Initial commit: InkFlow — EPUB vers livre audio local (MLX/Kokoro)

backend/inkflow/tts/base.py

@@ -0,0 +1,48 @@
+"""Abstraction des moteurs TTS (backend pluggable).
+
+Deux implementations : Kokoro (rapide, voix preglees -> previews) et Qwen3-TTS
+(qualite + clonage par audio de reference -> rendu final). Toutes deux renvoient
+de l'audio mono float32 + une frequence d'echantillonnage.
+"""
+from __future__ import annotations
+
+from abc import ABC, abstractmethod
+from dataclasses import dataclass
+from typing import Optional
+
+import numpy as np
+
+
+@dataclass
+class VoiceSpec:
+    """Decrit la voix a utiliser pour une synthese.
+
+    - `preset` : nom d'une voix preglee (Kokoro: "ff_siwis" ; Qwen3: "Chelsie").
+    - `ref_audio` / `ref_text` : clip de reference pour le clonage (Qwen3).
+    """
+    preset: Optional[str] = None
+    ref_audio: Optional[str] = None
+    ref_text: Optional[str] = None
+    speed: float = 1.0
+
+
+class TTSBackend(ABC):
+    """Interface commune a tous les moteurs TTS."""
+
+    name: str = "base"
+
+    @abstractmethod
+    def synthesize(self, text: str, voice: VoiceSpec) -> tuple[np.ndarray, int]:
+        """Synthetise `text` et renvoie (audio mono float32, sample_rate)."""
+
+    def default_voice(self) -> VoiceSpec:
+        return VoiceSpec()
+
+
+def to_mono_float32(audio) -> np.ndarray:
+    """Normalise une sortie de modele (mx.array / np / list) en mono float32."""
+    arr = np.asarray(audio, dtype=np.float32)
+    if arr.ndim > 1:
+        # (channels, n) ou (n, channels) -> moyenne sur l'axe des canaux.
+        arr = arr.mean(axis=0) if arr.shape[0] < arr.shape[-1] else arr.mean(axis=-1)
+    return np.ascontiguousarray(arr.reshape(-1))