#!/usr/bin/env python3
"""
生成六个旁白音色的样本音频（Voice Design 模式，无需参考音频）

输出目录: audio/narrator_samples/{game_id}/sample_{n}.wav
每个游戏生成 3 条有代表性的台词，覆盖不同场景类型。
"""
import os
import time
import requests
import subprocess

HOST      = os.environ.get("VOXCPM_HOST", "127.0.0.1")
PORT      = os.environ.get("VOXCPM_PORT", "8000")
BASE_URL  = f"http://{HOST}:{PORT}"
OUT_BASE  = "/home/xsl/blind/audio/narrator_samples"

# ──────────────────────────────────────────────────────────────
# 六个旁白的 Voice Design 风格描述（中文，给 VoxCPM2）
# ──────────────────────────────────────────────────────────────
NARRATORS = {
    "linxia": {
        "style": "成熟女声，三十岁出头，克制平静，纪录片旁白语气，语速偏慢，普通话标准，胸腔共鸣，不带情感评判",
        "speed": 0.85,
        "samples": [
            ("s1_narrate", "晚上九点零三分。手机震动，铃声响起。屏幕显示：妈妈。"),
            ("s2_tap",     "你接了。妈妈的声音从电话里传来，带着一点日常的关心，问你今天怎么样，吃了没有。你说还好。挂掉之后，房间里又安静了。"),
            ("s3_ending",  "今晚大部分的消息，你都没有回应。你一个人度过了这个夜晚。这也是一种选择，你心里清楚。"),
        ],
    },
    "yinian": {
        "style": "年轻女声，二十五岁左右，气声轻柔，内心独白风格，语速很慢，像说给自己听，声音贴近，偏头腔，有重量但不悲伤",
        "speed": 0.80,
        "samples": [
            ("s1_narrate", "你坐在黑暗里，独自一人。今晚你必须做一个决定——你自己知道是什么。"),
            ("s2_tap",     "你在黑暗里，说了那句对不起。没有人听见，但你说了。有什么东西松开了。"),
            ("s3_ending",  "你今晚接住了很多，你没有选择只是轻装。也许你的决定，就是带着这些往前走。"),
        ],
    },
    "shouye": {
        "style": "中年男声，四十五岁左右，略带沙哑，低沉疲惫，实务语气，像在做交班记录，不慌张，稳定",
        "speed": 0.90,
        "samples": [
            ("s1_narrate", "凌晨零点十分。地下室传来水声，不大，但是持续的，一直在响。"),
            ("s2_tap",     "你拨了地下室的内线。没人接。你下去看了一眼，是一根管子在漏水，用旧布堵住了。回到监控室，零点二十三分。"),
            ("s3_ending",  "今晚你一个人上了屋顶，你看到了那只猫，你看到了天边开始变色。只有你看到了。这算不上什么，但只有你知道。"),
        ],
    },
    "houzhen": {
        "style": "女声，完全中性，无情感，播音腔，字正腔圆，精确清晰，像医院叫号系统，句末无语调起伏",
        "speed": 0.95,
        "samples": [
            ("s1_narrate", "叫号机叫到了八十五号。你的号是九十四。等待的时间被切成了一小块一小块的，每一块都很结实。"),
            ("s2_tap",     "你看了他一会儿。他感觉到了，朝你点了点头。你也点了点头。没有说话，但有什么东西发生了。"),
            ("s3_final",   "九十四号。是你。你站起来，整理了一下衣服，走向那扇门。"),
        ],
    },
    "yisheng": {
        "style": "年轻女声，二十五岁，清晰精确，略带机械感，手机系统语音风格，有礼但冷静，像精调过的语音助手",
        "speed": 0.92,
        "samples": [
            ("s1_intro",   "你收到了一部手机。手机的主人去世了，一个月前。他留下了很多录音，按时间排列。你不认识他。或者你以为你不认识他。"),
            ("s2_meta",    "第一条录音。录制时间：三月五日，早上八点。时长：二十二秒。文件名：买橙子。"),
            ("s3_skip",    "你跳过了这条。你永远不会知道这条说了什么了。"),
        ],
    },
    "fu": {
        "style": "女声，大量气声，极轻，飘渺，语速极慢，声音散而不集中，像梦里的声音，若即若离",
        "speed": 0.75,
        "samples": [
            ("s1_intro",   "你漂浮在某处。不知道是水，还是梦，还是别的什么。声音会漂过来。"),
            ("s2_item",    "第一个。像夏天傍晚的风，带着草的气味，你说不清是哪年夏天的。它停在你身边了。"),
            ("s3_tap",     "它停在你手心里，有点暖。"),
        ],
    },
}


def synthesize_styled(text: str, style: str, cfg: float = 3.0, steps: int = 20) -> bytes:
    r = requests.post(
        f"{BASE_URL}/v1/speech/styled",
        json={
            "text":                text,
            "style":               style,
            "voice_id":            None,
            "cfg_value":           cfg,
            "inference_timesteps": steps,
            "denoise":             True,
            "retry_badcase":       True,
            "normalize":           True,
        },
        timeout=180,
    )
    r.raise_for_status()
    return r.content


def apply_speed(wav_in: str, speed: float, wav_out: str):
    if abs(speed - 1.0) < 0.01:
        import shutil; shutil.copy2(wav_in, wav_out)
        return
    subprocess.run([
        "ffmpeg", "-y", "-i", wav_in,
        "-filter:a", f"atempo={speed}",
        "-acodec", "pcm_s16le", wav_out,
    ], check=True, capture_output=True)


def main():
    print(f"\n{'='*60}")
    print(f" 旁白样本生成 — Voice Design 模式（无需参考音频）")
    print(f" 输出: {OUT_BASE}/")
    print(f"{'='*60}\n")

    total_ok = 0
    total_fail = 0

    for game_id, cfg in NARRATORS.items():
        game_dir = os.path.join(OUT_BASE, game_id)
        os.makedirs(game_dir, exist_ok=True)

        print(f"── {game_id}  [{cfg['style'][:30]}...]")

        for tag, text in cfg["samples"]:
            out_path = os.path.join(game_dir, f"{tag}.wav")
            if os.path.exists(out_path):
                print(f"   [跳过] {tag}.wav 已存在")
                total_ok += 1
                continue

            print(f"   [{tag}] {text[:40]}...", end=" ", flush=True)
            t0 = time.time()

            try:
                wav_bytes = synthesize_styled(text, cfg["style"])
                raw_path  = out_path + ".raw.wav"
                with open(raw_path, "wb") as f:
                    f.write(wav_bytes)

                apply_speed(raw_path, cfg["speed"], out_path)
                if os.path.exists(raw_path) and raw_path != out_path:
                    os.remove(raw_path)

                elapsed = time.time() - t0
                size_kb = os.path.getsize(out_path) // 1024
                print(f"✓ {elapsed:.1f}s  {size_kb}KB")
                total_ok += 1

            except Exception as e:
                print(f"✗ {e}")
                total_fail += 1

        print()

    print(f"{'='*60}")
    print(f" 完成 {total_ok} 条  失败 {total_fail} 条")
    print(f" 输出目录: {OUT_BASE}/")
    print(f"{'='*60}\n")


if __name__ == "__main__":
    main()