# -*- coding: utf-8 -*-
"""用 F5-TTS 做零样本声音克隆：任意文字 → 参考音频那个音色说出来。

用法：python tts_say.py <请求 JSON 路径>
请求 JSON：
    {
      "text":     要说的文字（必填）,
      "out":      输出 wav 路径（必填）,
      "ref":      参考音频 wav（必填，用 prep_ref.py 转好的 24k 单声道）,
      "refText":  参考音频对应的文字（必填 —— F5-TTS 是 zero-shot，要文字对齐）,
      "ckpt":     模型 safetensors（默认 models/f5tts/model_1250000.safetensors）,
      "vocab":    词表（默认 models/f5tts/vocab.txt）,
      "device":   cpu / cuda（默认 cpu；4G 显存和绘图抢，默认不占）,
      "speed":    语速（默认 1.0）,
      "nfeStep":  采样步数（默认 32；调小更快、更糙）
    }
输出：一行 JSON（含时长、采样率、耗时）。
"""
import json
import os
import sys
import time
from pathlib import Path

ROOT = Path(__file__).resolve().parent
# 声码器（vocos）默认从 HuggingFace 拉，这里走镜像；必须在 import f5_tts 之前设好
os.environ.setdefault("HF_ENDPOINT", "https://hf-mirror.com")
os.environ.setdefault("HF_HOME", str(ROOT / "models" / "hf"))

# 临时目录兜底：这台机器上 C:\Users\admin\AppData\Local 对子进程不可写，Python 的
# tempfile 会把候选目录（%TEMP% / %TMP% / C:\WINDOWS\Temp / \tmp…）逐个试一遍，全
# 写不进去就抛 `FileNotFoundError: No usable temporary directory found in [...]`——
# 报错是"找不到临时目录"，真因却是权限，极难排查。torch / matplotlib 都会踩。
# 语音目录在工作区内、本来就可写，所以提前把 TEMP/TMP 指过去（此时 import 还没发生，
# 生效）；指不过去就什么都不做，别塞一个更坏的路径。
_TMP = ROOT / "tmp"
try:
    _TMP.mkdir(parents=True, exist_ok=True)
    _probe = _TMP / f".w-{os.getpid()}"
    _probe.write_text("", encoding="utf-8")
    _probe.unlink()
    os.environ["TEMP"] = str(_TMP)
    os.environ["TMP"] = str(_TMP)
    os.environ.setdefault("MPLCONFIGDIR", str(_TMP / "mpl"))
except Exception:  # noqa: BLE001 兜底失败不影响主流程
    pass


def main() -> int:
    cfg = json.loads(Path(sys.argv[1]).read_text(encoding="utf-8-sig"))
    text = str(cfg.get("text") or "").strip()
    if not text:
        raise ValueError("缺少 text")
    out = Path(cfg["out"]).resolve()
    ref = Path(cfg["ref"]).resolve()
    ref_text = str(cfg.get("refText") or "").strip()
    if not ref.exists():
        raise FileNotFoundError(f"参考音频不存在：{ref}")
    if not ref_text:
        raise ValueError("缺少 refText（参考音频的文字）")
    ckpt = str(cfg.get("ckpt") or (ROOT / "models" / "f5tts" / "model_1250000.safetensors"))
    vocab = str(cfg.get("vocab") or (ROOT / "models" / "f5tts" / "vocab.txt"))
    device = str(cfg.get("device") or "cpu")
    speed = float(cfg.get("speed") or 1.0)
    nfe = int(cfg.get("nfeStep") or 32)

    out.parent.mkdir(parents=True, exist_ok=True)
    started = time.time()

    # ── 绕开 torchcodec / FFmpeg ──────────────────────────────────────────────
    # torchaudio 2.9+ 的解码/编码交给 torchcodec，而 torchcodec 需要本机装 FFmpeg 的
    # 完整共享版 DLL（这台机器没有）⇒ "Failed to create AudioDecoder ... Could not load
    # libtorchcodec"。F5-TTS 只是拿 torchaudio 读参考音频、写结果音频，用 soundfile
    # （自带 libsndfile）顶上即可，零外部依赖。必须在 import f5_tts 之前打好补丁。
    import numpy as np
    import soundfile as sf
    import torch
    import torchaudio

    def _sf_load(path, *args, **kwargs):
        data, sr = sf.read(str(path), always_2d=True, dtype="float32")
        return torch.from_numpy(np.ascontiguousarray(data.T)), sr

    def _sf_save(uri, src, sample_rate, *args, **kwargs):
        arr = src.detach().cpu().numpy() if hasattr(src, "detach") else np.asarray(src)
        if arr.ndim == 2:
            arr = arr.T
        sf.write(str(uri), arr, int(sample_rate), subtype="PCM_16")

    torchaudio.load = _sf_load
    torchaudio.save = _sf_save

    from f5_tts.api import F5TTS

    # 声码器（vocos-mel-24khz）走本地目录：HF 官方与镜像都会把权重 302 到 cas-bridge.xethub.hf.co，
    # 那台在国内连不上（WinError 10054）。权重已从可用镜像下到 models/vocos-mel-24khz/。
    vocoder_dir = Path(cfg.get("vocoder") or (ROOT / "models" / "vocos-mel-24khz"))
    vocoder_local = str(vocoder_dir) if (vocoder_dir / "pytorch_model.bin").exists() else None

    tts = F5TTS(
        model="F5TTS_v1_Base",
        ckpt_file=ckpt,
        vocab_file=vocab,
        vocoder_local_path=vocoder_local,
        device=device,
    )
    tts.infer(
        ref_file=str(ref),
        ref_text=ref_text,
        gen_text=text,
        file_wave=str(out),
        speed=speed,
        nfe_step=nfe,
        remove_silence=True,
        seed=cfg.get("seed"),
    )
    if not out.exists():
        raise RuntimeError("合成结束但没有生成文件")

    # ── 音高「固定成女声」：整体上移（音高 + 共振峰一起抬）──────────────────────
    # 做法：先时间拉伸把时长拉长 k 倍（音高不变），再把采样率"虚标"成 k 倍后降回原率
    # （等价于按 k 倍速播放）⇒ 音高与共振峰一起 ×k，时长回到原样。
    # 只抬音高不动共振峰会像"捏着嗓子"，一起抬才有"换了个小个子的人"的效果。
    import soundfile as sf

    semi = float(cfg.get("pitchSemitones") or 0)
    if abs(semi) >= 0.1:
        import librosa
        import numpy as np

        y, sr = sf.read(str(out), always_2d=True, dtype="float32")
        mono = y.mean(axis=1)
        k = 2 ** (semi / 12.0)
        stretched = librosa.effects.time_stretch(mono, rate=1.0 / k)
        shifted = librosa.resample(stretched, orig_sr=float(sr) * k, target_sr=float(sr))
        target_len = mono.shape[0]
        if shifted.shape[0] >= target_len:
            shifted = shifted[:target_len]
        else:
            shifted = np.pad(shifted, (0, target_len - shifted.shape[0]))
        sf.write(str(out), shifted, sr, subtype="PCM_16")

    # ── 清晰度修复（去闷、提亮、拉齐电平）──────────────────────────────────────
    # 用户反馈"合成的音频模糊不清"。F5-TTS + vocos 出来的声音偏低频、偏闷，
    # 而 QQ 语音还会再压一次码（SILK），所以出栈前先做一次温和的修复：
    #   ① 70Hz 高通：去掉隆隆低频（不占清晰度还吃电平）
    #   ② 2.5kHz 以上约 +4dB 存在感提升：这是"听清辅音"的关键频段
    #   ③ 峰值归一到 -1dBFS + 软限幅：避免忽大忽小、也避免削顶失真
    if cfg.get("enhance", True):
        import numpy as np
        import soundfile as sf
        from scipy.signal import butter, sosfiltfilt

        y, sr2 = sf.read(str(out), always_2d=True, dtype="float32")
        mono2 = y.mean(axis=1)
        z = sosfiltfilt(butter(2, 70, btype="highpass", fs=sr2, output="sos"), mono2)
        low = sosfiltfilt(butter(2, 2500, btype="lowpass", fs=sr2, output="sos"), z)
        z = low + (z - low) * 1.6
        peak2 = float(np.max(np.abs(z))) or 1.0
        z = np.tanh(z / peak2 * 1.15) / np.tanh(1.15)      # 软限幅（比硬削顶自然）
        # 掐掉首尾静音（各留 80ms 呼吸）：QQ 语音条前面挂一大段空白很难听，
        # 而且 remove_silence 有时只掐得掉一部分。
        thr = max(0.006, float(np.max(np.abs(z))) * 0.04)
        idx = np.where(np.abs(z) > thr)[0]
        if idx.size:
            a = max(0, int(idx[0]) - int(0.08 * sr2))
            b = min(z.shape[0], int(idx[-1]) + int(0.08 * sr2))
            z = z[a:b]
        z = (z / (float(np.max(np.abs(z))) or 1.0) * 0.89).astype("float32")
        sf.write(str(out), z, sr2, subtype="PCM_16")

    info = sf.info(str(out))
    print(json.dumps({
        "ok": True,
        "out": str(out),
        "text": text,
        "seconds": round(info.frames / info.samplerate, 2),
        "sampleRate": info.samplerate,
        "bytes": out.stat().st_size,
        "device": device,
        "pitchSemitones": semi,
        "enhanced": bool(cfg.get("enhance", True)),
        "seed": cfg.get("seed"),
        "elapsedSec": round(time.time() - started, 1),
    }, ensure_ascii=False))
    return 0


if __name__ == "__main__":
    try:
        sys.exit(main())
    except Exception as exc:  # noqa: BLE001
        print(json.dumps({"ok": False, "error": f"{type(exc).__name__}: {exc}"}, ensure_ascii=False))
        sys.exit(1)