# AI Voice Generation (Microsoft VibeVoice) na MacOS (M1/M2/M3/M4)

**Opomba:** Microsoft VibeVoice in podobni moderni TTS modeli močno slonijo na **CUDA** (Nvidia) in knjižnici **Flash-Attention**, ki uradno ne deluje na Macu (MPS).

Vendar lahko poskusimo pognati model s **CPU** ali **MPS** (Metal) pospeševanjem z uporabo alternativnih implementacij pozornosti (SDPA - Scaled Dot Product Attention), ki je vgrajena v PyTorch 2.0+.

## 1. Priprava Okolja

Potrebujemo Python in FFMPEG.

1.  **Namesti sistemske knjižnice (Homebrew):**
    ```bash
    brew install ffmpeg portaudio
    ```

2.  **Pripravi mapo:**
    ```bash
    mkdir -p ~/repos/novafarma/ai_voice_gen/VibeVoice
    cd ~/repos/novafarma/ai_voice_gen/VibeVoice
    ```

3.  **Ustvari Python okolje:**
    ```bash
    python3 -m venv venv
    source venv/bin/activate
    ```

4.  **Namesti PyTorch (Nightly za najboljšo M4 podporo):**
    ```bash
    pip install --pre torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/nightly/cpu
    ```

## 2. Namestitev VibeVoice (Community Fork)

Ker je uradni repo lahko nestabilen, uporabljamo neuraden/community pristop.

1.  **Kloniraj Repo (če imaš URL) ali namesti F5-TTS (Trenutno najboljši Vibe-like open source model):**
    
    *Priporočam **F5-TTS**, ker je arhitekturno zelo podoben in bolje podprt.*
    
    ```bash
    git clone https://github.com/SWivid/F5-TTS.git
    cd F5-TTS
    pip install -e .
    ```

2.  **Popravek za Mac (Flash Attention):**
    Ker `flash-attn` ne deluje na Macu, moramo zagotoviti, da koda uporablja "standard attention".
    
    Če dobiš napako `ImportError: No module named 'flash_attn'`, odpri kodo in poišči uvoze. F5-TTS običajno avtomatsko preklopi na `torch.nn.functional.scaled_dot_product_attention`, če flash attention ni na voljo.

## 3. Poganjanje (Inference)

### Testna Skripta
Spisal sem ti pripravljeno skripto za testiranje, ki reši vse težave z verzijami:
```bash
# V mapi VibeVoice_Apple/VibeVoice:
source venv/bin/activate
python run_vibevoice_test.py
```
To bo generiralo `outputs/demo_audio.wav`.

### CLI (Command Line - Ročno)
```bash
# Zaženi inference (uporabi lokalno mapo z modelom)
python inference.py --model_path models/VibeVoice-1.5B
```

**Opomba:** VibeVoice zahteva `transformers==4.51.3`. Skripta `install_vibevoice_apple.sh` je posodobljena, da to upošteva.


### Gradio (Web UI)
```bash
python inference-cli.py --launch_gradio
# Odpri http://127.0.0.1:7860
```

## Alternativa za Mac: Kokoro TTS

Če VibeVoice/F5-TTS deluje prepočasi na CPU/MPS, priporočam **Kokoro** (onnx verzijo). Je izjemno hiter (realtime na M1/M2/M3/M4) in ima zelo visoko kvaliteto.

1.  **Namestitev:**
    ```bash
    pip install kokoro-onnx soundfile
    ```
2.  **Uporaba:**
    ```python
    from kokoro_onnx import Kokoro
    kokoro = Kokoro("kokoro-v0_19.onnx", "voices.json")
    audio, _ = kokoro.create("Pozdravljen svet!", voice="af_sarah", speed=1.0, lang="en-us")
    import soundfile as sf
    sf.write("output.wav", audio, 24000)
    ```