Files
pf-linux-port/scripts/screencast/make_audio.py
T
lgcosta cc67531602 Screencasts v2: real shell sessions, MiniMax narration (EN/PT), lab diagram
O problema da primeira serie era a sensacao de 'quadro a quadro': a captura
era a saida de um script despejada em blocos.  Agora cada video e uma sessao
shell de verdade.

- record.py: abre um pty, faz SSH no firewall e digita os comandos tecla a
  tecla (~34 c/s, com jitter).  O tty remoto ecoa, o kernel responde ao vivo;
  a captura e asciicast v2 com timestamps.  'bash --noediting' evita que o
  editor de linha redesenhe o comando e o tty o repita (a linha aparecia
  duplicada).
- record.py --pace: segura a tela enquanto a voz fala - cada batida dura o
  trecho de audio que a acompanha, de modo que uma unica captura serve as
  duas versoes de idioma.
- record.py --ensure-pf: garante pf.ko carregado antes de gravar.  Sem isso
  uma fase que roda 'rmmod' (ativacao) pode derrubar o /dev/pf de outra
  gravacao concorrentes - foi exatamente o que quebrou a fase de roteamento
  na primeira tentativa.
- make_audio.py: geracao da narracao pelo MiniMax TTS, uma voz feminina por
  idioma (English_ConfidentWoman / Portuguese_ConfidentWoman), um arquivo
  por segmento.  A API devolve o audio em hexadecimal, nao base64.
- render_video.py: reproduz a captura por um emulador de terminal e escreve
  os frames direto no ffmpeg como RGB bruto (um PNG por frame era uma ordem
  de grandeza mais lento).  Desenha o diagrama de rede do lab por cima do
  terminal nas fases de roteamento e balanceamento, destacando o caminho em
  discussao, e queima a legenda da narracao.
- assemble.py: mixa os segmentos de audio na linha do tempo.
- join.py: emenda as fases com crossfade sobre um cartao de capitulo e
  sincroniza o audio na mesma linha do tempo.
- build-all.sh: roda o pipeline inteiro.

Arte de fundo e audio vem do MiniMax; a geracao de video do MiniMax nao esta
habilitada nesta conta (erro 2068 em todos os modelos), entao as transicoes
sao renderizadas localmente com ffmpeg.

16 videos: 7 fases + filme completo, em ingles e portugues, com legenda
queimada.
2026-11-12 10:57:29 -03:00

122 lines
4.4 KiB
Python
Executable File

#!/usr/bin/env python3
"""
Generate the narration audio for every screencast phase with MiniMax TTS.
Female voices, one per language:
en -> English_ConfidentWoman
pt -> Portuguese_ConfidentWoman
Each *segment* of a narration script becomes its own audio file, so the
renderer can start the voice exactly when the matching beat appears on
screen and burn the same sentence as a subtitle.
./scripts/screencast/make_audio.py --lang en
./scripts/screencast/make_audio.py --lang pt --phase 04-roteamento
"""
import argparse
import base64
import json
import os
import sys
import time
import urllib.error
import urllib.request
HERE = os.path.dirname(os.path.abspath(__file__))
NARR = os.path.join(HERE, "narration")
VO_DIR = os.path.join(HERE, "..", "..", "out", "screencast", "vo")
VOICES = {
"en": {"voice_id": "English_ConfidentWoman", "language_boost": "English"},
"pt": {"voice_id": "Portuguese_ConfidentWoman", "language_boost": "Portuguese"},
}
# MiniMax occasionally stumbles on the punctuation of long sentences; keeping
# the text plain (no dashes, no slashes) makes the prosody predictable.
MODEL = "speech-02-hd"
API = "https://api.minimax.io/v1/t2a_v2"
def decode_audio(payload):
"""MiniMax returns the audio as a hex string (it starts with the ASCII
bytes of the ID3 header, 49443304). Older/other endpoints use base64,
so both are handled."""
if len(payload) > 8 and all(c in "0123456789abcdefABCDEF" for c in payload[:64]):
return bytes.fromhex(payload)
data = payload.replace("-", "+").replace("_", "/")
data += "=" * (-len(data) % 4)
return base64.b64decode(data, validate=False)
def tts(text, voice, lang, out_path, retries=3):
body = {
"model": MODEL,
"text": text,
"stream": False,
"voice_setting": {
"voice_id": voice["voice_id"],
"speed": 0.97, "vol": 1.0, "pitch": 0, "emotion": "neutral",
},
"audio_setting": {"sample_rate": 44100, "bitrate": 128000,
"format": "mp3", "channel": 1},
"language_boost": voice["language_boost"],
}
key = os.environ.get("MINIMAX_API_KEY")
if not key:
raise SystemExit("MINIMAX_API_KEY is not set")
for attempt in range(retries):
req = urllib.request.Request(
API, data=json.dumps(body).encode(),
headers={"Authorization": f"Bearer {key}", "Content-Type": "application/json"})
try:
with urllib.request.urlopen(req, timeout=120) as r:
data = json.loads(r.read())
if data.get("base_resp", {}).get("status_code") != 0:
raise RuntimeError(str(data.get("base_resp")))
audio = data.get("data", {}).get("audio")
if not audio:
raise RuntimeError("no audio in response")
with open(out_path, "wb") as f:
f.write(decode_audio(audio))
return True
except Exception as exc: # noqa: BLE001
sys.stderr.write(f"[tts] attempt {attempt + 1} failed: {exc}\n")
time.sleep(2 + attempt * 3)
return False
def main():
ap = argparse.ArgumentParser()
ap.add_argument("--lang", required=True, choices=["en", "pt"])
ap.add_argument("--phase", help="only this phase")
ap.add_argument("--force", action="store_true")
args = ap.parse_args()
voice = VOICES[args.lang]
files = sorted(f for f in os.listdir(NARR) if f.endswith(f".{args.lang}.json"))
if args.phase:
files = [f for f in files if f.startswith(args.phase + ".")]
total = 0
for fn in files:
phase = fn.split(".")[0]
script = json.load(open(os.path.join(NARR, fn)))
outdir = os.path.abspath(os.path.join(VO_DIR, f"{phase}.{args.lang}"))
os.makedirs(outdir, exist_ok=True)
for i, seg in enumerate(script["segments"]):
out = os.path.join(outdir, f"{i:02d}-{seg['beat']}.mp3")
if os.path.exists(out) and not args.force:
print(f"skip {phase}.{args.lang} seg{i} ({seg['beat']})")
total += 1
continue
ok = tts(seg["text"], voice, args.lang, out)
size = os.path.getsize(out) if os.path.exists(out) else 0
print(f"{'ok ' if ok else 'FAIL'} {phase}.{args.lang} seg{i} "
f"({seg['beat']}) {size} bytes")
total += 1
print(f"[audio] {total} segments processed for lang={args.lang}")
if __name__ == "__main__":
main()