#!/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)