feat(reels): import d'un fichier SRT lu par la voix à son minutage

- Nouveau Reel (bureau et mobile) : bouton « Importer un fichier SRT ».
  Tant qu'un SRT est chargé, le texte libre et l'assistant IA sont
  désactivés ; le choix de la voix (moteur, voix, ton) reste disponible.
- Service Python : chaque sous-titre est lu séparément, ses silences
  retirés, puis posé à son instant de début. Une lecture trop longue est
  accélérée (atempo, sans changer la hauteur) pour tenir dans la durée du
  sous-titre, avec un avertissement au-delà de ×1,35. Après un repli sur
  Edge, tous les sous-titres gardent la même voix.
- Sans voix, les mots de chaque sous-titre s'affichent sur son intervalle.
- Aperçu : sous-titres calés sur le minutage du fichier.
- Tests : lecture SRT (TS), fenêtres, accélération et mixage (Python).

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01WVqEw4Xycgf8BtwmSftE2M

ffmpeg-service/app/align.py

@@ -90,6 +90,12 @@ def align_words(display_text: str, spoken: list[Word], total_duration: float | N
     return words
 
 
+def spread_words(text: str, start: float, end: float) -> list[Word]:
+    """Mots d'un texte répartis sur un intervalle (sous-titre SRT sans voix)."""
+    tokens = display_tokens(text)
+    return _spread(tokens, start, end) if tokens and end > start else []
+
+
 def _spread(tokens: list[str], start: float, end: float) -> list[Word]:
     """Répartit des mots sur un intervalle au prorata de leur longueur."""
     weights = [max(1, len(normalize(t))) for t in tokens]

ffmpeg-service/app/api.py

@@ -4,6 +4,7 @@ import asyncio
 import base64
 import contextlib
 import logging
+import shutil
 import time
 from pathlib import Path
 
@@ -12,7 +13,7 @@ from fastapi import Depends, FastAPI, Header, HTTPException
 from fastapi.responses import FileResponse
 from pydantic import BaseModel
 
-from . import align, config, jobs, proc, render, subtitles, tts, voices
+from . import align, config, jobs, proc, render, srt_voice, subtitles, tts, voices
 from .audio import encode_preview
 from .text import clean_text
 
@@ -57,10 +58,18 @@ class TtsRequest(BaseModel):
     gemini_api_key: str | None = None
 
 
+class SrtCue(BaseModel):
+    start: float
+    end: float
+    text: str
+
+
 class ReelRequest(BaseModel):
     video_base64: str | None = None
     video_url: str | None = None
     text: str | None = None
+    # Sous-titres SRT : remplacent `text`, la voix lit chacun à son instant
+    srt_cues: list[SrtCue] | None = None
     music_url: str | None = None
     watermark_url: str | None = None
     store_name: str | None = None
@@ -182,6 +191,31 @@ async def _synthesize(text: str, display_source: str | None, request, workdir: P
         raise HTTPException(status_code=502, detail=f"La voix n'a pas pu être générée : {error}") from error
 
 
+def _srt_cues(request: ReelRequest) -> list[srt_voice.Cue]:
+    """Sous-titres lisibles du SRT, dans l'ordre (vide sans SRT)."""
+    cues = [
+        srt_voice.Cue(c.start, c.end, c.text)
+        for c in request.srt_cues or []
+        if c.end > c.start and clean_text(c.text)
+    ]
+    return sorted(cues, key=lambda c: c.start)
+
+
+async def _synthesize_srt(cues: list[srt_voice.Cue], request, workdir: Path) -> tts.VoiceTrack:
+    try:
+        return await srt_voice.synthesize_cues(
+            cues=cues,
+            engine=request.tts_engine,
+            voice=request.tts_voice,
+            style=request.tts_style,
+            gemini_api_key=request.gemini_api_key,
+            workdir=workdir,
+        )
+    except Exception as error:
+        log.exception("Voix SRT impossible à générer")
+        raise HTTPException(status_code=502, detail=f"La voix n'a pas pu être générée : {error}") from error
+
+
 async def _download(url: str, target: Path, what: str, required: bool) -> bool:
     try:
         async with httpx.AsyncClient(timeout=httpx.Timeout(120, connect=15), follow_redirects=True) as client:
@@ -240,8 +274,11 @@ async def _gather(request: ReelRequest, workdir: Path, clock: Stopwatch, *, fetc
     clock.lap("download")
 
     track = None
+    cues = _srt_cues(request)
     spoken_text = clean_text(request.text)
-    if request.tts_enabled and spoken_text:
+    if request.tts_enabled and cues:
+        track = await _synthesize_srt(cues, request, workdir)
+    elif request.tts_enabled and spoken_text:
         track = await _synthesize(spoken_text, request.text, request, workdir)
     clock.lap("tts")
 
@@ -254,6 +291,8 @@ async def _gather(request: ReelRequest, workdir: Path, clock: Stopwatch, *, fetc
         music_volume=request.music_volume,
         voice=track.path if track else None,
         voice_duration=track.duration if track else 0.0,
+        # Avec un SRT, la voix est déjà posée aux instants du fichier
+        voice_delay=0.0 if cues else config.VOICE_DELAY,
         watermark=watermark if has_watermark else None,
         outro_expected=not fetch_logo and request.has_logo,
         ending_effect=request.enable_ending_effect,
@@ -273,6 +312,14 @@ async def _gather(request: ReelRequest, workdir: Path, clock: Stopwatch, *, fetc
 
 async def _caption_words(request: ReelRequest, plan: render.RenderPlan, track, info) -> list[align.Word]:
     """Mots à afficher, en secondes depuis le début de la vidéo."""
+    cues = _srt_cues(request)
+    if cues:
+        if not request.draw_text:
+            return []
+        if track:
+            return track.words
+        # Sans voix : chaque sous-titre s'affiche sur son propre intervalle
+        return [w for c in cues for w in align.spread_words(clean_text(c.text), c.start, c.end)]
     display = clean_text(request.text)
     if not request.draw_text or not display:
         return []
@@ -284,7 +331,11 @@ async def _caption_words(request: ReelRequest, plan: render.RenderPlan, track, i
 def _keep_only(workdir: Path, keep: set[Path]) -> None:
     """Seuls les fichiers à télécharger restent jusqu'à la récupération."""
     for entry in workdir.iterdir():
-        if entry not in keep:
+        if entry in keep:
+            continue
+        if entry.is_dir():
+            shutil.rmtree(entry, ignore_errors=True)  # voix SRT : un dossier par sous-titre
+        else:
             entry.unlink(missing_ok=True)
 
 

ffmpeg-service/app/srt_voice.py

@@ -0,0 +1,183 @@
+"""Voix calée sur un fichier SRT.
+
+Chaque sous-titre est lu séparément puis posé à son instant de début. Si la
+lecture est plus longue que le sous-titre, elle est accélérée (sans changer
+la hauteur de la voix) pour finir à temps : la voix respecte le minutage du
+fichier, au lieu d'un texte lu d'une traite.
+"""
+
+import logging
+from dataclasses import dataclass
+from pathlib import Path
+
+from . import proc, tts
+from .align import Word
+from .text import clean_text
+
+log = logging.getLogger(__name__)
+
+# Débordement toléré sur le silence qui suit un sous-titre avant d'accélérer
+OVERFLOW_TOLERANCE = 0.25
+# Marges gardées autour des mots lors du retrait des silences de la voix
+TRIM_LEAD = 0.05
+TRIM_TAIL = 0.12
+# Au-delà, l'accélération s'entend nettement : l'utilisateur est prévenu
+AUDIBLE_SPEEDUP = 1.35
+
+
+@dataclass
+class Cue:
+    start: float
+    end: float
+    text: str
+
+
+def cue_windows(cues: list[Cue]) -> list[float]:
+    """Durée disponible pour lire chaque sous-titre sans empiéter sur le suivant."""
+    windows = []
+    for i, cue in enumerate(cues):
+        limit = cue.end + OVERFLOW_TOLERANCE
+        if i + 1 < len(cues):
+            limit = min(limit, max(cue.end, cues[i + 1].start))
+        windows.append(max(0.1, limit - cue.start))
+    return windows
+
+
+def speed_factor(duration: float, window: float) -> float:
+    """Accélération nécessaire pour tenir dans la fenêtre (1 = vitesse normale)."""
+    return max(1.0, duration / window) if window > 0 else 1.0
+
+
+def atempo_chain(factor: float) -> str:
+    """Filtre atempo ; découpé en étapes ≤ 2 pour les anciennes versions de FFmpeg."""
+    steps = []
+    remaining = factor
+    while remaining > 2.0:
+        steps.append(2.0)
+        remaining /= 2.0
+    steps.append(remaining)
+    return ",".join(f"atempo={s:.4f}" for s in steps)
+
+
+def spoken_span(words: list[Word], duration: float) -> tuple[float, float]:
+    """Partie parlée de la voix : les silences de début et de fin sont retirés."""
+    if not words:
+        return 0.0, duration
+    start = max(0.0, words[0].start - TRIM_LEAD)
+    end = min(duration, words[-1].end + TRIM_TAIL)
+    return (start, end) if end > start else (0.0, duration)
+
+
+async def synthesize_cues(
+    *,
+    cues: list[Cue],
+    engine: str | None,
+    voice: str | None,
+    style: str | None,
+    gemini_api_key: str | None,
+    workdir: Path,
+) -> tts.VoiceTrack:
+    """Voix complète : mots minutés en secondes depuis le début de la vidéo."""
+    cues = sorted((c for c in cues if clean_text(c.text)), key=lambda c: c.start)
+    if not cues:
+        raise ValueError("Aucun sous-titre lisible dans le fichier SRT")
+
+    warnings: list[str] = []
+    windows = cue_windows(cues)
+    segments: list[tuple[Path, float]] = []
+    words: list[Word] = []
+    used_engine, used_voice = engine or "gemini", voice or ""
+
+    for index, (cue, window) in enumerate(zip(cues, windows)):
+        cue_dir = workdir / f"cue_{index:03d}"
+        cue_dir.mkdir(exist_ok=True)
+        text = clean_text(cue.text)
+        track = await tts.synthesize(
+            text=text,
+            display_text=text,
+            engine=used_engine,
+            voice=voice,
+            style=style,
+            gemini_api_key=gemini_api_key,
+            workdir=cue_dir,
+        )
+        for warning in track.warnings:
+            if warning not in warnings:
+                warnings.append(warning)
+        # Après un repli sur Edge, on reste sur Edge : une seule voix du début à la fin
+        used_engine, used_voice = track.engine, track.voice
+
+        span_start, span_end = spoken_span(track.words, track.duration)
+        factor = speed_factor(span_end - span_start, window)
+        if factor > AUDIBLE_SPEEDUP:
+            warnings.append(
+                f"Sous-titre {index + 1} (« {cue.text[:40]} ») lu {factor:.1f}× plus vite "
+                "pour tenir dans son minutage : raccourcissez-le ou allongez sa durée."
+            )
+
+        fitted = cue_dir / "fitted.wav"
+        trim = f"atrim=start={span_start:.3f}:end={span_end:.3f}"
+        await proc.run(
+            [
+                "ffmpeg",
+                "-y",
+                "-hide_banner",
+                "-loglevel",
+                "error",
+                "-i",
+                str(track.path),
+                "-af",
+                f"{trim},asetpts=PTS-STARTPTS,{atempo_chain(factor)}",
+                "-ac",
+                "1",
+                "-ar",
+                "48000",
+                "-c:a",
+                "pcm_s16le",
+                str(fitted),
+            ],
+            timeout=120,
+        )
+        segments.append((fitted, cue.start))
+        for w in track.words:
+            start = cue.start + max(0.0, w.start - span_start) / factor
+            end = cue.start + max(0.0, w.end - span_start) / factor
+            words.append(Word(w.text, start, min(max(end, start + 0.05), cue.start + window)))
+
+    output = workdir / "voice.wav"
+    await proc.run(mix_command(segments, output), timeout=300)
+    duration = (await proc.probe(output)).duration
+    log.info("Voix SRT prête : %s/%s, %d sous-titres, %.1f s", used_engine, used_voice, len(cues), duration)
+    return tts.VoiceTrack(output, duration, _monotonic(words), used_engine, used_voice, warnings)
+
+
+def mix_command(segments: list[tuple[Path, float]], output: Path) -> list[str]:
+    """Pose chaque segment de voix à son instant, sur une seule piste."""
+    command = ["ffmpeg", "-y", "-hide_banner", "-loglevel", "error"]
+    for path, _ in segments:
+        command += ["-i", str(path)]
+    graph = [f"[{i}:a]adelay={int(round(start * 1000))}:all=1[s{i}]" for i, (_, start) in enumerate(segments)]
+    labels = "".join(f"[s{i}]" for i in range(len(segments)))
+    graph.append(
+        f"{labels}amix=inputs={len(segments)}:duration=longest:dropout_transition=0:normalize=0[voice]"
+    )
+    return command + [
+        "-filter_complex",
+        ";".join(graph),
+        "-map",
+        "[voice]",
+        "-ac",
+        "1",
+        "-ar",
+        "48000",
+        "-c:a",
+        "pcm_s16le",
+        str(output),
+    ]
+
+
+def _monotonic(words: list[Word]) -> list[Word]:
+    for prev, cur in zip(words, words[1:]):
+        cur.start = max(cur.start, prev.start + 0.01)
+        cur.end = max(cur.end, cur.start + 0.05)
+    return words

ffmpeg-service/tests/test_srt_voice.py

@@ -0,0 +1,51 @@
+from pathlib import Path
+
+from app.align import Word, spread_words
+from app.render import RenderPlan
+from app.srt_voice import Cue, atempo_chain, cue_windows, mix_command, speed_factor, spoken_span
+
+
+def test_window_stops_at_next_cue_and_tolerates_a_short_overflow():
+    cues = [Cue(0.0, 2.0, "a"), Cue(2.1, 4.0, "b"), Cue(6.0, 7.0, "c")]
+    assert cue_windows(cues) == [2.1, 2.15, 1.25]
+
+
+def test_voice_is_sped_up_only_when_too_long():
+    assert speed_factor(1.5, 2.0) == 1.0
+    assert speed_factor(3.0, 2.0) == 1.5
+
+
+def test_atempo_is_split_into_supported_steps():
+    assert atempo_chain(1.25) == "atempo=1.2500"
+    assert atempo_chain(3.0) == "atempo=2.0000,atempo=1.5000"
+
+
+def test_spoken_span_trims_silences_around_words():
+    words = [Word("Bonjour", 0.4, 0.9), Word("!", 0.9, 1.2)]
+    assert [round(t, 3) for t in spoken_span(words, 2.0)] == [0.35, 1.32]
+    assert spoken_span([], 2.0) == (0.0, 2.0)
+
+
+def test_each_segment_is_placed_at_its_cue_start():
+    cmd = mix_command([(Path("a.wav"), 0.0), (Path("b.wav"), 3.25)], Path("voice.wav"))
+    graph = cmd[cmd.index("-filter_complex") + 1]
+    assert "[1:a]adelay=3250:all=1[s1]" in graph
+    assert "amix=inputs=2" in graph and "normalize=0" in graph
+
+
+def test_srt_voice_starts_without_delay():
+    plan = RenderPlan(
+        video=Path("in.mp4"),
+        video_duration=5.0,
+        output=Path("out.mp4"),
+        voice=Path("v.wav"),
+        voice_duration=8.0,
+        voice_delay=0.0,
+    )
+    assert plan.speech_end == 8.0
+    assert plan.total_duration == 8.8
+
+
+def test_words_spread_over_their_cue():
+    words = spread_words("Bonjour à tous", 4.0, 5.0)
+    assert words[0].start == 4.0 and round(words[-1].end, 3) == 5.0