# Trading Studio

**本地量化交易复盘 → B 站长视频配音生产流水线**

Trading Studio 是一套运行在 Ubuntu 物理服务器（RTX 3060 Ti）上的自动化配音系统，专为数字资产量化交易员设计。通过「盲录碎碎念 → 本地 GPU 识别 → 局域网大模型严厉润色 → 本地 GPU 声音克隆」的闭环，高效产出 B 站反思类长视频配音，辅助交易纪律的自我进化。

**Git 仓库：** https://git.bz121.com/dekun/Trading_Studio.git

---

## 系统定位

| 环节 | 技术栈 | 运行位置 |
|------|--------|----------|
| 碎碎念录音转写 | Faster-Whisper (CUDA float16) | 本地 3060 Ti |
| 纪律审判式润色 | Gemma4 Abliterated @ Ollama | 局域网 `192.168.8.64` |
| 固定音色配音 | ChatTTS (CUDA) | 本地 3060 Ti |
| Web 中控 | Gradio | 端口 **5683** |

---

## 架构说明

```
┌─────────────────────────────────────────────────────────────┐
│                    Gradio 中控 (app.py:5683)                 │
├──────────────┬──────────────────────┬───────────────────────┤
│  音色锁定     │   音频识别            │   润色 + 合成          │
│ tts_service  │  whisper_service     │ llm_service           │
│              │                      │ tts_service           │
└──────┬───────┴──────────┬───────────┴──────────┬────────────┘
       │                  │                      │
       ▼                  ▼                      ▼
  speaker_emb.pt    Faster-Whisper          Ollama HTTP
  (本地持久化)       CUDA / small            192.168.8.64:11434
                                            gemma-4-abliterated
```

### 模块解耦

| 文件 | 职责 |
|------|------|
| `config.py` | Ollama 地址、模型名、Prompt、路径等全局配置 |
| `whisper_service.py` | Faster-Whisper CUDA 转写 |
| `llm_service.py` | 远程 Ollama HTTP 非流式润色 |
| `tts_service.py` | ChatTTS 音色提取与 wav 合成 |
| `app.py` | Gradio 前端与流程编排 |

---

## 快速开始

> 完整环境配置请参阅 [DEPLOY.md](./DEPLOY.md)

### 一键部署（生产环境推荐）

以 **root** 用户部署到 `/opt/Trading_Studio` 并由 PM2 常驻：

```bash
sudo -i
git clone https://git.bz121.com/dekun/Trading_Studio.git /opt/Trading_Studio
cd /opt/Trading_Studio
chmod +x deploy.sh
bash deploy.sh
```

浏览器访问：`http://<服务器IP>:5683`

**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 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
git clone https://git.bz121.com/dekun/Trading_Studio.git /opt/Trading_Studio
cd /opt/Trading_Studio
python3 -m venv venv
source venv/bin/activate
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt
python app.py
```

---

## 使用流程

### 首次使用：锁定音色

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
4. 点击 **锁定音色** → 生成 `speaker_emb.pt`

### 日常生产

**方式 A — 分步操作：**

1. **音频极速识别**：上传复盘录音 → Whisper 转写
2. **Gemma4 纪律审判**：一键润色，生成逻辑清晰、语气严厉的反思稿
3. **ChatTTS 合成**：输出 24kHz `.wav` 成品配音

**方式 B — 一键生产：**

上传录音后点击 **启动全流程**，系统自动串联三步。

---

## 核心配置（config.py）

| 配置项 | 默认值 |
|--------|--------|
| 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，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 |

---

## PM2 守护运行

标准路径 `/opt/Trading_Studio`，root 用户：

```bash
# 一键部署 + PM2 启动（推荐）
cd /opt/Trading_Studio && bash deploy.sh

# 或手动 PM2
pm2 start ecosystem.config.js

# 常用管理
pm2 status
pm2 logs trading_studio
bash deploy.sh restart      # 重启
bash deploy.sh update       # 拉代码 + 更新依赖 + 重启
pm2 save && pm2 startup     # 开机自启（deploy.sh 已自动配置）
```

---

## .gitignore 配置

提交 Git 时请确保忽略以下产物（已在 `.gitignore` 中预设）：

```gitignore
venv/
*.wav
*.pt
*.log
uploads/
outputs/
```

**说明：**

- `venv/` — Python 虚拟环境，每台机器独立创建
- `*.wav` — 录音与合成音频，体积大且含隐私
- `*.pt` — ChatTTS 音色 Embedding 与模型权重
- `*.log` — 运行日志

---

## 目录结构

```
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（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（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
└── outputs/               # 合成 wav 输出
```

**生产标准路径：** `/opt/Trading_Studio`

---

## 硬件要求

- **GPU：** NVIDIA RTX 3060 Ti（8GB 显存，建议锁定 120W 功耗墙）
- **系统：** Ubuntu 22.04 / 24.04 LTS
- **CUDA：** 12.1+（与 PyTorch cu121 匹配）
- **局域网：** 可访问 `192.168.8.64:11434` 的 Ollama 节点

---

## 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。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`。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。

---

## License

Private — 仅供个人量化交易复盘使用。