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/prueba_longitud.py

@@ -0,0 +1,92 @@
+#!/usr/bin/env python3
+"""¿El clon falla porque las frases son cortas?
+
+La referencia son 25 segundos de habla seguida. Lo que JARVIS dice de verdad
+son acuses de segundo y medio: "Voy, señor". XTTS arranca cada generacion sin
+contexto, y en frase corta no le da tiempo a asentar la voz antes de terminar.
+Si es eso, el parecido deberia subir con la longitud del texto — y la solucion
+no seria tocar parametros sino generar mas largo y recortar.
+
+Se mide con repeticiones porque XTTS muestrea: una sola pasada por longitud
+seria ruido, que es el error que ya se cometio dos veces hoy.
+
+    python prueba_longitud.py [cuda|cpu] [repeticiones]
+"""
+import os
+import statistics
+import sys
+import tempfile
+
+import torch
+
+DISPOSITIVO = sys.argv[1] if len(sys.argv) > 1 else "cuda"
+REPES = int(sys.argv[2]) if len(sys.argv) > 2 else 4
+
+BASE = os.path.dirname(os.path.abspath(__file__))
+sys.path.insert(0, BASE)
+from clonador import CONDICIONADO, GENERACION, referencias
+
+os.environ.setdefault("COQUI_TOS_AGREED", "1")
+PATRON = os.path.join(BASE, "ref", "jarvis_lento_b.wav")
+MEDIR = dict(gpt_cond_len=30, gpt_cond_chunk_len=6, max_ref_length=30)
+
+# mismo registro, longitud creciente
+TEXTOS = [
+    ("muy corta  (~1s)", "Voy, señor."),
+    ("corta      (~2s)", "Enseguida, señor. Ahora mismo."),
+    ("media      (~5s)", "Enseguida, señor. He revisado el sistema y todo está en orden."),
+    ("larga     (~10s)", "Enseguida, señor. He revisado el sistema y todo está en orden. "
+                         "La temperatura ronda los sesenta y tres grados y quedan "
+                         "cuarenta y un gigabytes de memoria libre."),
+    ("muy larga (~20s)", "Enseguida, señor. He revisado el sistema y todo está en orden. "
+                         "La temperatura ronda los sesenta y tres grados y quedan "
+                         "cuarenta y un gigabytes de memoria libre. El disco principal "
+                         "va al sesenta por ciento y no he detectado ningún proceso "
+                         "anómalo. ¿Desea que ejecute el análisis de red ahora o "
+                         "prefiere que espere?"),
+]
+
+
+def main():
+    from TTS.api import TTS
+    import soundfile as sf
+
+    api = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(DISPOSITIVO)
+    modelo = api.synthesizer.tts_model
+
+    def emb(ruta):
+        _, e = modelo.get_conditioning_latents(audio_path=[ruta], **MEDIR)
+        return e
+
+    patron = emb(PATRON)
+
+    def parecido(ruta):
+        return float(torch.nn.functional.cosine_similarity(
+            patron.squeeze().float(), emb(ruta).squeeze().float(), dim=0))
+
+    gpt, hablante = modelo.get_conditioning_latents(
+        audio_path=referencias(), **CONDICIONADO)
+
+    print(f"  {REPES} repeticiones por longitud · referencia a batir: 0.84-0.95\n")
+    print(f"  {'texto':18s} {'dur':>6s} {'parecido':>9s} {'desv':>7s}")
+    print("  " + "-" * 45)
+
+    with tempfile.TemporaryDirectory() as tmp:
+        for etiqueta, texto in TEXTOS:
+            puntos, duraciones = [], []
+            for r in range(REPES):
+                out = modelo.inference(
+                    text=texto, language="es", gpt_cond_latent=gpt,
+                    speaker_embedding=hablante, enable_text_splitting=False,
+                    **GENERACION)
+                d = os.path.join(tmp, f"{len(puntos)}_{r}.wav")
+                sf.write(d, out["wav"], 24000)
+                duraciones.append(len(out["wav"]) / 24000)
+                puntos.append(parecido(d))
+            print(f"  {etiqueta:18s} {statistics.mean(duraciones):5.1f}s "
+                  f"{statistics.mean(puntos):9.4f} {statistics.pstdev(puntos):7.4f}",
+                  flush=True)
+
+
+if __name__ == "__main__":
+    main()