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/f5_prueba.py

@@ -0,0 +1,38 @@
+#!/usr/bin/env python3
+# Prueba de clonacion con F5-TTS (modelo espanol jpgallegoar/F5-Spanish).
+# Descarga el checkpoint espanol (abierto) y sintetiza las mismas 3 frases que
+# XTTS, para comparar de oido. Referencia: ref/jarvis_ref_corto.wav (12s).
+import os, sys, time
+DISPOSITIVO = sys.argv[1] if len(sys.argv) > 1 else "cuda"
+BASE = os.path.dirname(os.path.abspath(__file__))
+REF = os.path.join(BASE, "ref", "jarvis_ref_corto.wav")
+SALIDA = os.path.join(BASE, "ref", "muestras")
+os.makedirs(SALIDA, exist_ok=True)
+
+FRASES = [
+    "Buenas noches, señor. Todo está listo.",
+    "He encontrado tres ficheros que coinciden. ¿Cuál abro?",
+    "El procesador está a sesenta y un grados y quedan cuarenta gigabytes de memoria.",
+]
+
+print("descargando modelo espanol F5...", flush=True)
+from huggingface_hub import hf_hub_download
+ckpt = hf_hub_download("jpgallegoar/F5-Spanish", "model_1250000.safetensors")
+vocab = hf_hub_download("jpgallegoar/F5-Spanish", "vocab.txt")
+print(f"  ckpt: {ckpt}", flush=True)
+
+print(f"cargando F5-TTS en {DISPOSITIVO}...", flush=True)
+t0 = time.time()
+from f5_tts.api import F5TTS
+# El modelo espanol se entreno sobre la arquitectura F5TTS_Base.
+f5 = F5TTS(model="F5TTS_Base", ckpt_file=ckpt, vocab_file=vocab, device=DISPOSITIVO)
+print(f"  cargado en {time.time()-t0:.1f}s", flush=True)
+
+for i, frase in enumerate(FRASES, 1):
+    t0 = time.time()
+    dst = os.path.join(SALIDA, f"f5_{i}.wav")
+    f5.infer(ref_file=REF, ref_text="", gen_text=frase, file_wave=dst,
+             remove_silence=True)
+    print(f"  [{i}] {time.time()-t0:5.1f}s -> {dst}", flush=True)
+    print(f"       «{frase}»", flush=True)
+print("listo.", flush=True)