reading-library-tts

adzetto/reading-library belgelerini Step-Audio-EditX ile seslendiren, Google Colab için tasarlanmış üretim hattı.

Tek dosya, sıfır kurulum: bağımlılıkları, CUDA kütüphanelerini ve model indirmelerini kendisi halleder; çıktıyı Google Drive'a yazdığı için oturum koparsa kaldığı yerden devam eder.

---

Colab'da çalıştırma (tek satır)

Yeni bir hücreye yapıştır, çalıştır:

import os, subprocess; os.environ["TTS_DOC_ID"] = "aesop-fables"; subprocess.run("rm -rf /content/rltts && git clone -q https://github.com/adzetto/reading-library-tts /content/rltts", shell=True, check=True); exec(open("/content/rltts/colab_tts_pipeline.py", encoding="utf-8").read())

Her çalıştırmada depoyu silip yeniden klonlar, yani her zaman en güncel sürümü çalıştırır. Ayarları os.environ["TTS_..."] ile geçebilirsin:

os.environ["TTS_DOC_ID"] = "*"            # depodaki TÜM belgeler
os.environ["TTS_SMOKE_TEST"] = "3"        # sadece ilk 3 parça (deneme koşusu)
os.environ["TTS_STEP_MOTOR"] = "transformers"   # vllm'i hiç deneme
os.environ["TTS_KALITE_ASR_MODEL"] = "small"    # daha hızlı kalite denetimi

Yerelde / terminalde CLI de var:

python colab_tts_pipeline.py --doc_id "*" --drive_modu output
python colab_tts_pipeline.py --kuru_kosu          # model yüklemeden doğrulama

---

Melez üretim (önerilen)

Step-Audio-EditX gövde metninde iyi çalışıyor ama noktalamasız kısa başlıklarda durma işareti bulamayıp token tavanına kadar uyduruyor. Kalite kapısı bu parçaları zaten tespit ettiği için, yalnızca onları ElevenLabs'e devrediyoruz:

Yani ücretsiz bir ElevenLabs kotası, kütüphanenin tamamını tamamlamaya yeter.

os.environ["ELEVENLABS_API_KEY"] = "sk_..."     # virgülle birden fazla verilebilir
os.environ["TTS_DOC_ID"] = "*"
# KALITE_YEDEK_MOTOR zaten "elevenlabs" (kapatmak için "")

Birden fazla anahtar verirsen biri kotayı doldurduğunda otomatik olarak diğerine geçilir (ELEVENLABS_API_KEYS_FILE ile dosyadan da okunur).

Step'in bilinen kayıp deseni (kısa + noktalamasız metin) doğrudan yedeğe yönlendirilir; üç deneme boşa gitmez. Ölçüm: kütüphanedeki 1366 parçanın 127'si bu desende, toplam 2.207 karakter — ve ~2.1 saat kazandırıyor. API çıktısı zaten tutarlı olduğu için ASR geri okuması atlanır (boş/sessiz/ kırpık dosya kontrolü yine çalışır).

Sadece ElevenLabs ile üretmek için: TTS_MODEL_TIPI="elevenlabs".

Ne yapıyor

reading-library/narration/<doc>.json
        │
        ├─ metni cümle sınırlarından dilimle
        ├─ Step-Audio-EditX ile klonlanmış sesle sentezle   (vllm | transformers)
        ├─ KALİTE DENETİMİ: süre mantığı + whisper ile geri okuma
        │     └─ tutmazsa parametreleri uyarlayıp yeniden üret
        ├─ WAV → OPUS (ffmpeg, paralel)
        └─ manifest.json + manifest.js + zip   →  Google Drive

Öne çıkanlar

• Kalite kapısı. Üretilen ses whisper ile geri okunup hedef metinle karşılaştırılır. Eşiği geçemeyen parça paketlenmez; reddin sebebine göre (çok uzun / çok kısa / içerik uyuşmuyor) sıcaklık, token tavanı ve dilim boyu uyarlanıp yeniden denenir.
• Kendi kendini onaran kurulum. Eksik CUDA kütüphanelerini ve Python paketlerini hata mesajından tespit edip kurar (aşağıdaki Bilinen tuzaklar).
• İki motor. vllm (hızlı) çalışmazsa aynı ağırlıklarla transformers köprüsüne düşer — koşu kaybedilmez.
• Devam edebilirlik. Tamamlanan parçalar Drive'da; yeniden çalıştırınca yalnızca eksikler üretilir. Bozuk olanlar denetimden geçirilip yeniden üretilir.
• Çoklu belge. DOC_ID="*" ile tüm depo tek koşuda, model bir kez yüklenerek.

---

Ayarlar

Dosyanın başındaki blok ya da TTS_<AYAR> ortam değişkeni ile:

---

Bilinen tuzaklar (ve hattın nasıl çözdüğü)

Colab 2026.04+ ortamında karşılaşılan ve hattın otomatik hallettiği sorunlar:

---

Testler

python -m pytest tests -q          # veya: for f in tests/test_*.py; do python $f; done

Testler GPU veya Colab gerektirmez; kurulum onarımını, kalite kapısını ve sürüm uyumluluk yamalarını gerçek hata metinleri üzerinde doğrular.

---

Gereksinimler

• Google Colab (A100 / L4 önerilir) veya CUDA'lı bir Linux makine
• Python 3.12
• Model ağırlıkları otomatik iner: stepfun-ai/Step-Audio-EditX + Step-Audio-Tokenizer