Markdown a audio (español)

Convierte todos los archivos Markdown del directorio modificacion1/ en audios WAV, dividiendo el texto por secciones (#) y párrafos. Cada párrafo se sintetiza con un modelo TTS y se unen los fragmentos con una pausa corta para obtener un solo audio por archivo.

Modelos soportados

• mms → facebook/mms-tts-spa (recomendado, español nativo).
• kokoro → hexgrad/Kokoro-82M.
• chatterbox → ResembleAI/chatterbox.
• vibevoice → microsoft/VibeVoice-Realtime-0.5B (soporte real vía transformers pipeline, necesita GPU para fluidez).
• cosyvoice → FunAudioLLM/Fun-CosyVoice3-0.5B-2512 (soporte real si instalas CosyVoice desde su repo; puede usar --cosyvoice-model-dir y --cosyvoice-prompt-wav).

Para uso inmediato en español, elija --engine mms. kokoro y chatterbox funcionan, pero sus descargas son pesadas y pueden requerir GPU para buen rendimiento.

Requisitos

• Python 3.10+
• FFmpeg instalado (necesario para pydub).
• Conexión a internet para descargar pesos de los modelos la primera vez.

Instalación rápida

pip install --upgrade pip
pip install -e .

Si falta FFmpeg (Linux/Docker):

sudo apt-get update && sudo apt-get install -y ffmpeg

Uso

# Convierte todos los .md de modificacion1/ usando MMS (español)
md-tts --input-dir modificacion1 --output-dir output_audio --engine mms --pause-ms 500

# Usar Kokoro (multilingüe), intentando auto-voz
md-tts --engine kokoro --input-dir modificacion1 --output-dir output_audio_kokoro

# Usar Chatterbox (multilingüe) en GPU
md-tts --engine chatterbox --device cuda

# VibeVoice (streaming-ready; requiere GPU para buen rendimiento)
md-tts --engine vibevoice --device cuda --input-dir modificacion1 --output-dir output_audio_vibe

# CosyVoice 3 (requiere instalar CosyVoice desde su repo)
md-tts --engine cosyvoice --device cuda --cosyvoice-model-dir /ruta/al/modelo \
  --cosyvoice-prompt-wav ./mi_voz.wav

• Los WAV resultantes se guardan en --output-dir con el mismo nombre base del Markdown.
• --pause-ms controla el silencio entre párrafos (por defecto 500 ms).
• --device acepta cpu o cuda (si está disponible). Algunos modelos requieren GPU para velocidad razonable.

Estructura

src/md_tts/
  parser.py       # Divide Markdown en secciones y párrafos
  tts.py          # Motores TTS (MMS, Kokoro, Chatterbox, VibeVoice, CosyVoice)
  audio_utils.py  # Conversión y unión de audio
  cli.py          # Punto de entrada de línea de comandos
pyproject.toml    # Metadatos y dependencias
Dockerfile        # Imagen lista para ejecutar

Notas y limitaciones

• VibeVoice ahora usa el pipeline de transformers; para buena latencia requiere GPU y drivers válidos.
• CosyVoice necesita instalar su repo (https://github.com/FunAudioLLM/CosyVoice) y dependencias (torch, torchaudio, funasr). Puedes apuntar a un modelo ya descargado con --cosyvoice-model-dir y dar un prompt de voz con --cosyvoice-prompt-wav.
• Los modelos son pesados; la primera ejecución descargará varios cientos de MB/GB.
• El proyecto genera WAV (16-bit PCM). Ajusta a otro formato exportando con pydub si lo necesitas.
• El texto se sintetiza en el orden original: encabezado seguido de sus párrafos, separados por silencios.

Docker

docker build -t md-tts . && docker run --rm -v "%CD%:/app" md-tts --input-dir modificacion1 --output-dir output_audio --save-fragments --engine kokoro --workers 1

Licencias de modelos

Revisa las licencias de cada modelo antes de uso en producción:

• facebook/mms-tts-spa → CC-BY-NC 4.0 (no comercial).
• hexgrad/Kokoro-82M → Apache 2.0.
• ResembleAI/chatterbox → MIT con watermarking.
• microsoft/VibeVoice-Realtime-0.5B → MIT (uso responsable, streaming).
• FunAudioLLM/Fun-CosyVoice3-0.5B-2512 → Apache 2.0.