Fix layout width when voice accordion collapses

Lock gradio-container to 1800px on desktop, stretch outer flex instead of center-shrink, and move voice accordion to its own full-width row.

Co-authored-by: Cursor <cursoragent@cursor.com>

.env.example

@@ -10,4 +10,12 @@ OLLAMA_PORT=11434
 
 # ChatTTS 模型目录（预下载脚本写入）
 # CHATTTS_MODEL_DIR=/opt/Trading_Studio/models/ChatTTS
+# WHISPER_MODEL_DIR=/opt/Trading_Studio/models/whisper
+# WHISPER_MODEL_SIZE=small
 # HF_ENDPOINT=https://hf-mirror.com
+
+# 8GB 显存 OOM 时可调低（合成按段切分）
+# TTS_MAX_CHARS_PER_CHUNK=150
+# TTS_MAX_NEW_TOKEN=768
+# TTS_MIN_NEW_TOKEN=16
+# TTS_ENABLE_CACHE=true

DEPLOY.md

@@ -9,7 +9,7 @@
 
 ## 目录
 
-0. [**一键部署（推荐）**](#0-一键部署推荐)
+0. [**一键部署（推荐）**](#0-一键部署推荐) — 含 [模型预下载](#08-ai-模型预下载内网服务器必做)、[服务器更新](#042-代码推送后的服务器更新推荐)、[手机麦克风](#09-手机找不到麦克风)
 1. [硬件与系统前提](#1-硬件与系统前提)
 2. [3060 Ti 120W 功耗墙配置](#2-3060-ti-120w-功耗墙配置)
 3. [NVIDIA 驱动与 CUDA](#3-nvidia-驱动与-cuda)
@@ -96,6 +96,8 @@ bash deploy.sh
 http://<服务器局域网IP>:5683
 ```
 
+> **重要：首次部署后必须预下载 AI 模型**（Whisper + ChatTTS）。内网服务器无法访问 HuggingFace / GitHub 时，不执行此步会在 Web UI 报 `Network is unreachable` 或 `Read timed out`。详见 [0.8 AI 模型预下载](#08-ai-模型预下载内网服务器必做)。
+
 ### 0.3 脚本命令速查
 
 ```bash
@@ -123,6 +125,45 @@ bash deploy.sh update
 > **git pull 报本地修改冲突？** 新版 `deploy.sh` 会自动 `stash` 后同步；若仍失败可手动：
 > `git fetch origin && git reset --hard origin/main`
 
+### 0.4.2 代码推送后的服务器更新（推荐）
+
+本地开发机 `git push` 到远端后，在 **Ubuntu 服务器**上同步并重启：
+
+```bash
+cd /opt/Trading_Studio
+bash server-update.sh
+```
+
+`server-update.sh` 会执行：
+
+1. `git fetch origin main`
+2. `git reset --hard origin/main`（覆盖 CRLF 等幽灵改动；**Ollama 地址请写在 `.env`，勿改 `config.py`**）
+3. `pm2 restart trading_studio`
+
+若本次更新涉及 **Whisper / ChatTTS 离线加载**（首次部署或新增模型脚本），还需预下载模型：
+
+```bash
+cd /opt/Trading_Studio
+bash server-update.sh
+bash scripts/download_all_models.sh
+pm2 restart trading_studio
+```
+
+| 脚本 | 作用 |
+|------|------|
+| `bash server-update.sh` | 强制与远端 `main` 同步 + PM2 重启 |
+| `bash scripts/download_all_models.sh` | 一次性下载 Whisper (small) + ChatTTS |
+| `bash scripts/download_whisper_models.sh small` | 仅下载 Whisper |
+| `bash scripts/download_chattts_models.sh` | 仅下载 ChatTTS |
+
+验证 Whisper 是否就绪：
+
+```bash
+ls -lh /opt/Trading_Studio/models/whisper/small/model.bin
+```
+
+应看到约 **500MB** 的 `model.bin` 文件。
+
 ### 0.4.1 pip / PyTorch 下载超时
 
 PyTorch + triton 约 2-3GB，国内网络默认启用清华镜像，并延长超时到 600 秒：
@@ -161,6 +202,72 @@ SKIP_PYTORCH=1 bash deploy.sh deps
 4. 反代须透传 **WebSocket**（Gradio 必需）  
 5. 用户通过 `https://你的域名` 访问后再安装 App  
 
+### 0.8 AI 模型预下载（内网服务器必做）
+
+Trading Studio 的 **Whisper 语音识别** 与 **ChatTTS 音色合成** 均需在服务器本地存放模型文件。  
+内网物理机通常无法访问 `huggingface.co` / `github.com`，若未预下载，Web UI 会出现：
+
+| 模块 | 典型报错 |
+|------|----------|
+| Whisper | `Network is unreachable` / `ConnectError` |
+| ChatTTS | `Read timed out` / `github.com` 连接失败 |
+
+**推荐：一键下载全部模型**
+
+```bash
+cd /opt/Trading_Studio
+bash scripts/download_all_models.sh
+pm2 restart trading_studio
+```
+
+**分步下载（可选）**
+
+```bash
+# Whisper small（约 500MB，识别默认模型）
+bash scripts/download_whisper_models.sh small
+
+# ChatTTS（约 1–2GB，音色锁定与合成必需）
+bash scripts/download_chattts_models.sh
+
+pm2 restart trading_studio
+```
+
+**模型落盘路径**
+
+| 模型 | 目录 | 关键文件 |
+|------|------|----------|
+| Whisper `small` | `/opt/Trading_Studio/models/whisper/small/` | `model.bin` |
+| ChatTTS | `/opt/Trading_Studio/models/ChatTTS/` | `asset/` 等 |
+| HF 缓存 | `/opt/Trading_Studio/models/hf_cache/` | 下载中间缓存 |
+
+**`.env` 可选配置**（复制 `.env.example` → `.env`）：
+
+```ini
+HF_ENDPOINT=https://hf-mirror.com
+WHISPER_MODEL_DIR=/opt/Trading_Studio/models/whisper
+WHISPER_MODEL_SIZE=small
+CHATTTS_MODEL_DIR=/opt/Trading_Studio/models/ChatTTS
+```
+
+国内服务器建议保留 `HF_ENDPOINT=https://hf-mirror.com`（脚本与 `whisper_service.py` 均会读取）。
+
+### 0.9 手机「找不到麦克风」
+
+通过 `http://192.168.x.x:5683` 内网 HTTP 访问时，手机浏览器会显示 **「找不到麦克风」** 或 **「检测不到麦克风」**。  
+这是浏览器安全策略：`getUserMedia`（麦克风）**仅在 HTTPS 或 localhost 下可用**，不是程序 bug。
+
+| 访问方式 | 电脑录音 | 手机录音 |
+|----------|----------|----------|
+| `http://内网IP:5683` | 可能可用 | ❌ 不可用 |
+| `https://域名`（NPS + 云反代） | ✅ | ✅ |
+
+**解决办法（任选其一）：**
+
+1. 按 [PWA_NPS.md](./PWA_NPS.md) 配置 **NPS 穿透 + 云服务器 HTTPS 域名**，用手机访问 `https://你的域名`
+2. 在 HTTP 内网环境下，使用音频区域的 **「上传」** 标签，上传手机「语音备忘录」导出的 `.m4a` / `.wav`（与现场录音效果相同）
+
+Whisper 离线模型就绪后，**上传音频文件** 可正常识别；麦克风实时录音需 HTTPS。
+
 ---
 
 ### 0.5 PM2 运维（root 环境）
@@ -181,11 +288,21 @@ tail -f /opt/Trading_Studio/logs/pm2-out.log
 ```
 /opt/Trading_Studio/
 ├── deploy.sh              # 一键部署脚本
+├── server-update.sh       # 强制同步远端 + PM2 重启
 ├── app.py                 # Gradio 主入口
 ├── venv/                  # Python 虚拟环境
+├── scripts/
+│   ├── download_all_models.sh      # Whisper + ChatTTS 一键下载
+│   ├── download_whisper_models.sh  # Whisper 预下载（HF 镜像）
+│   └── download_chattts_models.sh  # ChatTTS 预下载（HF 镜像）
+├── models/                # AI 模型（预下载脚本写入，不入 Git）
+│   ├── whisper/small/     # Faster-Whisper（含 model.bin）
+│   ├── ChatTTS/           # ChatTTS 权重
+│   └── hf_cache/          # HuggingFace 缓存
 ├── logs/                  # PM2 日志
 ├── uploads/               # 上传临时文件
 ├── outputs/               # 合成 wav 输出
+├── .env                   # 服务器本地配置（Ollama IP 等，不入 Git）
 ├── speaker_emb.pt         # 音色文件（Web UI 生成，需手动备份）
 └── trading_studio.log     # 应用日志
 ```
@@ -361,9 +478,26 @@ cd /opt/Trading_Studio
 pip install -r requirements.txt
 ```
 
-### 6.1 Faster-Whisper
+### 6.1 Faster-Whisper（必须预下载）
 
-随 `requirements.txt` 安装。首次运行会自动下载 `small` 模型（约 500MB）至 HuggingFace 缓存。
+随 `requirements.txt` 安装。`whisper_service.py` **优先从本地目录加载**，未预下载时会尝试在线拉取 HuggingFace 模型。
+
+内网服务器无法访问外网时会报：
+
+```
+Whisper 模型加载失败: Network is unreachable
+```
+
+**处理：** 见 [0.8 AI 模型预下载](#08-ai-模型预下载内网服务器必做)，或执行：
+
+```bash
+bash scripts/download_whisper_models.sh small
+pm2 restart trading_studio
+```
+
+本地路径：`/opt/Trading_Studio/models/whisper/small/model.bin`（约 500MB）。
+
+可选环境变量（`.env`）：`WHISPER_MODEL_DIR`、`WHISPER_MODEL_SIZE`、`HF_ENDPOINT`。
 
 ### 6.2 ChatTTS（必须预下载，勿依赖 GitHub）
 
@@ -373,27 +507,19 @@ pip install -r requirements.txt
 pip install ChatTTS @ git+https://github.com/2noise/ChatTTS.git
 ```
 
-**重要：** 默认 `chat.load()` 会访问 **github.com** 下载 asset，国内服务器常报 `Read timed out (3)`。  
-部署后**必须**执行预下载脚本（走 HuggingFace 镜像）：
+**重要：** 默认 `chat.load()` 会访问 **github.com** 下载 asset，国内/内网服务器常报 `Read timed out`。  
+`tts_service.py` 已支持从 `models/ChatTTS` 离线加载，部署后**必须**预下载：
 
 ```bash
-cd /opt/Trading_Studio
-source venv/bin/activate
 bash scripts/download_chattts_models.sh
 pm2 restart trading_studio
 ```
 
 模型保存至 `/opt/Trading_Studio/models/ChatTTS`（约 1–2GB，不入 Git）。  
-
-`.env` 可自定义：
-
-```ini
-HF_ENDPOINT=https://hf-mirror.com
-CHATTTS_MODEL_DIR=/opt/Trading_Studio/models/ChatTTS
-```
-
 下载完成后再在 Web UI 点击「锁定音色」。
 
+一键下载 Whisper + ChatTTS：`bash scripts/download_all_models.sh`
+
 ### 6.3 Gradio
 
 ```bash
@@ -470,9 +596,11 @@ http://<本机局域网IP>:5683
 
 ### 8.1 验证清单
 
+- [ ] `models/whisper/small/model.bin` 存在（`bash scripts/download_whisper_models.sh small`）
+- [ ] `models/ChatTTS/` 已预下载（`bash scripts/download_chattts_models.sh`）
 - [ ] 页面加载，Ollama 状态显示在线
 - [ ] 上传 10-30s 参考人声 → 音色锁定成功，生成 `speaker_emb.pt`
-- [ ] 上传复盘录音 → Whisper 识别出中文文本
+- [ ] 上传复盘录音 → Whisper 识别出中文文本（无需外网）
 - [ ] 点击润色 → 返回 Gemma4 处理后的文稿
 - [ ] 点击合成 → `outputs/` 下生成 24kHz wav
 
@@ -605,12 +733,45 @@ nvidia-smi
 fuser -v /dev/nvidia*
 ```
 
-Whisper 与 ChatTTS 不会同时常驻最大显存，但首次加载模型时峰值较高。建议：
+Whisper 与 ChatTTS **不能同时常驻** 8GB 显存（会 CUDA OOM）。应用已自动互斥卸载：
 
-- 锁定 120W 功耗墙
-- `max_memory_restart: "6G"` 已在 PM2 配置中设置
+- 识别前卸载 ChatTTS
+- 合成 / 锁定音色前卸载 Whisper
 
-### 10.3 Whisper CUDA 报错
+若仍 OOM：
+
+```bash
+pm2 restart trading_studio
+nvidia-smi   # 确认无其他占 GPU 进程
+```
+
+在 `.env` 调低合成峰值：
+
+```ini
+TTS_MAX_CHARS_PER_CHUNK=150
+TTS_MAX_NEW_TOKEN=768
+```
+
+PM2 已配置 `PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True` 缓解碎片。建议锁定 120W 功耗墙。
+
+### 10.3 Whisper 模型加载失败
+
+#### A. `Network is unreachable` / `ConnectError`（内网无外网）
+
+**原因：** 未预下载 Whisper 模型，程序尝试访问 HuggingFace Hub 失败。
+
+**处理：**
+
+```bash
+cd /opt/Trading_Studio
+bash scripts/download_whisper_models.sh small
+ls -lh models/whisper/small/model.bin   # 确认约 500MB
+pm2 restart trading_studio
+```
+
+若服务器可访问外网但 HuggingFace 慢，在 `.env` 中设置 `HF_ENDPOINT=https://hf-mirror.com` 后重试下载。
+
+#### B. CUDA / 显存报错
 
 ```
 错误: CUDA initialization failed / out of memory
@@ -620,7 +781,7 @@ Whisper 与 ChatTTS 不会同时常驻最大显存，但首次加载模型时峰
 
 1. 重启 PM2 进程释放显存
 2. 确认 `compute_type="float16"`（已在 config.py 配置）
-3. 降级模型为 `base`（修改 `config.py` 中 `WHISPER_MODEL_SIZE`）
+3. 在 `.env` 中降级模型：`WHISPER_MODEL_SIZE=base`，并执行 `bash scripts/download_whisper_models.sh base`
 
 ### 10.4 Ollama 超时
 
@@ -634,14 +795,31 @@ Whisper 与 ChatTTS 不会同时常驻最大显存，但首次加载模型时峰
 2. 增大 `config.py` 中 `OLLAMA_TIMEOUT`
 3. 检查防火墙：`sudo ufw allow from 192.168.8.0/24 to any port 11434`（在 Ollama 节点）
 
-### 10.5 ChatTTS 音色文件损坏
+### 10.5 ChatTTS 合成报 `Corrupt input data`
+
+**原因：** 音色参数传错。`sample_audio_speaker()` 的结果应作为 **`spk_smp`**，不能同时误传给 **`spk_emb`**（LZMA 解压失败）。旧版 `speaker_emb.pt` 或未填参考转写时常见。
+
+**处理：**
+
+```bash
+rm /opt/Trading_Studio/speaker_emb.pt
+pm2 restart trading_studio
+```
+
+在 Web UI「音色锁定」：
+
+1. 上传 10–30 秒干净参考人声  
+2. **填写与录音完全一致的「参考音频精确转写」**（必填）  
+3. 重新点击「锁定音色」后再合成  
+
+### 10.6 ChatTTS 音色文件损坏
 
 ```bash
 rm speaker_emb.pt
-# 重新在 Web UI「音色锁定」上传参考人声
+# 重新在 Web UI「音色锁定」上传参考人声并填写转写
 ```
 
-### 10.6 端口 5683 被占用
+### 10.7 端口 5683 被占用
 
 ```bash
 sudo lsof -i :5683
@@ -649,6 +827,13 @@ sudo lsof -i :5683
 ss -tlnp | grep 5683
 ```
 
+### 10.8 手机「找不到麦克风」
+
+内网 `http://192.168.x.x:5683` 下手机无法使用实时录音，属浏览器 HTTPS 安全限制。  
+完整说明与 NPS 穿透方案见 [0.9 手机「找不到麦克风」](#09-手机找不到麦克风) 与 [PWA_NPS.md](./PWA_NPS.md) 第九节。
+
+**临时方案：** Web UI 音频区域使用 **「上传」** 导入录音文件，Whisper 识别流程相同。
+
 ---
 
 ## 附录：防火墙（本机 Gradio）
@@ -664,16 +849,30 @@ sudo ufw reload
 
 ---
 
-## 附录：config.py 关键常量速查
+## 附录：config.py / .env 关键配置速查
+
+**服务器本地覆盖请用 `.env`**（`cp .env.example .env`），避免 `git pull` 冲突：
+
+```ini
+OLLAMA_HOST=192.168.8.64
+OLLAMA_PORT=11434
+HF_ENDPOINT=https://hf-mirror.com
+WHISPER_MODEL_DIR=/opt/Trading_Studio/models/whisper
+WHISPER_MODEL_SIZE=small
+CHATTTS_MODEL_DIR=/opt/Trading_Studio/models/ChatTTS
+```
+
+`config.py` 默认值（可被 `.env` 覆盖）：
 
 ```python
 HOST = "0.0.0.0"
 PORT = 5683
-OLLAMA_URL = "http://192.168.8.64:11434/api/chat"
-MODEL_NAME = "huihui_ai/gemma-4-abliterated:e4b"
-WHISPER_MODEL_SIZE = "small"
+WHISPER_MODEL_SIZE = "small"          # .env: WHISPER_MODEL_SIZE
+WHISPER_MODEL_DIR = "models/whisper"  # .env: WHISPER_MODEL_DIR
 WHISPER_DEVICE = "cuda"
 WHISPER_COMPUTE_TYPE = "float16"
+CHATTTS_MODEL_DIR = "models/ChatTTS"
+HF_ENDPOINT = "https://hf-mirror.com"
 SPEAKER_EMB_PATH = "speaker_emb.pt"
 TTS_SAMPLE_RATE = 24000
 ```

PWA_NPS.md

@@ -220,6 +220,7 @@ Trading Studio 应用层也会发送该头；若反代覆盖了响应头，需
 
 ## 相关文档
 
-- 内网部署：`DEPLOY.md`  
-- 服务器更新：`bash server-update.sh`  
+- 内网部署与模型预下载：[DEPLOY.md](./DEPLOY.md)（§0.4.2 服务器更新、§0.8 模型预下载、§0.9 麦克风）  
+- 服务器快速更新：`bash server-update.sh`（同步远端 `main` + PM2 重启）  
+- 首次部署后下载模型：`bash scripts/download_all_models.sh`  
 - 麦克风问题：见上文 **第九节**

README.md

@@ -66,12 +66,30 @@ bash deploy.sh
 
 浏览器访问：`http://<服务器IP>:5683`
 
-日常更新：
+**首次部署后必做 — 预下载 AI 模型**（内网服务器无外网时必需，否则 Whisper 报 `Network is unreachable`）：
 
 ```bash
-cd /opt/Trading_Studio && bash deploy.sh update
+cd /opt/Trading_Studio
+bash scripts/download_all_models.sh
+pm2 restart trading_studio
 ```
 
+日常更新（代码已 `git push` 到远端后，在服务器执行）：
+
+```bash
+cd /opt/Trading_Studio
+bash server-update.sh
+```
+
+若更新涉及模型脚本或首次部署，追加：
+
+```bash
+bash scripts/download_all_models.sh
+pm2 restart trading_studio
+```
+
+完整说明见 [DEPLOY.md §0.4.2 / §0.8](./DEPLOY.md)。
+
 ### 手动部署（开发调试）
 
 ```bash
@@ -88,11 +106,25 @@ python app.py
 
 ## 使用流程
 
-### 首次使用：锁定音色
+### 配音音色（全部本地 GPU，无需 API）
+
+| 方式 | 说明 |
+|------|------|
+| **我的锁定音色** | 「音色锁定」上传你的人声 → 声音克隆（`speaker_emb.pt`） |
+| **预设男/女声** | ChatTTS 内置说话人，合成页下拉选择（类似微软音色列表） |
+
+首次使用预设音色（服务器执行一次）：
+
+```bash
+bash scripts/generate_voice_presets.sh
+pm2 restart trading_studio
+```
+
+### 首次使用：锁定音色（可选，用于克隆自己的声音）
 
 1. 进入 **「音色锁定」** 标签页
 2. 上传 10-30 秒干净人声参考（你的碎碎念盲录样本）
-3. （可选）填写参考音频的精确转写，提升 zero-shot 还原度
+3. 填写参考音频的精确转写（强烈建议）
 4. 点击 **锁定音色** → 生成 `speaker_emb.pt`
 
 ### 日常生产
@@ -116,7 +148,9 @@ python app.py
 | 中控端口 | `5683`（`0.0.0.0` 局域网可访问） |
 | Ollama 地址 | `http://192.168.8.64:11434` |
 | 模型名称 | `huihui_ai/gemma-4-abliterated:e4b` |
-| Whisper 模型 | `small` / CUDA / float16 |
+| Whisper 模型 | `small` / CUDA / float16，本地路径 `models/whisper/small/` |
+| ChatTTS 模型 | `models/ChatTTS/`（须预下载脚本） |
+| HF 镜像 | `HF_ENDPOINT=https://hf-mirror.com`（`.env` 可改） |
 | 音色文件 | `speaker_emb.pt` |
 | 音频输出 | `outputs/` 目录 |
 
@@ -170,16 +204,25 @@ outputs/
 ```
 Trading_Studio/
 ├── deploy.sh              # 一键部署脚本（/opt + PM2）
+├── server-update.sh       # 强制同步远端 main + PM2 重启
 ├── app.py                 # Gradio 主入口
-├── config.py              # 全局配置
-├── whisper_service.py     # Whisper CUDA 识别
+├── config.py              # 全局配置（Ollama 等请用 .env 覆盖）
+├── whisper_service.py     # Whisper CUDA 识别（优先本地模型）
 ├── llm_service.py         # Ollama 远程润色
-├── tts_service.py         # ChatTTS 音色与合成
+├── tts_service.py         # ChatTTS 音色与合成（优先本地模型）
+├── scripts/
+│   ├── download_all_models.sh      # Whisper + ChatTTS 一键下载
+│   ├── download_whisper_models.sh
+│   └── download_chattts_models.sh
+├── models/                # AI 模型（预下载，不入 Git）
+│   ├── whisper/small/
+│   └── ChatTTS/
 ├── ecosystem.config.js    # PM2 守护配置
 ├── requirements.txt       # Python 依赖
+├── .env.example           # 服务器本地配置模板 → 复制为 .env
 ├── README.md              # 本文件
-├── DEPLOY.md              # 部署指南（含一键部署教程）
-├── PWA_NPS.md             # 云服务器反代 + NPS 穿透 + PWA 安装教程
+├── DEPLOY.md              # 部署指南（含模型预下载、故障排查）
+├── PWA_NPS.md             # HTTPS / NPS 穿透 / 手机麦克风教程
 ├── .gitignore
 ├── speaker_emb.pt         # 音色文件（运行时生成，不入库）
 ├── uploads/               # 上传临时目录
@@ -201,15 +244,27 @@ Trading_Studio/
 
 ## 常见问题
 
+**Q: Whisper 报 `Network is unreachable`？**  
+A: 内网服务器无法访问 HuggingFace。执行 `bash scripts/download_whisper_models.sh small`，确认 `models/whisper/small/model.bin` 存在后 `pm2 restart trading_studio`。详见 [DEPLOY.md §0.8](./DEPLOY.md)。
+
 **Q: Whisper 报 CUDA 错误？**  
-A: 确认 `nvidia-smi` 正常，且未同时运行其他占显存任务。Whisper 使用 `float16` 已针对 8GB 优化。
+A: 确认 `nvidia-smi` 正常，且未同时运行其他占显存任务。Whisper 使用 `float16` 已针对 8GB 优化。可在 `.env` 设置 `WHISPER_MODEL_SIZE=base` 并重新下载。
+
+**Q: ChatTTS 报 GitHub / 下载超时？**  
+A: 执行 `bash scripts/download_chattts_models.sh`，或一键 `bash scripts/download_all_models.sh`。
 
 **Q: Ollama 连接失败？**  
-A: 在服务器上执行 `curl http://192.168.8.64:11434/api/tags` 验证连通性，确认模型已 `ollama pull`。
+A: 在服务器上执行 `curl http://192.168.8.64:11434/api/tags` 验证连通性，确认模型已 `ollama pull`。Ollama IP 写在 `.env` 的 `OLLAMA_HOST`。
+
+**Q: 手机显示「找不到麦克风」？**  
+A: `http://内网IP:5683` 非 HTTPS，浏览器禁用麦克风。请按 [PWA_NPS.md](./PWA_NPS.md) 配置 HTTPS 域名，或改用 Web UI **「上传」** 录音文件。
 
 **Q: TTS 音色不稳定？**  
 A: 重新锁定音色，填写参考音频精确转写，并保持 `temperature=0.3` 低随机性。
 
+**Q: 合成报 `Corrupt input data`？**  
+A: 音色参数格式问题。删除 `speaker_emb.pt`，重新锁定音色并**填写参考音频精确转写**。详见 [DEPLOY.md §10.5](./DEPLOY.md)。
+
 **Q: 合成音频为空或噪声？**  
 A: 检查润色文本长度（过短可能导致异常），确认 `speaker_emb.pt` 存在且有效。
 

config.py

@@ -39,6 +39,13 @@ def _env_int(key: str, default: int) -> int:
         return default
 
 
+def _env_bool(key: str, default: bool) -> bool:
+    raw = os.environ.get(key)
+    if raw is None:
+        return default
+    return raw.strip().lower() in ("1", "true", "yes", "on")
+
+
 # ---------------------------------------------------------------------------
 # 网络与服务
 # ---------------------------------------------------------------------------
@@ -74,25 +81,40 @@ SYSTEM_PROMPT = (
     "如果原视频中有由于心态不好、违背交易纪律（如手贱乱开仓、提前平仓）"
     "导致少赚或亏损的部分，请用冷酷、严厉的语气狠狠地自我吐槽、反思该点。"
     "去掉所有无意义的口头禅，字数不做删减。"
+    "【输出格式硬性要求】"
+    "只输出可直接朗读的纯文本正文，不要 Markdown（禁止 #、**、---、列表符号、emoji）。"
+    "不要写舞台提示（如前奏、转场、BGM、语气说明等括号备注）。"
+    "不要写「以下是润色后的文案」等前言，也不要写修改笔记或点评。"
+    "可用《》作为标题，正文按自然段换行即可。"
 )
 
+# ---------------------------------------------------------------------------
+# 路径
+# ---------------------------------------------------------------------------
+BASE_DIR = Path(__file__).resolve().parent
+INSTALL_DIR = Path("/opt/Trading_Studio")
+
 # ---------------------------------------------------------------------------
 # Faster-Whisper 配置
 # ---------------------------------------------------------------------------
-WHISPER_MODEL_SIZE = "small"
+WHISPER_MODEL_SIZE = _env_str("WHISPER_MODEL_SIZE", "small")
 WHISPER_DEVICE = "cuda"
 WHISPER_COMPUTE_TYPE = "float16"
 WHISPER_LANGUAGE = "zh"
+WHISPER_MODEL_DIR = Path(_env_str("WHISPER_MODEL_DIR", str(BASE_DIR / "models" / "whisper")))
+
+WHISPER_HF_REPO = {
+    "tiny": "Systran/faster-whisper-tiny",
+    "base": "Systran/faster-whisper-base",
+    "small": "Systran/faster-whisper-small",
+    "medium": "Systran/faster-whisper-medium",
+    "large-v2": "Systran/faster-whisper-large-v2",
+    "large-v3": "Systran/faster-whisper-large-v3",
+}
 
 # ---------------------------------------------------------------------------
 # ChatTTS 配置
 # ---------------------------------------------------------------------------
-# 标准生产安装路径（/opt，root 部署）
-INSTALL_DIR = Path("/opt/Trading_Studio")
-
-# 项目根目录（开发/生产均自适应，以实际 app.py 所在目录为准）
-BASE_DIR = Path(__file__).resolve().parent
-
 # 固定音色 Embedding 存储路径
 SPEAKER_EMB_PATH = BASE_DIR / "speaker_emb.pt"
 
@@ -120,6 +142,22 @@ TTS_TEMPERATURE = 0.3
 TTS_TOP_P = 0.7
 TTS_TOP_K = 20
 TTS_SPEED_PROMPT = "[speed_5]"
+# 多段拼接时各段必须使用同一随机种子，否则音色会像「换了个人」
+TTS_MANUAL_SEED = _env_int("TTS_MANUAL_SEED", 42)
+# 段间静音间隔（秒）
+TTS_SEGMENT_PAUSE_SEC = 0.35
+
+# 单段 TTS 最大字数（超长稿按句切分后逐段合成再拼接；8GB 显存建议 ≤200）
+TTS_MAX_CHARS_PER_CHUNK = _env_int("TTS_MAX_CHARS_PER_CHUNK", 200)
+
+# ChatTTS 单段最大生成 token（越小越省显存，长句会自动切多段）
+TTS_MAX_NEW_TOKEN = _env_int("TTS_MAX_NEW_TOKEN", 1024)
+
+# 至少生成多少 audio token 才允许结束（防止首 token EOS → 无限递归重试）
+TTS_MIN_NEW_TOKEN = _env_int("TTS_MIN_NEW_TOKEN", 16)
+
+# GPT KV cache（关闭可省显存，但部分 transformers 版本会触发 CUDA assert）
+TTS_ENABLE_CACHE = _env_bool("TTS_ENABLE_CACHE", True)
 
 # ---------------------------------------------------------------------------
 # 上传临时文件目录

ecosystem.config.js

@@ -21,6 +21,7 @@ module.exports = {
       env: {
         PYTHONUNBUFFERED: "1",
         CUDA_VISIBLE_DEVICES: "0",
+        PYTORCH_CUDA_ALLOC_CONF: "expandable_segments:True",
       },
       error_file: path.join(APP_DIR, "logs/pm2-error.log"),
       out_file: path.join(APP_DIR, "logs/pm2-out.log"),

gpu_utils.py

@@ -0,0 +1,54 @@
+"""GPU 显存回收工具（3060 Ti 8GB：Whisper 与 ChatTTS 不宜同时驻留）。"""
+
+from __future__ import annotations
+
+import gc
+import logging
+
+logger = logging.getLogger(__name__)
+
+
+def release_cuda_cache() -> None:
+    """触发 GC 并清空 PyTorch CUDA 缓存。"""
+    gc.collect()
+    try:
+        import torch
+
+        if torch.cuda.is_available():
+            try:
+                torch.cuda.synchronize()
+            except Exception:
+                pass
+            torch.cuda.empty_cache()
+            if hasattr(torch.cuda, "ipc_collect"):
+                torch.cuda.ipc_collect()
+    except ImportError:
+        pass
+
+
+def is_cuda_runtime_error(exc: BaseException) -> bool:
+    msg = str(exc).lower()
+    return any(
+        k in msg
+        for k in (
+            "cuda error",
+            "device-side assert",
+            "out of memory",
+            "cublas",
+            "illegal memory access",
+            "an illegal instruction",
+        )
+    )
+
+
+def cuda_memory_summary() -> str:
+    """返回简要显存占用（调试用）。"""
+    try:
+        import torch
+
+        if not torch.cuda.is_available():
+            return "CUDA 不可用"
+        free, total = torch.cuda.mem_get_info()
+        return f"GPU 显存: 已用 {(total - free) / 1024**3:.2f}GB / {total / 1024**3:.2f}GB"
+    except Exception as exc:
+        return f"显存查询失败: {exc}"

scripts/download_all_models.sh

@@ -0,0 +1,15 @@
+#!/usr/bin/env bash
+# 一次性下载 Whisper + ChatTTS 全部模型（内网服务器部署必跑）
+set -euo pipefail
+ROOT="$(cd "$(dirname "$0")/.." && pwd)"
+cd "${ROOT}"
+
+echo "========== 下载 Whisper (small) =========="
+bash scripts/download_whisper_models.sh small
+
+echo ""
+echo "========== 下载 ChatTTS =========="
+bash scripts/download_chattts_models.sh
+
+echo ""
+echo "[OK] 全部模型下载完成，请: pm2 restart trading_studio"

scripts/download_whisper_models.sh

@@ -0,0 +1,59 @@
+#!/usr/bin/env bash
+# 预下载 Faster-Whisper 模型（HF 镜像，内网服务器离线可用）
+# 用法: bash scripts/download_whisper_models.sh [tiny|base|small|medium|large-v3]
+set -euo pipefail
+
+ROOT="$(cd "$(dirname "$0")/.." && pwd)"
+SIZE="${1:-small}"
+VENV_PY="${ROOT}/venv/bin/python"
+MODEL_DIR="${WHISPER_MODEL_DIR:-${ROOT}/models/whisper}/${SIZE}"
+
+export HF_ENDPOINT="${HF_ENDPOINT:-https://hf-mirror.com}"
+export HF_HUB_DOWNLOAD_TIMEOUT="${HF_HUB_DOWNLOAD_TIMEOUT:-600}"
+export HF_HOME="${HF_HOME:-${ROOT}/models/hf_cache}"
+export MODEL_DIR
+export WHISPER_SIZE="${SIZE}"
+
+echo "[INFO] Whisper 模型: ${SIZE}"
+echo "[INFO] 保存目录: ${MODEL_DIR}"
+echo "[INFO] HF 镜像: ${HF_ENDPOINT}"
+
+if [[ ! -x "${VENV_PY}" ]]; then
+  echo "[ERROR] 未找到 venv，请先 bash deploy.sh deps"
+  exit 1
+fi
+
+"${VENV_PY}" -m pip install -q huggingface_hub
+
+"${VENV_PY}" << 'PY'
+import os
+from pathlib import Path
+from huggingface_hub import snapshot_download
+
+size = os.environ["WHISPER_SIZE"]
+repos = {
+    "tiny": "Systran/faster-whisper-tiny",
+    "base": "Systran/faster-whisper-base",
+    "small": "Systran/faster-whisper-small",
+    "medium": "Systran/faster-whisper-medium",
+    "large-v2": "Systran/faster-whisper-large-v2",
+    "large-v3": "Systran/faster-whisper-large-v3",
+}
+repo = repos.get(size)
+if not repo:
+    raise SystemExit(f"未知模型尺寸: {size}, 可选: {list(repos)}")
+
+target = Path(os.environ["MODEL_DIR"])
+target.mkdir(parents=True, exist_ok=True)
+
+print(f"[INFO] 正在下载 {repo} ...")
+snapshot_download(repo_id=repo, local_dir=str(target), local_dir_use_symlinks=False)
+
+if not (target / "model.bin").is_file():
+    raise SystemExit(f"[ERROR] 下载不完整，未找到 model.bin: {target}")
+
+print(f"[OK] Whisper 模型就绪: {target}")
+PY
+
+echo ""
+echo "[OK] 请执行: pm2 restart trading_studio"

scripts/generate_voice_presets.py

@@ -0,0 +1,80 @@
+#!/usr/bin/env python3
+"""生成 ChatTTS 本地预设说话人（sample_random_speaker，走 GPU）。"""
+
+from __future__ import annotations
+
+import json
+import sys
+from datetime import datetime
+from pathlib import Path
+
+ROOT = Path(__file__).resolve().parent.parent
+sys.path.insert(0, str(ROOT))
+
+import torch
+
+from config import CHATTTS_MODEL_DIR
+from tts_service import get_chattts_instance, reset_chattts_instance
+from voice_presets import (
+    DEFAULT_MANIFEST,
+    MANIFEST_PATH,
+    PRESETS_DIR,
+    VOICES_DIR,
+    ensure_manifest,
+)
+
+
+def main() -> None:
+    ensure_manifest()
+    PRESETS_DIR.mkdir(parents=True, exist_ok=True)
+
+    try:
+        from whisper_service import reset_whisper_model
+
+        reset_whisper_model()
+    except Exception:
+        pass
+
+    reset_chattts_instance()
+    chat, err = get_chattts_instance()
+    if chat is None:
+        raise SystemExit(f"ChatTTS 加载失败: {err}")
+
+    if not hasattr(chat, "sample_random_speaker"):
+        raise SystemExit("当前 ChatTTS 版本不支持 sample_random_speaker")
+
+    presets = DEFAULT_MANIFEST["presets"]
+    print(f"[INFO] 生成 {len(presets)} 个预设音色 → {PRESETS_DIR}")
+
+    for item in presets:
+        pid = item["id"]
+        label = item["label"]
+        out_path = PRESETS_DIR / f"{pid}.pt"
+
+        spk_emb = chat.sample_random_speaker()
+        payload = {
+            "version": 1,
+            "preset": True,
+            "id": pid,
+            "label": label,
+            "spk_emb": spk_emb,
+            "spk_smp": None,
+            "txt_smp": "",
+            "created_at": datetime.now().isoformat(),
+            "source": "ChatTTS.sample_random_speaker",
+        }
+        torch.save(payload, out_path)
+        print(f"  [OK] {label} → {out_path.name}")
+
+    manifest = json.loads(MANIFEST_PATH.read_text(encoding="utf-8"))
+    manifest["generated_at"] = datetime.now().isoformat()
+    manifest["chattts_model"] = str(CHATTTS_MODEL_DIR)
+    MANIFEST_PATH.write_text(
+        json.dumps(manifest, ensure_ascii=False, indent=2),
+        encoding="utf-8",
+    )
+    print("[OK] 全部预设音色生成完成")
+
+
+if __name__ == "__main__":
+    main()

scripts/generate_voice_presets.sh

@@ -0,0 +1,16 @@
+#!/usr/bin/env bash
+# 生成本地 GPU 预设音色（ChatTTS 内置说话人，无需 API）
+# 用法: bash scripts/generate_voice_presets.sh
+set -euo pipefail
+ROOT="$(cd "$(dirname "$0")/.." && pwd)"
+VENV_PY="${ROOT}/venv/bin/python"
+
+if [[ ! -x "${VENV_PY}" ]]; then
+  echo "[ERROR] 未找到 venv，请先 bash deploy.sh deps"
+  exit 1
+fi
+
+echo "[INFO] 正在生成 ChatTTS 预设音色（本地 GPU）..."
+"${VENV_PY}" "${ROOT}/scripts/generate_voice_presets.py"
+echo "[OK] 预设音色已写入 ${ROOT}/voices/presets/"
+echo "[OK] 在 Web UI「配音合成」处可从下拉框选择"

tts_service.py

@@ -8,11 +8,14 @@ from __future__ import annotations
 import inspect
 import logging
 import os
+import re
 import traceback
 import uuid
+import warnings
+from dataclasses import replace
 from datetime import datetime
 from pathlib import Path
-from typing import Any, Dict, Optional, Tuple
+from typing import Any, Dict, List, Optional, Tuple
 
 import numpy as np
 import torch
@@ -28,7 +31,13 @@ from config import (
     SPEAKER_EMB_PATH,
     SPEAKER_SAMPLE_MAX_SEC,
     SPEAKER_SAMPLE_MIN_SEC,
+    TTS_MAX_CHARS_PER_CHUNK,
+    TTS_ENABLE_CACHE,
+    TTS_MANUAL_SEED,
+    TTS_MAX_NEW_TOKEN,
+    TTS_MIN_NEW_TOKEN,
     TTS_SAMPLE_RATE,
+    TTS_SEGMENT_PAUSE_SEC,
     TTS_SPEED_PROMPT,
     TTS_TEMPERATURE,
     TTS_TOP_K,
@@ -89,7 +98,7 @@ def _load_chat_model(chat) -> None:
     _ensure_hf_env()
     model_dir = CHATTTS_MODEL_DIR
 
-    base_kwargs: Dict[str, Any] = {"compile": False}
+    base_kwargs: Dict[str, Any] = {"compile": False, "enable_cache": TTS_ENABLE_CACHE}
 
     if not hasattr(chat, "load"):
         if hasattr(chat, "load_models"):
@@ -134,11 +143,26 @@ def _load_chat_model(chat) -> None:
 
 
 def reset_chattts_instance() -> None:
-    """释放 ChatTTS 实例（模型下载后重启前可调用）。"""
+    """卸载 ChatTTS 模型并回收 GPU 显存。"""
     global _chat, _chat_error
+    if _chat is not None:
+        try:
+            if hasattr(_chat, "unload"):
+                _chat.unload()
+        except Exception:
+            logger.exception("ChatTTS unload 失败")
+        try:
+            del _chat
+        except Exception:
+            pass
     _chat = None
     _chat_error = None
 
+    from gpu_utils import release_cuda_cache
+
+    release_cuda_cache()
+    logger.info("ChatTTS 模型已卸载，显存已尝试回收。")
+
 
 def get_chattts_instance():
     """
@@ -179,29 +203,81 @@ def get_chattts_instance():
         return None, _chat_error
 
 
+def _load_audio_via_ffmpeg(audio_path: str, sample_rate: int) -> np.ndarray:
+    """通过 ffmpeg 转码为 wav 再读取，兼容手机 webm/m4a 等格式。"""
+    import subprocess
+    import tempfile
+
+    import soundfile as sf
+
+    tmp_path = tempfile.mktemp(suffix=".wav")
+    try:
+        cmd = [
+            "ffmpeg",
+            "-y",
+            "-i",
+            audio_path,
+            "-ac",
+            "1",
+            "-ar",
+            str(sample_rate),
+            "-f",
+            "wav",
+            tmp_path,
+        ]
+        result = subprocess.run(cmd, capture_output=True, text=True, timeout=120)
+        if result.returncode != 0:
+            raise RuntimeError(result.stderr[-500:] if result.stderr else "ffmpeg 转码失败")
+
+        audio, _ = sf.read(tmp_path, dtype="float32", always_2d=False)
+        if isinstance(audio, np.ndarray) and audio.ndim > 1:
+            audio = audio.mean(axis=1)
+        return np.asarray(audio, dtype=np.float32)
+    finally:
+        Path(tmp_path).unlink(missing_ok=True)
+
+
 def _load_audio_for_chattts(audio_path: str, sample_rate: int = TTS_SAMPLE_RATE) -> np.ndarray:
     """
     加载音频并重采样到 ChatTTS 所需采样率。
-    优先使用 ChatTTS 自带工具，回退到 librosa。
+    优先 ChatTTS 工具 → ffmpeg 转码 → librosa 兜底。
     """
+    errors: list[str] = []
+
     try:
         from ChatTTS.utils import load_audio
 
         return load_audio(audio_path, sample_rate)
-    except ImportError:
-        pass
+    except Exception as exc:
+        errors.append(f"ChatTTS.utils: {exc}")
 
     try:
         from tools.audio import load_audio
 
         return load_audio(audio_path, sample_rate)
-    except ImportError:
-        pass
+    except Exception as exc:
+        errors.append(f"tools.audio: {exc}")
 
+    try:
+        return _load_audio_via_ffmpeg(audio_path, sample_rate)
+    except Exception as exc:
+        errors.append(f"ffmpeg: {exc}")
+
+    try:
         import librosa
 
+        with warnings.catch_warnings():
+            warnings.filterwarnings("ignore", category=FutureWarning)
+            warnings.filterwarnings("ignore", message="PySoundFile failed")
             audio, _ = librosa.load(audio_path, sr=sample_rate, mono=True)
         return audio
+    except Exception as exc:
+        errors.append(f"librosa: {exc}")
+
+    raise RuntimeError(
+        "无法读取音频文件，请上传 wav/mp3/m4a 或确认已安装 ffmpeg。\n"
+        + "\n".join(errors[-3:])
+    )
 
 
 def _get_audio_duration_sec(audio: np.ndarray, sample_rate: int) -> float:
@@ -211,15 +287,69 @@ def _get_audio_duration_sec(audio: np.ndarray, sample_rate: int) -> float:
     return len(audio) / float(sample_rate)
 
 
-def _encode_spk_emb(chat, tensor_or_str: Any) -> str:
-    """将 Speaker Embedding 编码为 ChatTTS 可用的字符串格式。"""
-    if isinstance(tensor_or_str, str):
-        return tensor_or_str
-
+def _encode_random_spk_emb(chat, tensor: torch.Tensor) -> Optional[str]:
+    """将随机说话人向量编码为 spk_emb 字符串（仅用于 sample_random，非参考音频）。"""
+    speaker = getattr(chat, "speaker", None)
+    if speaker is not None and hasattr(speaker, "_encode"):
+        return speaker._encode(tensor)
     if hasattr(chat, "_encode_spk_emb"):
-        return chat._encode_spk_emb(tensor_or_str)
+        return chat._encode_spk_emb(tensor)
+    return None
 
-    return tensor_or_str
+
+def _is_valid_spk_emb_string(chat, spk_emb: str) -> bool:
+    """spk_emb 与 spk_smp 编码不同；非法字符串会在 lzma 解压时报 Corrupt input data。"""
+    speaker = getattr(chat, "speaker", None)
+    if speaker is None or not hasattr(speaker, "_decode"):
+        return False
+    try:
+        speaker._decode(spk_emb)
+        return True
+    except Exception:
+        return False
+
+
+def _normalize_speaker_for_infer(
+    chat,
+    payload: Dict[str, Any],
+) -> Tuple[Optional[Dict[str, Optional[str]]], Optional[str]]:
+    """
+    规范 ChatTTS 音色参数。
+    参考音频克隆必须用 spk_smp + txt_smp，不能把 sample_audio_speaker 结果传给 spk_emb。
+    """
+    spk_smp = payload.get("spk_smp")
+    txt_smp = (payload.get("txt_smp") or "").strip() or None
+    spk_emb = payload.get("spk_emb")
+    warn: Optional[str] = None
+
+    if spk_smp:
+        if not txt_smp:
+            warn = (
+                "未填写参考音频转写（txt_smp），音色克隆可能不稳定。"
+                "建议在「音色锁定」补充精确转写后重新锁定。"
+            )
+        return {"spk_smp": spk_smp, "txt_smp": txt_smp, "spk_emb": None}, warn
+
+    if isinstance(spk_emb, str) and spk_emb.strip():
+        if _is_valid_spk_emb_string(chat, spk_emb):
+            return {"spk_emb": spk_emb, "spk_smp": None, "txt_smp": None}, None
+        # 旧版误存：把 spk_smp 写进了 spk_emb
+        return {
+            "spk_smp": spk_emb,
+            "txt_smp": txt_smp,
+            "spk_emb": None,
+        }, (
+            "检测到旧版音色文件格式，已自动按 spk_smp 加载。"
+            "建议重新锁定音色并填写参考转写。"
+        )
+
+    if isinstance(spk_emb, torch.Tensor):
+        encoded = _encode_random_spk_emb(chat, spk_emb)
+        if encoded:
+            return {"spk_emb": encoded, "spk_smp": None, "txt_smp": None}, None
+        return None, "旧版音色张量无法编码，请重新锁定音色。"
+
+    return None, "音色数据无效或已损坏，请重新锁定音色。"
 
 
 def save_fixed_speaker(
@@ -239,6 +369,13 @@ def save_fixed_speaker(
     if not audio_sample_path:
         return False, "未提供音色参考音频。"
 
+    try:
+        from whisper_service import reset_whisper_model
+
+        reset_whisper_model()
+    except Exception:
+        logger.debug("锁定音色前释放 Whisper 显存跳过", exc_info=True)
+
     chat, init_err = get_chattts_instance()
     if chat is None:
         return False, init_err or "ChatTTS 不可用。"
@@ -258,10 +395,9 @@ def save_fixed_speaker(
             audio = audio[:max_samples]
 
         spk_smp = chat.sample_audio_speaker(audio)
-        spk_emb = _encode_spk_emb(chat, spk_smp)
 
         payload: Dict[str, Any] = {
-            "spk_emb": spk_emb,
+            "version": 2,
             "spk_smp": spk_smp,
             "txt_smp": sample_transcript.strip(),
             "created_at": datetime.now().isoformat(),
@@ -275,7 +411,10 @@ def save_fixed_speaker(
             f"参考时长: {duration:.1f}s"
         )
         if not sample_transcript.strip():
-            msg += "\n提示：填写参考音频精确转写可进一步提升音色还原度。"
+            msg += (
+                "\n⚠️ 未填写参考转写：合成时可能报 Corrupt input data 或音色不稳。"
+                "请填写与录音一致的精确转写后重新锁定。"
+            )
 
         logger.info("Speaker Embedding 保存成功: %s", SPEAKER_EMB_PATH)
         return True, msg
@@ -301,8 +440,11 @@ def _load_speaker_payload() -> Tuple[Optional[Dict[str, Any]], Optional[str]]:
             chat, err = get_chattts_instance()
             if chat is None:
                 return None, err
+            encoded = _encode_random_spk_emb(chat, payload)
+            if not encoded:
+                return None, "旧版音色张量无法读取，请重新锁定音色。"
             return {
-                "spk_emb": _encode_spk_emb(chat, payload),
+                "spk_emb": encoded,
                 "spk_smp": None,
                 "txt_smp": "",
             }, None
@@ -324,12 +466,191 @@ def speaker_is_ready() -> Tuple[bool, str]:
     return True, f"已加载固定音色: {SPEAKER_EMB_PATH}"
 
 
-def generate_voice(refined_text: str) -> Tuple[bool, str, Optional[str]]:
+_EMOJI_RE = re.compile(
+    "["
+    "\U0001F300-\U0001FAFF"
+    "\U00002700-\U000027BF"
+    "\U00002600-\U000026FF"
+    "]+",
+    flags=re.UNICODE,
+)
+
+_TTS_NOTE_MARKERS = (
+    "💡",
+    "量化交易员的修改笔记",
+    "修改笔记（供你参考）",
+    "修改笔记",
+    "供你参考",
+)
+
+_STAGE_DIRECTION_RE = re.compile(
+    r"[（(][^）)]{0,80}(?:前奏|转场|语气|背景|BGM|配乐|节奏|环节)[^）)]{0,80}[）)]"
+)
+
+_CN_DIGITS = "零一二三四五六七八九"
+
+# ChatTTS tokenizer 对裸 ASCII 数字、控制符敏感，易触发 CUDA device-side assert
+_TTS_UNSAFE_CHAR_RE = re.compile(
+    r"[\u200b-\u200f\u202a-\u202e\ufeff\x00-\x08\x0b\x0c\x0e-\x1f]"
+)
+_TTS_ALLOWED_CHAR_RE = re.compile(
+    r"[^\u4e00-\u9fff\u3400-\u4dbfA-Za-z0-9，。！？；：、「」『』（）—…\-\s'\"《》％%]"
+)
+
+
+def _digits_to_chinese(text: str) -> str:
+    def _repl(match: re.Match[str]) -> str:
+        return "".join(_CN_DIGITS[int(ch)] for ch in match.group())
+
+    return re.sub(r"\d+", _repl, text)
+
+
+def _normalize_tts_chunk(text: str) -> str:
+    """单段合成用：去控制符、数字转中文、合并换行为逗号。"""
+    text = _TTS_UNSAFE_CHAR_RE.sub("", text)
+    text = text.replace("\r", "").replace("\n", "，")
+    text = _digits_to_chinese(text)
+    text = _TTS_ALLOWED_CHAR_RE.sub("", text)
+    text = re.sub(r"[，,]{2,}", "，", text)
+    text = re.sub(r"\s+", "", text)
+    return text.strip("，。 \t")
+
+
+def prepare_text_for_tts(text: str) -> str:
     """
-    使用 ChatTTS 将润色后的文稿合成为 wav 配音。
+    将 LLM 润色稿转为 ChatTTS 可朗读的纯文本。
+    去除 Markdown、emoji、舞台提示、修改笔记等非朗读内容。
+    """
+    if not text:
+        return ""
+
+    cleaned = text.replace("\r\n", "\n").strip()
+
+    for marker in _TTS_NOTE_MARKERS:
+        idx = cleaned.find(marker)
+        if idx >= 0:
+            cleaned = cleaned[:idx]
+
+    # 去掉模型常见前言，从标题或正文起点开始
+    for pattern in (
+        r"^作为一名极其严谨的量化交易员.*?配音稿。\s*",
+        r"^以下是为你润色后的文案[：:]*\s*",
+        r"^以下(?:是|为).*?润色.*?文案[：:]*\s*",
+    ):
+        cleaned = re.sub(pattern, "", cleaned, count=1, flags=re.DOTALL)
+
+    cleaned = re.sub(r"^\*{3,}\s*$", "", cleaned, flags=re.MULTILINE)
+    cleaned = re.sub(r"^-{3,}\s*$", "", cleaned, flags=re.MULTILINE)
+    cleaned = re.sub(r"^#{1,6}\s*", "", cleaned, flags=re.MULTILINE)
+    cleaned = re.sub(r"\*\*([^*\n]+)\*\*", r"\1", cleaned)
+    cleaned = re.sub(r"\*([^*\n]+)\*", r"\1", cleaned)
+    cleaned = re.sub(r"__([^_\n]+)__", r"\1", cleaned)
+    cleaned = _STAGE_DIRECTION_RE.sub("", cleaned)
+    cleaned = _EMOJI_RE.sub("", cleaned)
+    cleaned = re.sub(r"^\d+\.\s*", "", cleaned, flags=re.MULTILINE)
+    cleaned = re.sub(r"^[-*]\s+", "", cleaned, flags=re.MULTILINE)
+    cleaned = re.sub(r"[ \t]+\n", "\n", cleaned)
+    cleaned = re.sub(r"\n{3,}", "\n\n", cleaned)
+
+    lines = [ln.strip() for ln in cleaned.split("\n")]
+    lines = [ln for ln in lines if ln and not re.fullmatch(r"[*\-#]+", ln)]
+    merged = "。".join(lines)
+    return _normalize_tts_chunk(merged)
+
+
+def split_text_for_tts(text: str, max_chars: int = TTS_MAX_CHARS_PER_CHUNK) -> List[str]:
+    """按句号/换行切分长稿，避免 ChatTTS 单段过长失败。"""
+    text = text.strip()
+    if not text:
+        return []
+    if len(text) <= max_chars:
+        return [text]
+
+    parts = re.split(r"(?<=[。！？!?；;])\s*|\n+", text)
+    chunks: List[str] = []
+    buf = ""
+
+    for part in parts:
+        part = part.strip()
+        if not part:
+            continue
+        candidate = f"{buf}{part}" if buf else part
+        if len(candidate) <= max_chars:
+            buf = candidate
+            continue
+        if buf:
+            chunks.append(buf)
+            buf = ""
+        if len(part) <= max_chars:
+            buf = part
+            continue
+        for i in range(0, len(part), max_chars):
+            chunks.append(part[i : i + max_chars])
+
+    if buf:
+        chunks.append(buf)
+
+    return [_normalize_tts_chunk(c) for c in chunks if c.strip()]
+
+
+def _is_cuda_runtime_error(exc: BaseException) -> bool:
+    from gpu_utils import is_cuda_runtime_error
+
+    return is_cuda_runtime_error(exc)
+
+
+def _run_chattts_infer(
+    chat: Any,
+    chunk: str,
+    params_refine_text: Any,
+    params_infer_code: Any,
+) -> Any:
+    """单次 ChatTTS infer；split_text=False 避免段内再切分引发 mask 异常。"""
+    return chat.infer(
+        chunk,
+        skip_refine_text=False,
+        split_text=False,
+        do_text_normalization=True,
+        do_homophone_replacement=True,
+        params_refine_text=params_refine_text,
+        params_infer_code=params_infer_code,
+    )
+
+
+def _normalize_segment_peak(wav: np.ndarray, target_peak: float = 0.95) -> np.ndarray:
+    """各段单独归一化峰值，避免拼接后某段偏响/偏轻像换了人声。"""
+    arr = np.asarray(wav, dtype=np.float32).flatten()
+    peak = float(np.max(np.abs(arr))) or 1.0
+    return arr / peak * target_peak
+
+
+def _concat_wavs(
+    wavs: List[np.ndarray],
+    sample_rate: int,
+    pause_sec: float = TTS_SEGMENT_PAUSE_SEC,
+) -> np.ndarray:
+    if not wavs:
+        return np.array([], dtype=np.float32)
+
+    pause = np.zeros(int(sample_rate * pause_sec), dtype=np.float32)
+    segments: List[np.ndarray] = []
+    for i, wav in enumerate(wavs):
+        segments.append(_normalize_segment_peak(wav))
+        if i < len(wavs) - 1:
+            segments.append(pause)
+    return np.concatenate(segments)
+
+
+def generate_voice(
+    refined_text: str,
+    voice_id: str = "custom",
+) -> Tuple[bool, str, Optional[str]]:
+    """
+    使用 ChatTTS（本地 GPU）将润色稿合成为 wav。
 
     Args:
         refined_text: LLM 润色后的配音稿
+        voice_id: ``custom`` 为锁定音色，``preset_*`` 为内置预设（见 voice_presets）
 
     Returns:
         (success, message, output_wav_path_or_none)
@@ -337,46 +658,160 @@ def generate_voice(refined_text: str) -> Tuple[bool, str, Optional[str]]:
     if not refined_text or not refined_text.strip():
         return False, "合成文本为空，请先完成润色。", None
 
+    # 合成前释放 Whisper，避免 8GB 显存上双模型 OOM
+    try:
+        from whisper_service import reset_whisper_model
+
+        reset_whisper_model()
+    except Exception:
+        logger.debug("合成前释放 Whisper 显存跳过", exc_info=True)
+
+    from gpu_utils import cuda_memory_summary, release_cuda_cache
+
+    release_cuda_cache()
+    logger.info("TTS 合成前 %s", cuda_memory_summary())
+
     chat, init_err = get_chattts_instance()
     if chat is None:
         return False, init_err or "ChatTTS 不可用。", None
 
-    payload, spk_err = _load_speaker_payload()
+    from voice_presets import load_voice_payload
+
+    payload, spk_err = load_voice_payload(voice_id)
     if payload is None:
-        return False, spk_err or "请先锁定音色。", None
+        return False, spk_err or "请先选择或生成可用音色。", None
 
     try:
         import ChatTTS
 
-        spk_emb = payload.get("spk_emb")
-        spk_smp = payload.get("spk_smp")
-        txt_smp = payload.get("txt_smp", "")
-
-        params_infer_code = ChatTTS.Chat.InferCodeParams(
-            prompt=TTS_SPEED_PROMPT,
-            spk_emb=spk_emb,
-            spk_smp=spk_smp if spk_smp else None,
-            txt_smp=txt_smp if txt_smp else None,
-            temperature=TTS_TEMPERATURE,
-            top_P=TTS_TOP_P,
-            top_K=TTS_TOP_K,
+        speak_text = prepare_text_for_tts(refined_text)
+        if not speak_text:
+            return (
+                False,
+                "清洗后无有效朗读文本。请删除 Markdown（#、**）、emoji、舞台提示和「修改笔记」，"
+                "只保留可念出的正文后再合成。",
+                None,
             )
 
+        chunks = split_text_for_tts(speak_text)
+        if not chunks:
+            return False, "无法切分朗读文本，请检查润色稿内容。", None
+
+        speaker_params, speaker_warn = _normalize_speaker_for_infer(chat, payload)
+        if speaker_params is None:
+            return False, speaker_warn or "音色参数无效，请重新锁定音色。", None
+        if speaker_warn:
+            logger.warning(speaker_warn)
+
+        chunk_temperature = (
+            min(TTS_TEMPERATURE, 0.2) if len(chunks) > 1 else TTS_TEMPERATURE
+        )
+        infer_kwargs: Dict[str, Any] = {
+            "prompt": TTS_SPEED_PROMPT,
+            "spk_emb": speaker_params.get("spk_emb"),
+            "spk_smp": speaker_params.get("spk_smp"),
+            "txt_smp": speaker_params.get("txt_smp"),
+            "temperature": chunk_temperature,
+            "top_P": TTS_TOP_P,
+            "top_K": TTS_TOP_K,
+            "max_new_token": TTS_MAX_NEW_TOKEN,
+            "min_new_token": TTS_MIN_NEW_TOKEN,
+            "ensure_non_empty": False,
+        }
+        if "manual_seed" in inspect.signature(ChatTTS.Chat.InferCodeParams).parameters:
+            infer_kwargs["manual_seed"] = TTS_MANUAL_SEED
+        params_infer_code = ChatTTS.Chat.InferCodeParams(**infer_kwargs)
+
         params_refine_text = ChatTTS.Chat.RefineTextParams(
             prompt="[oral_2][laugh_0][break_4]",
+            ensure_non_empty=False,
+            min_new_token=4,
         )
 
-        wavs = chat.infer(
-            refined_text.strip(),
-            skip_refine_text=False,
-            params_refine_text=params_refine_text,
-            params_infer_code=params_infer_code,
+        logger.info(
+            "TTS 合成: 原文 %d 字 → 清洗后 %d 字，分 %d 段",
+            len(refined_text),
+            len(speak_text),
+            len(chunks),
         )
 
+        segment_wavs: List[np.ndarray] = []
+        for idx, chunk in enumerate(chunks, start=1):
+            if not chunk or len(chunk) < 2:
+                continue
+            release_cuda_cache()
+            chunk_infer = params_infer_code
+            wavs = None
+            last_exc: Optional[BaseException] = None
+            for attempt in range(3):
+                try:
+                    wavs = _run_chattts_infer(
+                        chat, chunk, params_refine_text, chunk_infer
+                    )
+                    break
+                except RecursionError as exc:
+                    last_exc = exc
+                    # 重试时仍保持同一 manual_seed，避免段内/段间音色突变
+                    if "manual_seed" in infer_kwargs and attempt < 2:
+                        chunk_infer = replace(
+                            params_infer_code,
+                            manual_seed=TTS_MANUAL_SEED + attempt + 1,
+                        )
+                    release_cuda_cache()
+                except RuntimeError as exc:
+                    last_exc = exc
+                    if not _is_cuda_runtime_error(exc) or attempt >= 2:
+                        raise
+                    logger.warning(
+                        "第 %d 段 CUDA 异常，重置 ChatTTS 后重试 (%d/3): %s",
+                        idx,
+                        attempt + 1,
+                        exc,
+                    )
+                    reset_chattts_instance()
+                    release_cuda_cache()
+                    chat, reload_err = get_chattts_instance()
+                    if chat is None:
+                        raise RuntimeError(reload_err or "ChatTTS 重载失败") from exc
+                    if "manual_seed" in infer_kwargs:
+                        chunk_infer = replace(
+                            params_infer_code,
+                            manual_seed=TTS_MANUAL_SEED + attempt + 1,
+                        )
+            if wavs is None:
+                return (
+                    False,
+                    f"ChatTTS 第 {idx}/{len(chunks)} 段合成失败（递归重试耗尽）。"
+                    f"请检查音色转写是否填写，或缩短该段文本。"
+                    f" 详情: {last_exc}",
+                    None,
+                )
             if not wavs or len(wavs) == 0:
-            return False, "ChatTTS 未生成有效音频。", None
+                return (
+                    False,
+                    f"ChatTTS 第 {idx}/{len(chunks)} 段未生成音频。"
+                    f"（段内容前 40 字: {chunk[:40]}…）",
+                    None,
+                )
+            wav_arr = np.asarray(wavs[0], dtype=np.float32)
+            if wav_arr.size == 0 or np.max(np.abs(wav_arr)) < 1e-6:
+                return (
+                    False,
+                    f"ChatTTS 第 {idx}/{len(chunks)} 段生成了空音频。"
+                    "请重新锁定音色并填写参考转写，或缩短润色稿后重试。",
+                    None,
+                )
+            segment_wavs.append(wav_arr)
+            release_cuda_cache()
 
-        wav_array = np.asarray(wavs[0], dtype=np.float32)
+        if not segment_wavs:
+            return False, "分段清洗后无有效文本，请缩短或简化润色稿后重试。", None
+
+        wav_array = (
+            segment_wavs[0]
+            if len(segment_wavs) == 1
+            else _concat_wavs(segment_wavs, TTS_SAMPLE_RATE)
+        )
 
         peak = np.max(np.abs(wav_array)) or 1.0
         wav_int16 = (wav_array / peak * 32767).astype(np.int16)
@@ -387,11 +822,61 @@ def generate_voice(refined_text: str) -> Tuple[bool, str, Optional[str]]:
 
         wavfile.write(str(output_path), TTS_SAMPLE_RATE, wav_int16)
 
-        msg = f"配音合成成功: {output_path}"
+        chunk_note = f"，共 {len(chunks)} 段拼接" if len(chunks) > 1 else ""
+        msg = (
+            f"配音合成成功: {output_path}"
+            f"（朗读 {len(speak_text)} 字{chunk_note}）"
+        )
+        if speaker_warn:
+            msg = f"{speaker_warn}\n{msg}"
         logger.info(msg)
         return True, msg, str(output_path)
 
     except Exception as exc:
+        exc_msg = str(exc)
+        if "out of memory" in exc_msg.lower() or "OutOfMemoryError" in exc_msg:
+            release_cuda_cache()
+            err = (
+                "语音合成失败: GPU 显存不足（CUDA OOM）。\n"
+                "3060 Ti 8GB 无法同时运行 Whisper + ChatTTS。\n"
+                "处理步骤：\n"
+                "1. pm2 restart trading_studio 释放显存\n"
+                "2. 不要连续快速点识别+合成；合成前系统会自动卸载 Whisper\n"
+                "3. 若仍 OOM，在 .env 设置 TTS_MAX_CHARS_PER_CHUNK=150、TTS_MAX_NEW_TOKEN=768\n"
+                "4. 确认无其他程序占用 GPU: nvidia-smi\n"
+                f"技术详情: {exc_msg[:400]}"
+            )
+        elif _is_cuda_runtime_error(exc):
+            reset_chattts_instance()
+            release_cuda_cache()
+            err = (
+                "语音合成失败: GPU/CUDA 异常（device-side assert 等）。\n"
+                "常见原因：此前 OOM 导致 GPU 状态损坏，或文本含特殊字符。\n"
+                "处理步骤：\n"
+                "1. pm2 restart trading_studio（必须，清理 GPU 脏状态）\n"
+                "2. 确认已填写参考音频转写并重新锁定音色\n"
+                "3. 用 2-3 句短中文试合成\n"
+                "4. 若仍失败，在 .env 设 TTS_ENABLE_CACHE=false 后重启\n"
+                f"技术详情: {exc_msg[:500]}"
+            )
+        elif "recursion depth" in exc_msg.lower() or isinstance(exc, RecursionError):
+            err = (
+                "语音合成失败: ChatTTS 反复生成空结果导致递归超限。\n"
+                "常见原因：未填写参考音频转写、润色稿含特殊符号、或音色文件异常。\n"
+                "处理：重新锁定音色并填写转写 → 用较短纯文本试合成。\n"
+                f"技术详情: {exc_msg[:400]}"
+            )
+        elif "Corrupt input data" in exc_msg:
+            err = (
+                "语音合成失败: 音色数据损坏或格式不兼容（Corrupt input data）。\n"
+                "处理步骤：\n"
+                "1. 删除旧音色: rm speaker_emb.pt\n"
+                "2. 在「音色锁定」重新上传参考人声\n"
+                "3. 填写与录音一致的「参考音频精确转写」（必填）\n"
+                "4. 重新点击锁定音色后再合成\n"
+                f"技术详情: {exc_msg}"
+            )
+        else:
             err = f"语音合成失败: {exc}\n{traceback.format_exc()}"
         logger.exception("generate_voice 失败")
         return False, err, None

voice_history.py

@@ -0,0 +1,51 @@
+"""
+本地配音历史：扫描 outputs/ 下已生成的 wav，供 Gradio 下拉试听与下载。
+文件不会被自动删除，重启服务后仍可访问。
+"""
+
+from __future__ import annotations
+
+import logging
+from datetime import datetime
+from pathlib import Path
+from typing import List, Tuple
+
+from config import OUTPUT_DIR
+
+logger = logging.getLogger(__name__)
+
+HISTORY_MAX_ITEMS = 50
+VOICEOVER_GLOB = "voiceover_*.wav"
+
+
+def list_voice_history(limit: int = HISTORY_MAX_ITEMS) -> List[Tuple[str, str]]:
+    """
+    返回 Gradio Dropdown 选项：(显示名, 文件绝对路径)，按时间倒序。
+    """
+    if not OUTPUT_DIR.is_dir():
+        return []
+
+    files = sorted(
+        OUTPUT_DIR.glob(VOICEOVER_GLOB),
+        key=lambda p: p.stat().st_mtime,
+        reverse=True,
+    )[:limit]
+
+    choices: List[Tuple[str, str]] = []
+    for path in files:
+        try:
+            st = path.stat()
+        except OSError:
+            logger.debug("跳过不可读历史文件: %s", path)
+            continue
+        ts = datetime.fromtimestamp(st.st_mtime).strftime("%Y-%m-%d %H:%M")
+        size_mb = st.st_size / (1024 * 1024)
+        label = f"{ts} · {path.name} ({size_mb:.1f} MB)"
+        choices.append((label, str(path.resolve())))
+    return choices
+
+
+def latest_voice_path() -> str | None:
+    """最新一条配音路径，无历史时返回 None。"""
+    items = list_voice_history(limit=1)
+    return items[0][1] if items else None

voice_presets.py

@@ -0,0 +1,152 @@
+"""
+本地 GPU 音色库（ChatTTS，无需云端 API）
+- custom：用户在「音色锁定」克隆的 speaker_emb.pt
+- preset_*：ChatTTS sample_random_speaker 生成的内置说话人（scripts/generate_voice_presets.sh）
+"""
+
+from __future__ import annotations
+
+import json
+import logging
+from pathlib import Path
+from typing import Any, Dict, List, Optional, Tuple
+
+import torch
+
+from config import BASE_DIR, SPEAKER_EMB_PATH
+
+logger = logging.getLogger(__name__)
+
+VOICES_DIR = Path(BASE_DIR) / "voices"
+PRESETS_DIR = VOICES_DIR / "presets"
+MANIFEST_PATH = VOICES_DIR / "manifest.json"
+
+CUSTOM_VOICE_ID = "custom"
+DEFAULT_PRESET_VOICE_ID = "preset_01"
+DEFAULT_PRESET_VOICE_LABEL = "预设·沉稳男声"
+
+# 生成脚本写入的预设元数据（.pt 文件不入 Git）
+DEFAULT_MANIFEST = {
+    "presets": [
+        {"id": "preset_01", "label": "预设·沉稳男声", "file": "presets/preset_01.pt"},
+        {"id": "preset_02", "label": "预设·青年男声", "file": "presets/preset_02.pt"},
+        {"id": "preset_03", "label": "预设·温柔女声", "file": "presets/preset_03.pt"},
+        {"id": "preset_04", "label": "预设·活泼女声", "file": "presets/preset_04.pt"},
+        {"id": "preset_05", "label": "预设·中性旁白", "file": "presets/preset_05.pt"},
+        {"id": "preset_06", "label": "预设·纪录片风", "file": "presets/preset_06.pt"},
+    ]
+}
+
+
+def ensure_manifest() -> None:
+    VOICES_DIR.mkdir(parents=True, exist_ok=True)
+    PRESETS_DIR.mkdir(parents=True, exist_ok=True)
+    if not MANIFEST_PATH.is_file():
+        MANIFEST_PATH.write_text(
+            json.dumps(DEFAULT_MANIFEST, ensure_ascii=False, indent=2),
+            encoding="utf-8",
+        )
+
+
+def _read_manifest() -> Dict[str, Any]:
+    ensure_manifest()
+    try:
+        return json.loads(MANIFEST_PATH.read_text(encoding="utf-8"))
+    except Exception as exc:
+        logger.warning("读取 manifest 失败: %s", exc)
+        return DEFAULT_MANIFEST
+
+
+def list_voice_choices() -> List[Tuple[str, str]]:
+    """
+    返回 Gradio Dropdown 选项：(显示名, voice_id)。
+  仅列出磁盘上已存在的音色。
+    """
+    choices: List[Tuple[str, str]] = []
+
+    if SPEAKER_EMB_PATH.is_file():
+        choices.append(("我的锁定音色（声音克隆）", CUSTOM_VOICE_ID))
+
+    for preset in _read_manifest().get("presets", []):
+        pid = preset.get("id", "")
+        label = preset.get("label", pid)
+        rel = preset.get("file", "")
+        if pid and rel and (VOICES_DIR / rel).is_file():
+            choices.append((label, pid))
+
+    if not choices:
+        choices.append(
+            (
+                "（请先在「音色锁定」上传人声，或运行 generate_voice_presets.sh）",
+                CUSTOM_VOICE_ID,
+            )
+        )
+    return choices
+
+
+def default_voice_id() -> str:
+    choices = list_voice_choices()
+    if not choices:
+        return DEFAULT_PRESET_VOICE_ID
+    for _label, vid in choices:
+        if vid == DEFAULT_PRESET_VOICE_ID:
+            return vid
+    for _label, vid in choices:
+        if vid != CUSTOM_VOICE_ID:
+            return vid
+    return choices[0][1]
+
+
+def default_voice_label() -> str:
+    for lbl, vid in list_voice_choices():
+        if vid == DEFAULT_PRESET_VOICE_ID:
+            return lbl
+    labels = voice_choice_labels()
+    return labels[0] if labels else DEFAULT_PRESET_VOICE_LABEL
+
+
+def voice_choice_labels() -> List[str]:
+    return [c[0] for c in list_voice_choices()]
+
+
+def label_to_voice_id(label: str) -> str:
+    for lbl, vid in list_voice_choices():
+        if lbl == label:
+            return vid
+    return default_voice_id()
+
+
+def load_voice_payload(voice_id: str) -> Tuple[Optional[Dict[str, Any]], Optional[str]]:
+    """按 voice_id 加载 ChatTTS 说话人数据。"""
+    if voice_id == CUSTOM_VOICE_ID or not voice_id:
+        if not SPEAKER_EMB_PATH.is_file():
+            return None, (
+                "未找到锁定音色。请在「音色锁定」上传参考人声，"
+                "或选择下方「预设」音色（需先运行 scripts/generate_voice_presets.sh）。"
+            )
+        return _load_payload_file(SPEAKER_EMB_PATH)
+
+    for preset in _read_manifest().get("presets", []):
+        if preset.get("id") != voice_id:
+            continue
+        path = VOICES_DIR / preset.get("file", "")
+        if not path.is_file():
+            return None, (
+                f"预设音色「{preset.get('label', voice_id)}」尚未生成。\n"
+                f"请在服务器执行: bash scripts/generate_voice_presets.sh"
+            )
+        return _load_payload_file(path)
+
+    return None, f"未知音色 ID: {voice_id}"
+
+
+def _load_payload_file(path: Path) -> Tuple[Optional[Dict[str, Any]], Optional[str]]:
+    try:
+        payload = torch.load(path, map_location="cpu", weights_only=False)
+        if isinstance(payload, torch.Tensor):
+            return {"spk_emb": payload, "spk_smp": None, "txt_smp": ""}, None
+        if isinstance(payload, dict):
+            return payload, None
+        return None, f"音色文件格式无效: {path.name}"
+    except Exception as exc:
+        return None, f"读取音色文件失败 ({path.name}): {exc}"

voices/manifest.json

@@ -0,0 +1,10 @@
+{
+  "presets": [
+    {"id": "preset_01", "label": "预设·沉稳男声", "file": "presets/preset_01.pt"},
+    {"id": "preset_02", "label": "预设·青年男声", "file": "presets/preset_02.pt"},
+    {"id": "preset_03", "label": "预设·温柔女声", "file": "presets/preset_03.pt"},
+    {"id": "preset_04", "label": "预设·活泼女声", "file": "presets/preset_04.pt"},
+    {"id": "preset_05", "label": "预设·中性旁白", "file": "presets/preset_05.pt"},
+    {"id": "preset_06", "label": "预设·纪录片风", "file": "presets/preset_06.pt"}
+  ]
+}

whisper_service.py

@@ -6,43 +6,93 @@ Faster-Whisper CUDA 语音识别服务
 from __future__ import annotations
 
 import logging
+import os
 import traceback
+from pathlib import Path
 from typing import Optional, Tuple
 
 from config import (
+    BASE_DIR,
+    HF_ENDPOINT,
+    HF_HOME,
+    HF_HUB_DOWNLOAD_TIMEOUT,
     WHISPER_COMPUTE_TYPE,
     WHISPER_DEVICE,
+    WHISPER_HF_REPO,
     WHISPER_LANGUAGE,
+    WHISPER_MODEL_DIR,
     WHISPER_MODEL_SIZE,
 )
 
 logger = logging.getLogger(__name__)
 
-# 全局懒加载模型实例，避免 Gradio 重复初始化占用显存
 _model = None
 _model_error: Optional[str] = None
 
 
+def _ensure_hf_env() -> None:
+    os.environ.setdefault("HF_ENDPOINT", HF_ENDPOINT)
+    os.environ.setdefault("HF_HUB_DOWNLOAD_TIMEOUT", str(HF_HUB_DOWNLOAD_TIMEOUT))
+    os.environ.setdefault("HF_HOME", str(HF_HOME))
+    WHISPER_MODEL_DIR.mkdir(parents=True, exist_ok=True)
+
+
+def _whisper_local_path() -> Optional[Path]:
+    """返回已预下载的本地模型目录。"""
+    local = WHISPER_MODEL_DIR / WHISPER_MODEL_SIZE
+    if (local / "model.bin").is_file():
+        return local
+    return None
+
+
 def _is_cuda_error(exc: BaseException) -> bool:
-    """判断异常是否与 CUDA/GPU 相关。"""
     msg = str(exc).lower()
     cuda_keywords = (
-        "cuda",
-        "cudnn",
-        "cublas",
-        "gpu",
-        "out of memory",
-        "no kernel image",
-        "device-side assert",
+        "cuda", "cudnn", "cublas", "gpu",
+        "out of memory", "no kernel image", "device-side assert",
     )
     return any(k in msg for k in cuda_keywords)
 
 
+def _is_network_error(exc: BaseException) -> bool:
+    msg = str(exc).lower()
+    return any(
+        k in msg
+        for k in (
+            "network is unreachable",
+            "connection error",
+            "connecterror",
+            "timed out",
+            "couldn't connect",
+            "name resolution",
+            "hub",
+        )
+    )
+
+
+def _build_load_error(exc: BaseException) -> str:
+    lines = [
+        "Whisper 模型加载失败。",
+        f"详情: {exc}",
+        "",
+    ]
+    if _is_network_error(exc):
+        lines.extend([
+            "原因：服务器无法访问 HuggingFace 下载模型（内网/无外网常见）。",
+            "请在服务器执行（走 HF 镜像，仅需一次）：",
+            f"  cd {BASE_DIR}",
+            "  bash scripts/download_whisper_models.sh",
+            "  pm2 restart trading_studio",
+            "",
+            f"模型将保存到: {WHISPER_MODEL_DIR / WHISPER_MODEL_SIZE}",
+        ])
+    else:
+        lines.append(f"完整日志:\n{traceback.format_exc()}")
+    return "\n".join(lines)
+
+
 def get_whisper_model():
-    """
-    获取或初始化 Faster-Whisper 模型。
-    强制 device=cuda, compute_type=float16。
-    """
+    """获取或初始化 Faster-Whisper 模型（优先本地预下载）。"""
     global _model, _model_error
 
     if _model is not None:
@@ -52,18 +102,31 @@ def get_whisper_model():
         return None, _model_error
 
     try:
+        _ensure_hf_env()
         from faster_whisper import WhisperModel
 
+        local = _whisper_local_path()
+        if local:
+            model_id = str(local)
+            logger.info("Whisper 从本地加载: %s", model_id)
+        else:
+            model_id = WHISPER_MODEL_SIZE
+            logger.warning(
+                "未找到本地 Whisper 模型 (%s)，尝试在线下载（可能失败）…",
+                WHISPER_MODEL_DIR / WHISPER_MODEL_SIZE,
+            )
+
         logger.info(
-            "正在加载 Whisper 模型: size=%s, device=%s, compute_type=%s",
-            WHISPER_MODEL_SIZE,
+            "Whisper 加载: model=%s, device=%s, compute_type=%s",
+            model_id,
             WHISPER_DEVICE,
             WHISPER_COMPUTE_TYPE,
         )
         _model = WhisperModel(
-            WHISPER_MODEL_SIZE,
+            model_id,
             device=WHISPER_DEVICE,
             compute_type=WHISPER_COMPUTE_TYPE,
+            download_root=str(WHISPER_MODEL_DIR),
         )
         logger.info("Whisper 模型加载成功。")
         return _model, None
@@ -79,29 +142,28 @@ def get_whisper_model():
     except Exception as exc:
         if _is_cuda_error(exc):
             _model_error = (
-                "CUDA 初始化失败，请检查 NVIDIA 驱动、CUDA 运行时及 cuDNN 是否正确安装。\n"
-                f"错误详情: {exc}\n"
-                f"{traceback.format_exc()}"
+                "CUDA 初始化失败，请检查 NVIDIA 驱动、CUDA 运行时及 cuDNN。\n"
+                f"错误详情: {exc}"
             )
         else:
-            _model_error = f"Whisper 模型加载失败: {exc}\n{traceback.format_exc()}"
+            _model_error = _build_load_error(exc)
         logger.exception("Whisper 模型加载异常")
         return None, _model_error
 
 
 def transcribe_audio(audio_path: str) -> Tuple[bool, str]:
-    """
-    将音频文件转写为中文文本。
-
-    Args:
-        audio_path: 本地音频文件绝对或相对路径
-
-    Returns:
-        (success, text_or_error_message)
-    """
+    """将音频文件转写为中文文本。"""
     if not audio_path:
         return False, "未提供音频文件路径。"
 
+    # 识别前释放 ChatTTS，避免与 Whisper 同占 8GB 显存
+    try:
+        from tts_service import reset_chattts_instance
+
+        reset_chattts_instance()
+    except Exception:
+        logger.debug("释放 ChatTTS 显存时跳过", exc_info=True)
+
     model, init_error = get_whisper_model()
     if model is None:
         return False, init_error or "Whisper 模型不可用。"
@@ -114,10 +176,7 @@ def transcribe_audio(audio_path: str) -> Tuple[bool, str]:
             vad_filter=True,
         )
 
-        text_parts = []
-        for segment in segments:
-            text_parts.append(segment.text.strip())
-
+        text_parts = [segment.text.strip() for segment in segments]
         result_text = "".join(text_parts).strip()
 
         if not result_text:
@@ -137,8 +196,7 @@ def transcribe_audio(audio_path: str) -> Tuple[bool, str]:
     except Exception as exc:
         if _is_cuda_error(exc):
             err = (
-                "CUDA 推理异常：显存可能不足或 GPU 状态异常。"
-                "建议关闭其他占用显存的进程后重试。\n"
+                "CUDA 推理异常：显存可能不足或 GPU 状态异常。\n"
                 f"错误详情: {exc}"
             )
         else:
@@ -149,7 +207,17 @@ def transcribe_audio(audio_path: str) -> Tuple[bool, str]:
 
 
 def reset_whisper_model() -> None:
-    """释放模型引用（用于调试或显存回收）。"""
+    """卸载 Whisper 模型并回收 GPU 显存。"""
     global _model, _model_error
+    if _model is not None:
+        try:
+            del _model
+        except Exception:
+            pass
     _model = None
     _model_error = None
+
+    from gpu_utils import release_cuda_cache
+
+    release_cuda_cache()
+    logger.info("Whisper 模型已卸载，显存已尝试回收。")