rebreak-monorepo/backend/server/api/coach/speak-elevenlabs.post.ts
chahinebrini 685782b538 fix(coach): dynamische Sprache (Text-Detection + App-Locale-Fallback)
LLM-Prompt (message.post + sos-stream):
- LANG_INSTRUCTIONS Map raus, ersetzt durch dynamische Instruktion
  'Reply in {detectedFromUser} ... fallback: {appLang}'
- Lyra matcht jetzt die Sprache der letzten User-Message (per
  detectLang Unicode-Detection); App-Locale ist nur noch Fallback
- Instruktion doppelt eingehängt (Anfang + Ende des System-Prompts)
  gegen recency bias bei langen deutschen Prompts

TTS (speak dispatcher + speak-cartesia + speak-elevenlabs):
- Kein 'de'-Default mehr für language. detectLang(text, locale) leitet
  Sprache primär aus dem Antwort-Text ab (Arabic/Cyrillic/CJK/Turkish-
  Letters), Locale als Fallback
- Cartesia + ElevenLabs: language/language_code nur senden wenn
  ableitbar, sonst Provider auto-detect statt erzwungenem 'de'
- speak-cartesia: sonic-2 → sonic-3 (Multi-Lang, war beim Dispatcher-
  Fix gestern vergessen worden)
- Google: en-US neutraler Fallback statt de-DE-Bias

Neu: server/utils/detect-lang.ts
2026-05-31 00:12:40 +02:00

105 lines
3.5 KiB
TypeScript

/**
* POST /api/coach/speak-elevenlabs
* ElevenLabs eleven_multilingual_v2 — voice via runtimeConfig.elevenlabsVoiceId
* (default: Alexandra `kdmDKE6EkgrWrrykO9Qt` als Fallback wenn unset).
*
* Returns audio/mpeg. Voice ist deterministisch konstant über mehrere Calls
* — identisch zu Gemini-Verhalten, kein Mode-Switch wie bei gpt-4o-mini-tts.
*/
import { detectLang } from "../../utils/detect-lang";
const FALLBACK_VOICE_ID = "kdmDKE6EkgrWrrykO9Qt"; // Alexandra
export default defineEventHandler(async (event) => {
await requireUser(event);
const body = await readBody(event);
const { text, locale } = body as { text: string; locale?: string };
if (!text?.trim()) {
throw createError({ statusCode: 400, message: "text fehlt" });
}
// Sprache dynamisch ableiten (Text-Script > Locale-Hint > null) statt
// hardcoded "de" — sonst landen arabische Texte in deutscher Phonetik.
const lang = detectLang(text, locale);
const config = useRuntimeConfig();
// Fallback chain: runtimeConfig (Nuxt build-time) → process.env (runtime injection
// via Infisical at pm2-start). Stellt sicher dass auch dann ein Key vorhanden ist
// wenn nuxt's runtimeConfig-Inflate den process.env-Wert nicht mit-bundelt.
const key =
(config.elevenlabsApiKey as string) || process.env.ELEVENLABS_API_KEY || "";
const voiceId =
(config.elevenlabsVoiceId as string) ||
process.env.ELEVENLABS_VOICE_ID ||
FALLBACK_VOICE_ID;
console.log(
"[speak-elevenlabs] cfg-key:",
!!config.elevenlabsApiKey,
"env-key:",
!!process.env.ELEVENLABS_API_KEY,
"key-len:",
key.length,
"voice:",
voiceId,
);
if (!key) {
throw createError({
statusCode: 503,
message: "ELEVENLABS_API_KEY nicht konfiguriert",
});
}
console.log("[speak-elevenlabs] CALL recv, text-len=", text?.length ?? 0, "voice=", voiceId);
// /stream endpoint + optimize_streaming_latency=4 (max-latency-optimized,
// marginal weniger Quality). ElevenLabs sendet erste Bytes ~200-300ms statt
// 600-1000ms beim non-stream endpoint.
const upstream = await fetch(
`https://api.elevenlabs.io/v1/text-to-speech/${voiceId}/stream?optimize_streaming_latency=4`,
{
method: "POST",
headers: {
"xi-api-key": key,
"Content-Type": "application/json",
Accept: "audio/mpeg",
},
body: JSON.stringify({
text: text.slice(0, 4096),
// Turbo v2.5: ~50% schneller als multilingual_v2, marginal niedrigere
// Quality — Trade-off lohnt sich für SOS (latency > Studio-Polish).
model_id: "eleven_turbo_v2_5",
// language_code nur explizit wenn wir ihn aus Detection/Locale
// ableiten konnten — sonst ElevenLabs auto-detecten lassen.
...(lang ? { language_code: lang } : {}),
voice_settings: {
stability: 0.5,
similarity_boost: 0.75,
style: 0.3,
use_speaker_boost: true,
},
output_format: "mp3_22050_32",
}),
},
);
if (!upstream.ok || !upstream.body) {
const err = await upstream.text().catch(() => "");
console.error("[speak-elevenlabs] error:", upstream.status, err);
throw createError({
statusCode: 502,
message: "ElevenLabs TTS fehlgeschlagen",
});
}
setHeader(event, "Content-Type", "audio/mpeg");
setHeader(event, "Cache-Control", "no-store");
const { Readable } = await import("node:stream");
const nodeStream = Readable.fromWeb(upstream.body as never);
return sendStream(event, nodeStream);
});