox", row)
         self.stt_model = _combo(STT_MODELS, s.get("stt_model")); form2.addRow("Riconoscimento vocale", self.stt_model)
         from .avatar3d import list_models
         models = list_models()
@@ -346,7 +352,8 @@ class SettingsDialog(QDialog):
             "claudecode_config_dir": self.cc_config.currentText().strip(), "claudecode_path": self.cc_path.text().strip(),
             "tts_engine": self.tts_engine.currentData(), "kokoro_voice": self.kokoro_voice.currentData(),
             "system_voice": self.system_voice.currentData(), "stt_model": self.stt_model.currentData(),
-            "chatterbox_exaggeration": float(self.cb_exag.value()), "chatterbox_cfg": float(self.cb_cfg.value()), "chatterbox_ref": self.cb_ref.text().strip(),
+            "chatterbox_exaggeration": float(self.cb_exag.value()), "chatterbox_cfg": float(self.cb_cfg.value()),
+            "chatterbox_ref": (self.cb_ref.text().strip() if self.cb_voice.currentData() == "custom" else self.cb_voice.currentData()),
             "vad_threshold": float(self.vad.value()),
             "avatar_model": self.avatar_model.currentData() or "",
             "telegram_api_id": self.tg_id.text().strip(),

avatar/tts.py

@@ -179,10 +179,33 @@ class ChatterboxVoice:
         finally:
             self._on_status(None)
 
+    REFERENCE_TEXT = ("Ciao, sono la voce del tuo assistente. Oggi ti racconto come è andata la giornata, con calma e con un po' di allegria. "
+                      "Se hai bisogno di qualcosa, basta chiedere: sono qui per aiutarti, e mi fa piacere farlo.")
+    PRESETS = {"preset:femminile": "if_sara", "preset:maschile": "im_nicola"}
+
+    def _reference_path(self) -> str | None:
+        """File wav di riferimento: percorso dell'utente, oppure preset generato con Kokoro (una volta)."""
+        ref = (self.ref_audio or "").strip()
+        if not ref:
+            return None
+        if ref in self.PRESETS:
+            from pathlib import Path as _P
+            import soundfile as sf
+            out = _P(__file__).resolve().parent.parent / "data" / "voices" / f"{ref.split(':')[1]}.wav"
+            if not out.exists():
+                out.parent.mkdir(parents=True, exist_ok=True)
+                self._on_status("Preparo il campione di voce per Chatterbox…")
+                k = KokoroVoice(self.PRESETS[ref], speed=0.95)
+                k.load()
+                sf.write(str(out), k.synthesize(self.REFERENCE_TEXT), OUT_RATE)
+                self._on_status(None)
+            return str(out)
+        return ref
+
     def synthesize(self, text: str) -> np.ndarray:
         import requests
         r = requests.post(f"http://127.0.0.1:{self.PORT}/tts", json={"text": text, "language": "it", "exaggeration": self.exaggeration,
-                                                                     "cfg": self.cfg, "ref": self.ref_audio or None}, timeout=600)
+                                                                     "cfg": self.cfg, "ref": self._reference_path()}, timeout=600)
         if r.status_code != 200:
             raise RuntimeError(r.json().get("error", r.text))
         sr = int(r.headers.get("X-Sample-Rate", "24000"))