JARVIS: asistente de voz local para Linux

Nucleo propio: oye con whisper.cpp, piensa con un modelo de Ollama, habla
con Piper, y hace RAG sobre los apuntes del usuario. 100% local, sin
cuentas ni claves.

Escrito bajo una restriccion dura, 4 GB de VRAM: el cerebro y whisper
comparten tarjeta y solo caben porque estan dimensionados para ello. El
RAG usa embeddings estaticos con busqueda hibrida; la voz clonada se sirve
de una cache de frases.

Incluye instalador (install.sh), requisitos, y documentacion del stack,
del manejo de root y de las acciones. Los apuntes indexados y el diario NO
se incluyen: son privados y el .gitignore los bloquea.

voz/clonar_afinar.py

@@ -0,0 +1,49 @@
+#!/usr/bin/env python3
+# Afinado de XTTS: combina varias referencias (promedia el timbre) y prueba
+# distintos ajustes de velocidad/temperatura para acercarse al Jarvis original.
+# Genera variantes en ref/afinar/ para comparar de oido y elegir la buena.
+import os, sys, time
+os.environ.setdefault("COQUI_TOS_AGREED", "1")
+DISP = sys.argv[1] if len(sys.argv) > 1 else "cuda"
+BASE = os.path.dirname(os.path.abspath(__file__))
+OUT = os.path.join(BASE, "ref", "afinar")
+os.makedirs(OUT, exist_ok=True)
+
+# varias referencias: XTTS calcula el latent del hablante promediandolas
+REFS = [os.path.join(BASE, "ref", n) for n in
+        ("jarvis_lento_b.wav", "jarvis_lento_a.wav", "jarvis_ref.wav")]
+REFS = [r for r in REFS if os.path.exists(r)]
+
+FRASES = {
+    "saludo": "Buenas noches, señor. Todo está listo.",
+    "pregunta": "He encontrado tres ficheros que coinciden. ¿Cuál abro?",
+}
+
+# (etiqueta, kwargs de inferencia)
+VARIANTES = [
+    ("v1_natural", dict(speed=1.0,  temperature=0.65, repetition_penalty=2.0)),
+    ("v2_sereno",  dict(speed=0.92, temperature=0.60, repetition_penalty=3.0)),
+    ("v3_grave",   dict(speed=0.88, temperature=0.55, repetition_penalty=5.0)),
+]
+
+print(f"referencias ({len(REFS)}): {[os.path.basename(r) for r in REFS]}", flush=True)
+t0 = time.time()
+from TTS.api import TTS
+tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(DISP)
+print(f"modelo cargado en {time.time()-t0:.1f}s", flush=True)
+
+for fid, frase in FRASES.items():
+    for etiqueta, kw in VARIANTES:
+        dst = os.path.join(OUT, f"{fid}_{etiqueta}.wav")
+        t0 = time.time()
+        try:
+            tts.tts_to_file(text=frase, speaker_wav=REFS, language="es",
+                            file_path=dst, **kw)
+            print(f"  {fid}/{etiqueta}: {time.time()-t0:4.1f}s  {kw}", flush=True)
+        except TypeError as e:
+            # algun kwarg no soportado: reintenta solo con speed+temperature
+            kw2 = {k: kw[k] for k in ("speed", "temperature") if k in kw}
+            tts.tts_to_file(text=frase, speaker_wav=REFS, language="es",
+                            file_path=dst, **kw2)
+            print(f"  {fid}/{etiqueta}: (sin rep_penalty) {kw2}", flush=True)
+print("listo.", flush=True)