Add REST API server, standalone web interface, and missing pieces

.gitattributes

@@ -0,0 +1,10 @@
+# cloud_setup.sh est récupéré par `curl | bash` sur une machine Linux. En CRLF,
+# le shebang emporte un \r et la machine louée répond « bad interpreter » — sur
+# un poste Windows, où core.autocrlf convertit à la volée, l'erreur ne se voit
+# jamais avant d'avoir payé l'instance.
+*.sh text eol=lf
+
+# Symétriquement, Windows PowerShell 5.1 lit un .ps1 sans BOM en CP1252 : les
+# accents se cassent et un tiret cadratin devient un guillemet fermant, donc un
+# délimiteur de chaîne. Git ne doit pas toucher à ces fichiers.
+*.ps1 -text

.gitignore

@@ -5,3 +5,13 @@ voxcpm.egg-info
 .DS_Store
 ./pretrained_models/
 app_local.py
+
+# Generated voice-preview cache (regenerate with scripts/pregenerate_previews.py)
+assets/voice_previews/
+# Recordings a cloned voice is built from. Never committed: this repository is
+# public, and a voice sample is the one asset that lets anyone impersonate its
+# owner. The preset entry that points at one is committed; the audio is not.
+assets/voices/
+
+# Archived generations
+output/

Dockerfile

@@ -0,0 +1,40 @@
+# VoxCPM API server image (GPU-ready, also runs on CPU)
+#
+# Build:
+#   docker build -t voxcpm-server .
+#
+# Run (GPU):
+#   docker run --gpus all -p 8000:8000 -v voxcpm-cache:/root/.cache voxcpm-server
+#
+# Run (CPU only — slow, for testing):
+#   docker run -p 8000:8000 -e VOXCPM_DEVICE=cpu -v voxcpm-cache:/root/.cache voxcpm-server
+#
+# Then open http://localhost:8000
+
+FROM pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime
+
+ENV PYTHONUNBUFFERED=1 \
+    TOKENIZERS_PARALLELISM=false \
+    HF_HUB_ENABLE_HF_TRANSFER=0
+
+RUN apt-get update \
+    && apt-get install -y --no-install-recommends git libsndfile1 ffmpeg \
+    && rm -rf /var/lib/apt/lists/*
+
+WORKDIR /app
+
+COPY pyproject.toml README.md LICENSE ./
+COPY src ./src
+COPY server.py app.py ./
+COPY web ./web
+COPY assets ./assets
+
+# SETUPTOOLS_SCM_PRETEND_VERSION: .git is not copied into the image, so
+# setuptools_scm cannot derive the version from tags.
+RUN SETUPTOOLS_SCM_PRETEND_VERSION=0.0.0 pip install --no-cache-dir -e ".[server]"
+
+EXPOSE 8000
+
+# Model weights are downloaded on first request and cached in /root/.cache —
+# mount a volume there to persist them across container restarts.
+CMD ["python", "server.py", "--host", "0.0.0.0", "--port", "8000"]

README.md

@@ -258,6 +258,30 @@ voxcpm --help
 
 ### Web Demo
 
+Two web interfaces are available:
+
+**VoxCPM Studio — lightweight web UI + REST API** (no funasr required):
+
+```bash
+pip install -e ".[server]"
+python server.py --port 8000  # then open in browser: http://localhost:8000
+```
+
+A modern standalone interface (English/French) covering all three generation modes,
+backed by a REST API with an **OpenAI-compatible** `/v1/audio/speech` endpoint
+(interactive docs at `http://localhost:8000/docs`). See the
+[Guide en français](docs/GUIDE_FR.md) for a full walkthrough.
+
+```bash
+# REST API example
+curl -X POST http://localhost:8000/api/tts \
+  -F "text=Hello from the VoxCPM API!" \
+  -F "control=warm female voice" \
+  -o out.wav
+```
+
+**Gradio demo** (with automatic reference-audio transcription via funasr):
+
 ```bash
 python app.py --port 8808  # then open in browser: http://localhost:8808
 ```

conf/lexique/neurosciences.json

@@ -0,0 +1,39 @@
+{
+  "_comment": "Termes de neurosciences et de psychotraumatologie du catalogue. S'empile sur conf/pronunciation_fr.json : python scripts/narrate_book.py ... --lexicon conf/pronunciation_fr.json --lexicon conf/lexique/neurosciences.json",
+
+  "_regle": "Les entrées ci-dessous sont DÉSACTIVÉES (préfixe _ = ignoré). Écoutez d'abord : le moteur lit peut-être déjà « cortisol » ou « hippocampe » très bien, et une correction inutile ne peut que dégrader. Retirez le préfixe uniquement pour ce que vous avez entendu faux.",
+
+  "_methode": "Pour trouver la bonne graphie : python scripts/try_pronunciation.py --phrase '...' --mot amygdale --candidats 'amigdale' 'a-mig-dale' --voice '...'. Le premier extrait produit est toujours le texte non modifié, pour savoir si la correction bat le défaut de départ.",
+
+  "_frequences": "Mesurées sur les 20 livres de la file : TSPT 89, cortisol 60, EMDR 59, cortex 59, neuroplasticité 46, dopamine 41, préfrontal 36, hypervigilance 35, hippocampe 30, dissociation 29, rumination 28, sympathique 22, amygdale 20, parasympathique 19, vagal 15, accumbens 3. Un terme lu 89 fois coûte 89 fautes ; un terme lu 3 fois en coûte 3.",
+
+  "_sigles": "--- sigles, à épeler ou non selon ce qu'on entend ---",
+  "_EMDR": "E M D R",
+  "_TSPT": "T S P T",
+
+  "_latin": "--- termes latins, sans règle française qui les gouverne ---",
+  "_accumbens": "acumbennsse",
+  "_insula": "inn-sula",
+
+  "_anatomie": "--- structures cérébrales ---",
+  "_amygdale": "amigdale",
+  "_hippocampe": "hipocampe",
+  "_thalamus": "talamusse",
+  "_hypothalamus": "ipotalamusse",
+  "_cingulaire": "saingulaire",
+
+  "_hormones": "--- ---",
+  "_cortisol": "cortizol",
+  "_ocytocine": "ocitocine",
+  "_sérotonine": "sérotonine",
+
+  "_etrangers": "--- mots anglais lus avec des règles françaises ---",
+  "_mindfulness": "maïndfoulness",
+  "_flashback": "flachbaque",
+
+  "_noms": "--- noms propres du domaine ---",
+  "_Porges": "Porguesse",
+  "_Shapiro": "Chapiro",
+  "_Bessel van der Kolk": "Bessel vane der Kolk",
+  "_Francine": "Francine"
+}

conf/lexique_hfd.json

@@ -0,0 +1,14 @@
+{
+  "_comment": "Lexique propre à « TENIR DEBOUT — La dépression masquée des cadres performants » (livre-33-depression-masquee). S'empile sur conf/pronunciation_fr.json, il ne le remplace pas.",
+
+  "_pourquoi": "L'abréviation HFD revient 160 fois et n'est jamais développée dans le texte : elle apparaît dès le chapitre 1. À l'écrit, un lecteur remonte quelques pages ou devine ; à l'oral il entend « ache-èf-dé » cent soixante fois sans savoir de quoi on parle. Edwin a choisi de la développer partout.",
+
+  "_ordre": "Le lexique applique les clés de la plus longue à la plus courte, ce qui règle les accords : « mécanisme HFD » et « les HFD » sont traités avant « HFD » seul, donc leur forme particulière gagne.",
+
+  "mécanisme HFD": "mécanisme de la dépression de haut fonctionnement",
+
+  "_pluriel": "Les trois « les HFD » sont suivis d'accords féminins pluriels déjà en place — « non encore prises en charge », « non aiguës » — donc seul le nom est à mettre au pluriel.",
+  "les HFD": "les dépressions de haut fonctionnement",
+
+  "HFD": "dépression de haut fonctionnement"
+}

conf/preset_voices.json

@@ -0,0 +1,172 @@
+[
+  {
+    "name": "Narrateur profond & calme",
+    "description": "Voix masculine française de narrateur pour livre audio, profonde, calme et posée, timbre chaleureux et rassurant, débit lent et immersif, diction claire et articulée",
+    "seed": 4110390676,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Narratrice douce & naturelle",
+    "description": "Voix féminine française de narratrice pour livre audio, douce et naturelle, timbre chaleureux et authentique, débit fluide et posé, diction claire, ton captivant et apaisant",
+    "seed": 3227543575,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Conteur jeune & dynamique",
+    "description": "Voix masculine française de jeune conteur d'environ vingt-cinq ans pour livre audio, dynamique et expressive, ton vivant et engageant, débit naturel, idéale pour la narration d'histoires",
+    "seed": 2151638728,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Narratrice chaleureuse & conversationnelle",
+    "description": "Voix féminine française d'âge mûr pour livre audio, chaleureuse et engageante, style conversationnel et charmant, ton bienveillant et proche de l'auditeur, diction naturelle",
+    "seed": 3023399458,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Narrateur documentaire velouté",
+    "description": "Voix masculine française de narrateur de documentaire, veloutée et posée, ton professionnel empreint de mystère et d'émerveillement, diction soignée, idéale pour nature, science et histoire",
+    "seed": 1468538221,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Narrateur moderne & professionnel",
+    "description": "Voix masculine française moderne, claire et profonde, ton assuré et régulier, débit confiant et professionnel, idéale pour la narration, les podcasts et les livres audio contemporains",
+    "seed": 3515672692,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Méditation guidée (grave & lente)",
+    "description": "Voix masculine française très grave et profonde pour méditation guidée, extrêmement lente et douce, ton chaud, apaisant et enveloppant, chuchoté et relaxant, longues pauses, respiration calme, idéale pour la détente et la relaxation",
+    "seed": 560505514,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Conteuse jeune & pétillante",
+    "description": "Voix féminine française de jeune conteuse d'environ vingt-cinq ans pour livre audio, pétillante et expressive, ton vivant et complice, débit naturel et enjoué, idéale pour la jeunesse et le roman contemporain",
+    "seed": 1794602311,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Narratrice grave & intense",
+    "description": "Voix féminine française grave et posée, timbre sombre et affirmé, ton tendu et maîtrisé, débit lent et pesant, diction précise, idéale pour le thriller, le polar et le récit sombre",
+    "seed": 2884176053,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Vieux conteur au coin du feu",
+    "description": "Voix masculine française de conteur âgé, timbre patiné et légèrement rocailleux, ton bienveillant et malicieux, débit lent et posé avec des silences, idéale pour les contes, les légendes et les récits pour enfants",
+    "seed": 3361208947,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Méditation guidée (voix féminine)",
+    "description": "Voix féminine française très douce et aérienne pour méditation guidée, extrêmement lente, presque chuchotée, ton apaisant et enveloppant, longues pauses, respiration calme, idéale pour la relaxation et le sommeil",
+    "seed": 1029384756,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Pédagogue clair & précis",
+    "description": "Voix masculine française neutre et pédagogique, timbre clair et présent, ton didactique et bienveillant, débit régulier et articulé, idéale pour l'essai, le livre pratique et la vulgarisation",
+    "seed": 2470915638,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Narratrice lumineuse & posée",
+    "description": "Voix féminine française lumineuse et posée, timbre clair et soyeux, ton élégant et maîtrisé, débit fluide et régulier, diction soignée, idéale pour la littérature blanche et le récit intimiste",
+    "seed": 4055721384,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Narrateur dramatique & théâtral",
+    "description": "Voix masculine française théâtrale et ample, timbre riche et projeté, ton dramatique et habité, débit varié avec des ruptures marquées, idéale pour la fiction intense, l'épopée et le récit historique",
+    "seed": 1613947205,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr"
+  },
+  {
+    "name": "Edwin Dérivé (V1)",
+    "description": "",
+    "seed": 1234,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr",
+    "reference": "assets/voices/edwin_derive_v1_phrase.wav",
+    "reference_text": "Bienvenue dans cet espace de méditation conçu spécialement pour vous."
+  },
+  {
+    "name": "Aurore — livre audio",
+    "description": "",
+    "seed": 1235,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr",
+    "reference": "assets/voices/aurore_livre.wav",
+    "reference_text": "Il est neuf heures du matin, dans le bureau parisien d'une grande entreprise de service. Sarah, trente-huit ans, manager depuis cinq ans, entre dans la pièce. Elle a mal dormi. Elle pose son sac, allume son ordinateur. L'écran affiche trois cent quarante-sept mails non lus."
+  },
+  {
+    "name": "Aurore — méditation guidée",
+    "description": "",
+    "seed": 1236,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr",
+    "reference": "assets/voices/aurore_meditation.wav",
+    "reference_text": "Bienvenue dans cet espace de méditation conçu spécialement pour vous. Pendant les vingt prochaines minutes, je vous invite à mettre en pause vos responsabilités, vos emails et toute forme de distraction pour vous offrir un moment précieux de calme et de recentrage."
+  },
+  {
+    "name": "Alex Somerset",
+    "description": "",
+    "seed": 1237,
+    "cfg": 2.0,
+    "diffusion_steps": 10,
+    "normalize": true,
+    "lang": "fr",
+    "reference": "assets/voices/alex_somerset.wav",
+    "reference_text": "Si l'esprit commence à vagabonder, utilisez ce moment comme opportunité pour cultiver patience et bienveillance envers soi-même. Revenez simplement au souffle, sans jugement ni frustration. Nous allons maintenant entamer un cycle respiratoire conscient."
+  }
+]

conf/pronunciation_fr.json

@@ -0,0 +1,59 @@
+{
+  "_comment": "Lexique de prononciation. Clé = ce qui est écrit dans le texte, valeur = ce qui doit être prononcé. Le remplacement est insensible à la casse et ne s'applique qu'à des mots entiers. Les clés commençant par _ sont ignorées (commentaires). Utile surtout pour les noms propres, les sigles et les mots étrangers d'un livre donné.",
+  "_exemple_sigles": "--- sigles lus lettre par lettre ---",
+  "SNCF": "S N C F",
+  "RATP": "R A T P",
+  "ONU": "O N U",
+  "URSS": "U R S S",
+  "_exemple_etrangers": "--- mots étrangers ---",
+  "Wi-Fi": "wifi",
+  "email": "i-mail",
+  "_exemple_noms": "--- noms propres à adapter à votre livre ---",
+  "Nietzsche": "Nitche",
+  "_comment_contexte": "Une valeur peut aussi être un objet, pour ne remplacer QUE dans un contexte donné : {\"prononcer\": \"...\", \"après\": \"regex\", \"avant\": \"regex\"}. C'est le seul moyen de traiter un homographe : « il est » et « à l'est » s'écrivent pareil et ne se disent pas pareil, donc une règle qui vise le mot seul casse forcément l'un des deux.",
+  "_comment_homographes": "Les entrées ci-dessous sont des MODÈLES, volontairement désactivées (préfixe _ = ignoré). Écoutez d'abord : si la voix lit déjà correctement « l'est » ou « le couvent », n'y touchez pas — une correction inutile ne peut que dégrader. Quand vous en repérez une fausse, recopiez la ligne sans le préfixe et ajustez l'orthographe phonétique à l'oreille.",
+  "_est": {
+    "prononcer": "èsste",
+    "après": "à l'|dans l'|vers l'|de l'|l'",
+    "_pourquoi": "le point cardinal, contre le verbe être"
+  },
+  "_fils": {
+    "prononcer": "fisse",
+    "après": "mon|son|ton|le|un|leur",
+    "_pourquoi": "l'enfant, contre les fils électriques"
+  },
+  "_couvent": {
+    "prononcer": "couvan",
+    "après": "le|du|au|ce|un",
+    "_pourquoi": "le monastère, contre le verbe couver (ils couvent)"
+  },
+  "_portions": {
+    "prononcer": "porcions",
+    "après": "les|des|deux|trois|quelques",
+    "_pourquoi": "les parts, contre le verbe porter (nous portions)"
+  },
+  "_violent": {
+    "prononcer": "violan",
+    "après": "un|le|ce|très|si|plus",
+    "_pourquoi": "l'adjectif, contre le verbe violer (ils violent)"
+  },
+  "_content": {
+    "prononcer": "contan",
+    "après": "je suis|il est|elle est|très|si|pas",
+    "_pourquoi": "l'adjectif, contre le verbe conter (ils content)"
+  },
+  "_négligent": {
+    "prononcer": "négligean",
+    "après": "un|le|ce|très|si",
+    "_pourquoi": "l'adjectif, contre le verbe négliger (ils négligent)"
+  },
+  "_plus": {
+    "prononcer": "pluss",
+    "avant": "de|que|d'",
+    "_pourquoi": "le s se prononce dans « plus de dix », pas dans « plus tard »"
+  },
+  "_comment_ces": "Validé à l'oreille par Edwin le 2026-08-09 : le moteur avale le s final de « ces » et le dit « ce ». « cés » rétablit le son /se/. Ce n'est pas un homographe — « ces » se dit toujours /se/ — donc aucune règle de contexte n'est nécessaire ici, contrairement à « plus » ou « fils ».",
+  "ces": "cés",
+  "_comment_ses": "Même défaut que « ces », même correction par analogie : l'accent rétablit le /e/ final. Appliqué sans validation directe à l'oreille — le parallèle est exact, mais si « sés » sonne faux, retirez cette ligne.",
+  "ses": "sés"
+}