marcosremar2/prosatts-work

ProsaTTS: material de trabalho

Checkpoints, scripts e dados intermediários do ProsaTTS (TTS de 16,7M parâmetros, pt-BR, que roda no navegador).

A voz é sintética: o áudio de treino vem do VoxCPM2 e do Chatterbox Turbo, clonando a voz "Rasalgethi" gerada pelo Gemini TTS. Os termos do Google para essa voz não foram revisados. Não use para se passar por uma pessoa.

pasta	o que tem
snapshots_v14/	checkpoints .pth + banco de estilos (.bank.pt) e rótulos de emoção (.labels.pt). f3_istft = modelo com emoções; g4_istft = fine-tuning com <riso>, <risinho>, <tosse>; h1_mswavehax = vocoder MS-WaveHax
laughsave/	laugh_bank.tar (risos e tosses clonados com Chatterbox Turbo) e index_laugh2.jsonl (frases montadas com o som no meio)
laughgen/	scripts e logs do banco de risos e do fine-tuning g4_istft
scripts/	treino (pttrain14), geração de dados (frgen, laughgen) e avaliação (scripts)

Estado do <riso>, <risinho>, <tosse> (13/11/2026)

Não funciona ainda. O g4_istft aprendeu a duração do token (0,4–0,8 s), mas o som sai fraco (4–39 % do volume da fala; no treino era 90 %) e o Whisper não ouve riso nem tosse nele. Causa provável: um token só, com o mesmo vetor durante todo o som, não descreve um riso, que muda no tempo ("ha-ha-ha"); a perda de mel leva o modelo a uma média borrada.