dschlueter
7893c60e53
- README: Feature-Liste, CLI-Optionen (--no-normalize-*), Tabelle aller Normalisierungsschritte mit Beispielen - BEDIENUNGSANLEITUNG: Datumsformat in "Was das Programm automatisch macht" Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
366 lines
9.5 KiB
Markdown
366 lines
9.5 KiB
Markdown
# Bedienungsanleitung: Chatterbox TTS-Assistent
|
||
|
||
Dieses Programm liest Texte laut vor — ähnlich wie ein Vorlesedienst.
|
||
Es wandelt geschriebenen Text in natürlich klingende Sprache um.
|
||
|
||
---
|
||
|
||
## Was das Programm braucht
|
||
|
||
- Einen Computer mit Linux
|
||
- Eine installierte Conda-Umgebung namens `chatterbox`
|
||
- Eine Grafikkarte (GPU) — macht das Programm deutlich schneller
|
||
|
||
---
|
||
|
||
## Automatischer Start im Hintergrund
|
||
|
||
Der Sprach-Service startet automatisch, sobald du dich am Computer anmeldest.
|
||
Du musst nichts weiter tun — er läuft im Hintergrund und wartet auf Anfragen.
|
||
|
||
Ob der Service läuft, prüfst du so:
|
||
|
||
```bash
|
||
systemctl --user status chatterbox-tts
|
||
```
|
||
|
||
Bei Problemen neu starten:
|
||
|
||
```bash
|
||
systemctl --user restart chatterbox-tts
|
||
```
|
||
|
||
---
|
||
|
||
## Das Kommandozeilen-Programm starten
|
||
|
||
Für die direkte Nutzung über das Terminal:
|
||
|
||
```bash
|
||
conda activate chatterbox
|
||
cd ~/chatterbox-tts-cli
|
||
```
|
||
|
||
---
|
||
|
||
## Einen Text vorlesen lassen
|
||
|
||
### Text aus einer Datei vorlesen
|
||
|
||
```bash
|
||
python chatterbox_cli_v4.py --lang de --input mein_text.txt
|
||
```
|
||
|
||
Ersetze `mein_text.txt` durch den Pfad zu deiner Textdatei.
|
||
Die Datei muss im Format **UTF-8** gespeichert sein (das ist der Standard
|
||
bei modernen Texteditoren).
|
||
|
||
### Einen kurzen Text direkt eingeben
|
||
|
||
```bash
|
||
python chatterbox_cli_v4.py --lang de --text "Guten Morgen! Wie geht es Ihnen heute?"
|
||
```
|
||
|
||
---
|
||
|
||
## Die eigene Stimme aufnehmen und verwenden
|
||
|
||
Das Programm kann deine Stimme nachahmen — dafür braucht es eine Aufnahme von
|
||
dir, 30–60 Sekunden lang.
|
||
|
||
### Schritt 1: Stimme aufnehmen
|
||
|
||
Öffne ein Terminal und gib folgendes ein:
|
||
|
||
```bash
|
||
arecord -D pulse -f S16_LE -r 48000 -c 1 --duration=60 \
|
||
~/chatterbox-tts-cli/my_voice_deutsch_60s.wav
|
||
```
|
||
|
||
Das Programm nimmt **60 Sekunden** auf und stoppt dann automatisch.
|
||
Lies dabei den Trainingstext laut und deutlich vor.
|
||
|
||
**Aufnahme abhören** (zur Kontrolle):
|
||
```bash
|
||
aplay ~/chatterbox-tts-cli/my_voice_deutsch_60s.wav
|
||
```
|
||
|
||
### Schritt 2: Stimme nutzen
|
||
|
||
```bash
|
||
conda activate chatterbox
|
||
python chatterbox_cli_v4.py --lang de \
|
||
--voice my_voice_deutsch_60s.wav \
|
||
--input mein_text.txt
|
||
```
|
||
|
||
### Tipps für eine gute Aufnahme
|
||
|
||
- Ruhiger Raum, kein Hintergrundlärm, Fenster schließen
|
||
- Normaler Abstand zum Mikrofon (ca. 20–40 cm)
|
||
- Gleichmäßig und in normalem Tempo sprechen — nicht zu schnell, nicht zu langsam
|
||
- Mindestens 30 Sekunden, besser 60 Sekunden
|
||
|
||
### Welches Mikrofon wird verwendet?
|
||
|
||
Das Programm nutzt automatisch das Standard-Mikrofon von PipeWire/PulseAudio.
|
||
Um zu sehen, welches Gerät aktiv ist:
|
||
|
||
```bash
|
||
pactl list sources short | grep -v monitor
|
||
```
|
||
|
||
Das aktive Gerät (`RUNNING`) wird für die Aufnahme verwendet.
|
||
|
||
---
|
||
|
||
## Sprache wählen
|
||
|
||
Das Programm kann in vielen Sprachen vorlesen. Die Sprache wählt man mit `--lang`:
|
||
|
||
| Befehl | Sprache |
|
||
|--------|---------|
|
||
| `--lang de` | Deutsch (Standard) |
|
||
| `--lang en` | Englisch |
|
||
| `--lang fr` | Französisch |
|
||
| `--lang es` | Spanisch |
|
||
| `--lang it` | Italienisch |
|
||
|
||
Beispiel auf Englisch:
|
||
|
||
```bash
|
||
python chatterbox_cli_v4.py --lang en --text "Good morning, how are you?"
|
||
```
|
||
|
||
---
|
||
|
||
## Sprechgeschwindigkeit anpassen
|
||
|
||
Mit `--speed` kann man einstellen, wie schnell der Text gesprochen wird.
|
||
|
||
- `1.0` = normale Geschwindigkeit (Standard)
|
||
- `0.85` = etwas langsamer — gut für entspanntes Zuhören
|
||
- `0.75` = deutlich langsamer
|
||
- `1.2` = etwas schneller
|
||
|
||
```bash
|
||
python chatterbox_cli_v4.py --lang de --speed 0.85 --input mein_text.txt
|
||
```
|
||
|
||
**Hinweis:** Die Stimmhöhe bleibt gleich — nur das Tempo ändert sich.
|
||
|
||
---
|
||
|
||
## Audio als Datei speichern
|
||
|
||
Wenn du die Audiodatei behalten möchtest:
|
||
|
||
```bash
|
||
python chatterbox_cli_v4.py --lang de --save --input mein_text.txt
|
||
```
|
||
|
||
Die Datei wird automatisch als `mein_text.de.wav` gespeichert — im selben
|
||
Ordner wie die Eingabedatei.
|
||
|
||
Oder mit eigenem Dateinamen:
|
||
|
||
```bash
|
||
python chatterbox_cli_v4.py --lang de --output ausgabe.wav --input mein_text.txt
|
||
```
|
||
|
||
---
|
||
|
||
## Nur speichern, nicht abspielen
|
||
|
||
```bash
|
||
python chatterbox_cli_v4.py --lang de --no-play --output ausgabe.wav --input mein_text.txt
|
||
```
|
||
|
||
---
|
||
|
||
## Aussprache von Eigennamen anpassen
|
||
|
||
Manche Namen — vor allem aus anderen Sprachen — werden falsch ausgesprochen.
|
||
Du kannst das mit einer einfachen Textdatei im JSON-Format korrigieren.
|
||
|
||
**Beispiel:** Datei `aussprache.json` anlegen:
|
||
|
||
```json
|
||
{
|
||
"Seoul": "Söul",
|
||
"Macron": "Makron",
|
||
"Kubernetes": "Kubernetis"
|
||
}
|
||
```
|
||
|
||
Dann so aufrufen:
|
||
|
||
```bash
|
||
python chatterbox_cli_v4.py --lang de \
|
||
--pronunciation-dict aussprache.json \
|
||
--input nachricht.txt
|
||
```
|
||
|
||
Häufige englische Begriffe wie „GitHub" (→ „Git Hab"), „YouTube" (→ „Jutjub") oder
|
||
„Wi-Fi" (→ „Wai Fai") werden bereits automatisch korrekt ausgesprochen.
|
||
|
||
---
|
||
|
||
## Den Service aus dem Netzwerk nutzen
|
||
|
||
Der Service ist im gesamten Heimnetzwerk erreichbar — zum Beispiel vom Handy,
|
||
Tablet oder einem anderen Computer.
|
||
|
||
**Text vorlesen lassen** (aus jedem Gerät im Netzwerk):
|
||
|
||
```bash
|
||
curl -X POST http://COMPUTER-IP:9999/speak \
|
||
-H "Content-Type: application/json" \
|
||
-d '{"text": "Hallo aus dem Netzwerk", "lang": "de"}'
|
||
```
|
||
|
||
`COMPUTER-IP` ersetzen durch die IP-Adresse dieses Computers (z. B. `192.168.1.42`).
|
||
|
||
**Aktuelle IP-Adresse herausfinden:**
|
||
```bash
|
||
hostname -I
|
||
```
|
||
|
||
**Ausgabe pausieren und fortsetzen:**
|
||
```bash
|
||
curl -X POST http://COMPUTER-IP:9999/pause
|
||
curl -X POST http://COMPUTER-IP:9999/resume
|
||
```
|
||
|
||
**Ausgabe stoppen:**
|
||
```bash
|
||
curl -X POST http://COMPUTER-IP:9999/stop
|
||
```
|
||
|
||
**Audio-Datei herunterladen** (statt auf dem Server abspielen):
|
||
```bash
|
||
# 1. Auftrag erteilen mit keep_audio=true
|
||
JOB=$(curl -s -X POST http://COMPUTER-IP:9999/speak \
|
||
-H "Content-Type: application/json" \
|
||
-d '{"text": "Hallo Welt", "lang": "de", "keep_audio": true}' \
|
||
| python3 -c "import sys,json; print(json.load(sys.stdin)['job_id'])")
|
||
|
||
# 2. Warten bis fertig, dann herunterladen
|
||
sleep 40
|
||
curl -o ausgabe.wav http://COMPUTER-IP:9999/audio/$JOB
|
||
```
|
||
Die Datei wird nach dem Herunterladen automatisch gelöscht.
|
||
|
||
---
|
||
|
||
## KI-Assistenten lassen vorlesen
|
||
|
||
Wenn du einen KI-Assistenten auf diesem oder einem anderen Gerät nutzt,
|
||
kann er den TTS-Service direkt ansprechen:
|
||
|
||
### Claude (Claude Code / Claude Desktop)
|
||
|
||
Claude ist bereits mit dem TTS-Service verbunden. Du kannst Claude einfach bitten,
|
||
etwas vorzulesen, zu pausieren oder zu stoppen — er ruft den Service automatisch auf.
|
||
|
||
Beispiel-Anfragen an Claude:
|
||
> „Lies mir bitte diesen Text vor: ..."
|
||
> „Pause bitte."
|
||
> „Weiter."
|
||
|
||
### Home Assistant
|
||
|
||
In der `configuration.yaml` folgendes eintragen:
|
||
|
||
```yaml
|
||
rest_command:
|
||
tts_sprechen:
|
||
url: "http://COMPUTER-IP:9999/speak"
|
||
method: POST
|
||
content_type: "application/json"
|
||
payload: '{"text": "{{ text }}", "lang": "de"}'
|
||
|
||
tts_pause:
|
||
url: "http://COMPUTER-IP:9999/pause"
|
||
method: POST
|
||
|
||
tts_weiter:
|
||
url: "http://COMPUTER-IP:9999/resume"
|
||
method: POST
|
||
```
|
||
|
||
Danach in einer Automation verwendbar:
|
||
```yaml
|
||
service: rest_command.tts_sprechen
|
||
data:
|
||
text: "Die Waschmaschine ist fertig."
|
||
```
|
||
|
||
### Ollama / LM Studio / Open WebUI
|
||
|
||
Lokale KI-Modelle (z. B. llama, qwen) können über eine kleine Hilfsklasse mit dem
|
||
Service verbunden werden — Details in der `README.md`.
|
||
|
||
---
|
||
|
||
## Typischer Arbeitsablauf
|
||
|
||
1. Text in einem Editor schreiben und als `.txt`-Datei speichern
|
||
2. Terminal öffnen, `conda activate chatterbox`
|
||
3. Programm aufrufen:
|
||
```bash
|
||
python chatterbox_cli_v4.py --lang de --voice meine_stimme.wav --input text.txt
|
||
```
|
||
4. Das Programm beginnt sofort zu sprechen — Satz für Satz
|
||
|
||
---
|
||
|
||
## Was das Programm automatisch macht
|
||
|
||
- **Markdown-Formatierung bereinigen**: `**fett**`, `# Überschrift`, `- Listen` und Links werden vor der Sprachausgabe entfernt
|
||
- **Emojis entfernen**: Smileys und Symbole (😊, 🎉) werden still übergangen
|
||
- **Datumsangaben vorlesen**: „03.06.2026" wird zu „Dritter Sechster Zwanzigsechsundzwanzig"
|
||
- **Uhrzeiten vorlesen**: „14:58" wird zu „vierzehn Uhr achtundfünfzig"
|
||
- **Jahreszahlen aussprechen**: „2026" wird zu „zweitausendsechsundzwanzig"
|
||
- **Einheiten übersetzen**: „25 °C", „100 kWh", „10 m²", „100 W" werden ausgeschrieben
|
||
- **Abkürzungen buchstabieren**: ARD wird zu „Ah Er De", YMCA zu „Ypsilon Em Tse Ah"
|
||
- **Tech-Abkürzungen richtig sprechen**: CPU, GPU, USB, API, JSON u. a. werden lateinisch buchstabiert (nicht auf Deutsch)
|
||
- **Zusammengesetzte Wörter mit Abkürzung**: „US-Präsident" wird zu „U Es Präsident"
|
||
- **Trennzeilen überspringen**: Linien wie „--- Ende ---" werden stillschweigend übersprungen
|
||
|
||
---
|
||
|
||
## Wenn etwas nicht klappt
|
||
|
||
**Kein Ton zu hören:**
|
||
```bash
|
||
python -c "import sounddevice; print(sounddevice.query_devices())"
|
||
```
|
||
Dann `--audio-device pulse` oder das passende Gerät angeben.
|
||
|
||
**Service antwortet nicht:**
|
||
```bash
|
||
systemctl --user restart chatterbox-tts
|
||
# Warte 5 Sekunden, dann:
|
||
curl http://localhost:9999/health
|
||
```
|
||
|
||
**„Modell nicht gefunden":**
|
||
Beim ersten Start wird das Modell heruntergeladen (~2 GB).
|
||
Sicherstellen, dass eine Internetverbindung besteht.
|
||
|
||
**Programm ist sehr langsam:**
|
||
Ohne GPU dauert die Generierung länger als die Wiedergabe — ein Satz
|
||
kann 30–60 Sekunden brauchen. Mit GPU (CUDA) dauert es ca. 5–10 Sekunden.
|
||
|
||
---
|
||
|
||
## Bekannte Grenzen
|
||
|
||
- **Betonung einzelner Wörter** lässt sich nicht direkt steuern.
|
||
Eine Aufnahme der eigenen Stimme mit natürlicher Betonung kann helfen.
|
||
- **Manche Fremdwörter** klingen nicht immer perfekt — mit der Aussprache-Datei lässt sich das korrigieren.
|
||
- Das Programm liest alles vor, was in der Datei steht — also auch
|
||
Überschriften und Metadaten wie „Schlagzeile:" oder „Stand:".
|
||
- Eine laufende Ausgabe kann erst am Ende des aktuellen Satzes unterbrochen
|
||
werden, nicht sofort mitten im Wort.
|