fix(voice): normalizare TTS lang-aware + cap 400 chars mutat per-request Supertonic

Două cauze pentru audio mut pe pocket-tts după fix-ul [tts-lang:en]:

1. normalize_for_tts expanda numerele/orele în cuvinte românești chiar și
   în text englezesc ("It's 9:46 PM" → "nouă și patruzeci și șase de
   minute") → diacritice → pocket-tts respingea clauzele. push_text rezolvă
   acum lang din engine-ul vocii curente (engine_for_voice) și sare
   expansiunile RO când lang != 'ro'. [scris de Echo în sesiunea Discord]

2. sanitize_for_supertonic (cap 400 chars — limită ONNX per request) rula
   pe textul întreg în normalize, înainte de segmentarea în clauze —
   răspunsurile lungi erau retezate mid-word și trunchierea la 200 cuvinte
   cu sufixul "Restul l-am scris în chat" nu se mai aplica. Separat
   map_tts_punctuation (fără cap, folosit de normalize) de
   sanitize_for_supertonic (cap, aplicat în _synthesize_supertonic).

Include vocea clonată "Marius 4" (tts_voices.json + default în config).

Fixează test_truncate_exactly_200_words_unchanged și
test_truncate_over_200_words_appends_suffix.

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

config.json

@@ -104,7 +104,7 @@
       "949388626146517022"
     ],
     "user_name": "Marius",
-    "default_voice": "Marius 3",
+    "default_voice": "Marius 4",
     "auto_leave_minutes": 5,
     "stt_model": "/home/moltbot/echo-core/models/whisper-small-ro-cv11-int8"
   },

src/voice/normalize.py

@@ -267,17 +267,25 @@ def expand_currency(text: str) -> str:
 
 # ---------- Symbols ----------
 
-def expand_symbols(text: str) -> str:
+_SYMBOL_WORDS = {
-    """Replace common symbols with their Romanian spoken form."""
+    'ro': {'%': ' la sută', '&': ' și ', '@': ' la ', '°': ' grade'},
-    text = text.replace('%', ' la sută')
+    'en': {'%': ' percent', '&': ' and ', '@': ' at ', '°': ' degrees'},
-    text = text.replace('&', ' și ')
+}
-    text = text.replace('@', ' la ')
+
-    text = text.replace('°', ' grade')
+
+def expand_symbols(text: str, lang: str = 'ro') -> str:
+    """Replace common symbols with their spoken form for the given language."""
+    words = _SYMBOL_WORDS.get(lang, _SYMBOL_WORDS['ro'])
+    for symbol, word in words.items():
+        text = text.replace(symbol, word)
     text = re.sub(r'\s+', ' ', text).strip()
     return text
 
 
-from tools.tts import sanitize_for_supertonic as sanitize_punctuation
+# Punctuation-only mapping (fără cap de lungime) — cap-ul de 400 chars e
+# limita per-request Supertonic și se aplică în _synthesize_supertonic,
+# după segmentarea în clauze, nu aici pe textul întreg.
+from tools.tts import map_tts_punctuation as sanitize_punctuation
 
 
 # ---------- Abbreviations ----------
@@ -306,34 +314,41 @@ _MAX_WORDS = 200
 _TRUNCATE_SUFFIX = "Restul l-am scris în chat."
 
 
-def expand_for_tts(text: str) -> str:
+def expand_for_tts(text: str, lang: str = 'ro') -> str:
     """Apply the full normalization pipeline (markdown strip, abbreviations,
     numbers, currency, units, symbols) WITHOUT the 200-word truncation.
 
     Use this for one-shot TTS generation (e.g. /audio command) where the
     "Restul l-am scris în chat." suffix from normalize_for_tts() would be
     misleading (no live chat mirror exists for that flow).
+
+    The RO-specific expansions (abbreviations, thousands, time, currency,
+    units, numbers-to-words) only make sense for Romanian text — for other
+    languages (e.g. English text routed to pocket-tts, which is
+    English-only) they'd inject Romanian words/diacritics into text the
+    target engine can't speak. Skip them when lang != 'ro'.
     """
     text = strip_markdown(text)
     text = sanitize_punctuation(text)
+    if lang == 'ro':
         text = expand_abbreviations(text)
         text = normalize_thousands(text)
         text = expand_time(text)
         text = expand_currency(text)
         text = expand_units(text)
         text = expand_numbers_ro(text)
-    text = expand_symbols(text)
+    text = expand_symbols(text, lang=lang)
     return text.strip()
 
 
-def normalize_for_tts(text: str) -> str:
+def normalize_for_tts(text: str, lang: str = 'ro') -> str:
     """Apply the full normalization pipeline and truncate to 200 words.
 
     If the text exceeds 200 words, the first 200 are kept and the suffix
     "Restul l-am scris în chat." is appended so the listener knows the
     response continues in the text channel mirror.
     """
-    text = expand_for_tts(text)
+    text = expand_for_tts(text, lang=lang)
     words = text.split()
     if len(words) > _MAX_WORDS:
         text = ' '.join(words[:_MAX_WORDS]) + f" {_TRUNCATE_SUFFIX}"

src/voice/tts_stream.py

@@ -22,7 +22,7 @@ from typing import Iterator, List, Optional
 import discord
 
 from src.voice.normalize import normalize_for_tts
-from tools.tts import synthesize
+from tools.tts import engine_for_voice, synthesize
 
 
 log = logging.getLogger(__name__)
@@ -202,7 +202,14 @@ class TTSQueue:
         """Normalize, segment into clauses, enqueue each clause for synthesis."""
         if not text:
             return
-        cleaned = normalize_for_tts(text)
+        # Resolve lang from the *current* voice_id (not self.lang, which is
+        # set once at construction and goes stale on in-band voice swap —
+        # see session.ttsq.voice_id mutation in discord_voice.py / pipeline.py).
+        # pocket-tts is English-only, so RO number/time/currency expansion
+        # must be skipped or the normalizer injects Romanian diacritics that
+        # pocket-tts refuses to speak (silent dropped clause).
+        lang = "en" if engine_for_voice(self.voice_id) == "pockettts" else "ro"
+        cleaned = normalize_for_tts(text, lang=lang)
         n = 0
         for clause in clause_segments(cleaned):
             clause = clause.strip()

tools/tts.py

@@ -62,8 +62,14 @@ def _looks_romanian(text: str) -> bool:
     return any(ch in _RO_DIACRITICS for ch in text)
 
 
-def sanitize_for_supertonic(text: str) -> str:
+def map_tts_punctuation(text: str) -> str:
-    """Replace Unicode punctuation and strip chars that crash Supertonic's ONNX model."""
+    """Replace Unicode punctuation with ASCII and strip emoji — NO length cap.
+
+    Folosit și de pipeline-ul de normalizare voice (src/voice/normalize.py),
+    care rulează pe textul întreg ÎNAINTE de segmentarea în clauze — un cap de
+    lungime aici ar reteza răspunsurile lungi în mijlocul cuvântului și ar
+    face moartă trunchierea la 200 de cuvinte din normalize_for_tts.
+    """
     for src, dst in _TTS_PUNCT_MAP.items():
         text = text.replace(src, dst)
     # Strip emoji and high-codepoint chars (keep ASCII printable + Latin/Romanian diacritice)
@@ -74,7 +80,12 @@ def sanitize_for_supertonic(text: str) -> str:
             cleaned.append(ch)
         else:
             cleaned.append(' ')
-    text = ' '.join(''.join(cleaned).split())
+    return ' '.join(''.join(cleaned).split())
+
+
+def sanitize_for_supertonic(text: str) -> str:
+    """map_tts_punctuation + hard cap la limita ONNX Supertonic (per request)."""
+    text = map_tts_punctuation(text)
     if len(text) > _MAX_TTS_CHARS:
         text = text[:_MAX_TTS_CHARS]
     return text

tts_voices.json

@@ -62,5 +62,10 @@
   "alba": {
     "engine": "pockettts",
     "voice_url": "alba"
+  },
+  "Marius 4": {
+    "engine": "pockettts",
+    "state_path": "models/voices/marius-4.safetensors",
+    "owner": "Marius"
   }
 }