talk/internal/provider/elevenlabs.go

package provider

import (
	"context"
	"encoding/json"
	"fmt"
	"net/http"
	"strings"
)

// ElevenLabs-Konstanten (öffentlicher Vertrag: Env-Namen sind Teil der
// Fleet-Doku, Endpunkt-Default Teil der Konfigurierbarkeit).
const (
	// DefaultEndpointElevenLabs ist der produktive API-Endpunkt.
	DefaultEndpointElevenLabs = "https://api.elevenlabs.io"

	// EnvElevenLabsKey liefert den API-Key (Spec: Keys ausschließlich Env,
	// nie config.toml).
	EnvElevenLabsKey = "TALK_ELEVENLABS_KEY"

	// EnvElevenLabsEndpoint überschreibt den Endpunkt (Tests/Firmenserver;
	// schlägt die config.toml, siehe voices.go/chain.go-Doku).
	EnvElevenLabsEndpoint = "TALK_ELEVENLABS_ENDPOINT"

	elevenLabsModel = "eleven_multilingual_v2" // multilingual v2, Task-Brief
)

// ElevenLabs ist die Premium-Stufe der Kette. Synthesize führt POST
// <endpoint>/v1/text-to-speech/<voiceID> aus — Header `xi-api-key`, Body
// {text, model_id: "eleven_multilingual_v2", voice_settings:
// {stability: 0.5, similarity_boost: 0.75}} — und liefert die Antwort-Bytes
// unverändert zurück. Rückgabeformat: MP3 (dokumentierter Vertrag des
// audio-Pakets).
type ElevenLabs struct {
	// Endpoint ist die Basis-URL (ohne Pfad); leer wird beim Bau durch den
	// Default ersetzt.
	Endpoint string

	// APIKey ist der ElevenLabs-Key (aus TALK_ELEVENLABS_KEY).
	APIKey string

	// Voices ist das config-Mapping voice.elevenlabs.<lang> = id; leer =
	// neutrale Repo-Defaults (siehe voices.go).
	Voices map[string]string

	// Client ist der HTTP-Client; nil = geteilter Client mit Timeout
	// (cloudTimeout).
	Client *http.Client

	pinned string // --voice-Pin (VoicePinner)
}

// NewElevenLabs baut den Provider aus der Ketten-Konfiguration: Endpunkt
// aus TALK_ELEVENLABS_ENDPOINT > [providers.elevenlabs].endpoint > Default;
// Key ausschließlich aus TALK_ELEVENLABS_KEY.
func NewElevenLabs(cfg ChainConfig) *ElevenLabs {
	return &ElevenLabs{
		Endpoint: endpointFrom(cfg, "elevenlabs", EnvElevenLabsEndpoint, DefaultEndpointElevenLabs),
		APIKey:   cfg.Getenv(EnvElevenLabsKey),
		Voices:   cfg.Voices["elevenlabs"],
	}
}

// Name implementiert Provider.
func (*ElevenLabs) Name() string { return "elevenlabs" }

// PinVoice implementiert VoicePinner (CLI-Flag --voice).
func (p *ElevenLabs) PinVoice(id string) { p.pinned = id }

// Available implementiert Provider: Key und Endpunkt müssen gesetzt sein
// (bewusst ohne Netz-Call — Available muss billig bleiben; ob der Key
// gültig ist, stellt Synthesize fest und die Kette fällt weiter).
func (p *ElevenLabs) Available(ctx context.Context) bool {
	return p.APIKey != "" && p.Endpoint != ""
}

// elevenLabsRequest ist der Antwort-Body (Task-Brief, wörtliche Werte).
type elevenLabsRequest struct {
	Text          string                  `json:"text"`
	ModelID       string                  `json:"model_id"`
	VoiceSettings elevenLabsVoiceSettings `json:"voice_settings"`
}

type elevenLabsVoiceSettings struct {
	Stability       float64 `json:"stability"`
	SimilarityBoost float64 `json:"similarity_boost"`
}

// Synthesize implementiert Provider. Rückgabeformat: MP3.
func (p *ElevenLabs) Synthesize(ctx context.Context, text, lang string) ([]byte, error) {
	if text == "" {
		return nil, fmt.Errorf("elevenlabs: leerer Text")
	}
	voice := resolveVoice("elevenlabs", lang, p.pinned, p.Voices)
	if voice == "" {
		return nil, fmt.Errorf("elevenlabs: keine Stimme für Sprache %q konfiguriert", lang)
	}
	body, err := json.Marshal(elevenLabsRequest{
		Text:          text,
		ModelID:       elevenLabsModel,
		VoiceSettings: elevenLabsVoiceSettings{Stability: 0.5, SimilarityBoost: 0.75},
	})
	if err != nil {
		return nil, fmt.Errorf("elevenlabs: Anfrage-Body bauen: %w", err)
	}
	url := strings.TrimRight(p.Endpoint, "/") + "/v1/text-to-speech/" + voice
	return postForBytes(ctx, p.Client, "elevenlabs", url,
		map[string]string{
			"xi-api-key": p.APIKey,
			"Accept":     "audio/mpeg",
		}, body)
}