🎙️ OmniBook Studio: Estación de Producción de Audio con IA Agentica

OmniBook Studio es una plataforma avanzada de síntesis de voz (TTS) diseñada para creadores de contenido, escritores y productores de audio. Utilizando el motor de OmniVoice, permite transformar texto en producciones sonoras profesionales con clonación instantánea, diseño de voces por atributos y una potente suite de generación de diálogos.

🏗️ Arquitectura del Sistema

OmniBook utiliza un flujo de procesamiento híbrido que combina modelos de difusión de audio con una orquestación inteligente de fragmentos para garantizar fluidez y calidad.

graph TD
    subgraph UI_Gradio
        Tabs[Pestañas: Audiolibro, Diseño, Biblioteca, Diálogos]
    end

    subgraph Core_Processing
        Orchestrator[Orquestador de Diálogos]
        Splitter[Divisor Inteligente de Texto]
        Merger[Unión de Audio con Micro-silencios]
    end

    subgraph AI_Models
        Omni[OmniVoice Diffusion Model]
        Whisper[OpenAI Whisper Transcription]
    end

    subgraph Storage
        DB[(JSON Voice Library)]
        Output[WAV 24kHz / MP3]
    end

    Tabs --> Orchestrator
    Orchestrator --> Splitter
    Splitter --> Omni
    Omni --> Merger
    Merger --> Output
    Whisper --> DB

Loading

---

🔥 Funcionalidades Destacadas

🎭 Generador de Diálogos Multivoz (¡NUEVO!)

Crea escenas cinematográficas o podcasts completos desde un guion. El sistema analiza automáticamente quién habla y asigna la voz correspondiente de tu biblioteca.

• Micro-pausas inteligentes: Inserción automática de 300ms entre voces para una naturalidad superior.
• Estabilidad de Puntuación: Algoritmo que evita cortes abruptos al final de las oraciones.
• Mapeo Flexible: Asignación dinámica de personajes mediante formato JSON.

🎙️ Clonación de Voz Zero-Shot

Clona cualquier voz con solo 10 segundos de audio de referencia. Sin necesidad de entrenamiento (fine-tuning), manteniendo el tono, acento y matices originales.

🎨 Diseño de Voces Personalizado

Crea voces únicas que no existen en el mundo real combinando atributos:

• Género y Edad: Desde niños hasta ancianos.
• Tono y Estilo: Voces graves, agudas o susurrantes (ASMR).
• Acentos: 600+ idiomas soportados con acentos regionales.

🛠️ Herramientas de Producción

• Auto-Transcripción: Generación de texto de referencia mediante Whisper.
• Conversor Multiformato: Exportación a WAV, MP3, OGG, FLAC y M4A.

---

🚀 Instalación Profesional

Requisitos de Hardware

• Mínimo: NVIDIA GTX 1660 (6GB VRAM).
• Recomendado: NVIDIA RTX 3060/4050+ (8GB+ VRAM).
• RAM: 16GB+.

Pasos de Despliegue

# 1. Clonar repositorio
git clone https://github.com/tu-usuario/OmniBook.git
cd OmniBook

# 2. Configurar entorno virtual (Recomendado uv)
uv sync
.venv\Scripts\activate

# 3. Iniciar estudio de producción
python app.py

Acceso web: http://127.0.0.1:7860

---

📖 Guía de Uso: Diálogos Multivoz

Para crear una producción multivoz, utiliza el siguiente formato:

1. Guion:

   Narrador: La mañana era fría en el puerto.
   Capitán: ¡Levad anclas, marineros!
   

2. Mapeo (JSON):

   {
     "Narrador": "📖 Narrador Profesional",
     "Capitán": "🎙️ Locutor Epico"
   }

---

🚧 Roadmap de Innovación (MVP Avanzado)

• Ambientes Sonoros: Mezclador de música de fondo y efectos ambientales (lluvia, oficina, etc.).
• Traducción con Identidad: Traducir audios a 600 idiomas manteniendo la voz original del usuario.
• Control de Timing: Inserción de pausas personalizadas mediante tags [pausa: 2s].
• API Endpoint: Servidor dedicado para integración con aplicaciones externas y juegos.

---

👨‍💻 Autor

Proyecto enfocado en la democratización de la producción de audio de alta calidad mediante Inteligencia Artificial Local.

---

Licencia: Apache 2.0