Herramientas para generar diálogos educativos a dos voces con Gemini TTS y (opcionalmente) transcribir el audio con Whisper. Están pensadas para docentes y creadores que necesiten audios naturales y controlados por idioma, acento y nivel CEFR.

⚠️ Este repositorio no incluye la parte de vídeo (talking-head). Esa integración se probó con SadTalker fuera de este repo y no está operativa aquí (ver “Estado del módulo de vídeo” más abajo).

• dialogo_gui.py — Aplicación de escritorio (Tkinter):

  • Eliges idioma (es, en, ar, wo, uk, ru, fr, de, it, pt, zh, ja, ko, tr, pl),
  • acento (códigos BCP-47 como es-ES, en-US, uk-UA, ru-RU, ar-SA, wo-SN, …),
  • nivel CEFR (A1–C2),
  • las dos voces (Ana/Luis),
  • y el tema o un texto propio.
  • Genera .wav y un .dialogo.txt con el texto final. Puedes activar transcripción automática (Whisper).

• dialogo_cli.py — Versión por consola para lotes y automatización:

  • Mismos parámetros (tema, voces, idioma/acento/CEFR, salida, transcripción),
  • perfecta para scripts o pipelines.

• Windows + Python 3.10 (recomendado).
• Gemini API Key (ponla en GEMINI_API_KEY o GOOGLE_API_KEY).
• Paquetes:

  pip install google-genai
  # Transcripción (opcional):
  pip install openai-whisper
  
  

FFmpeg en PATH (recomendado si usas Whisper). Si vas a compilar la GUI como EXE con PyInstaller, mira la sección “Empaquetado”.

Instalación rápida

Clona o copia este repo en tu equipo (por ejemplo en %USERPROFILE%\AudioNotebookLM).

1.Instala dependencias:

pip install google-genai pip install openai-whisper # solo si vas a transcribir

2. Configura tu API key (elige una de estas):

Ventana de la GUI → Configurar API Key… (se guarda en ~\AudioNotebookLM.gemini_key), o variable de entorno:

Uso — GUI (dialogo_gui.py)

Lanza la app:

python "%USERPROFILE%\AudioNotebookLM\dialogo_gui.py"

Idioma (es,en,ar,wo,uk,ru,fr,de,it,pt,zh,ja,ko,tr,pl). Acento (BCP-47: es-ES,en-US,en-GB,uk-UA,ru-RU,ar-SA,wo-SN,…). Nivel CEFR (A1–C2) para controlar complejidad. Voz Ana / Voz Luis: Kore, Puck, Brix. Escribe tema (o marca “Usar mi texto tal cual”). (Opcional) Transcribir con Whisper. Generar audio.

Salidas en la carpeta elegida:

NOMBRE.dialogo.txt — diálogo (limpio). NOMBRE.wav — audio Gemini (dos voces). (si activas) Transcripción Whisper (.txt/.srt/.vtt según configuración por defecto de Whisper).

Uso — CLI (dialogo_cli.py)

Ejemplo: python "%USERPROFILE%\AudioNotebookLM\dialogo_cli.py" -t "Diferencias entre volcanes y terremotos" --voices "Ana=Kore;Luis=Puck" --out "$HOME\AudioNotebookLM\salida_volcanes" --lang "uk" --dialect "uk-UA" --level "A2" ` --transcribe

Parámetros clave

-t/--topic — tema (obligatorio si no pasas texto por otro lado). --voices — Nombre=Voz;Nombre=Voz (máx. 2; por defecto Ana=Kore;Luis=Puck). --out — ruta base sin extensión; se crean .dialogo.txt y .wav. --lang — es,en,ar,wo,uk,ru,fr,de,it,pt,zh,ja,ko,tr,pl. --dialect — acento BCP-47 (es-ES,en-US,ar-SA,wo-SN,…). --level — CEFR (A1..C2). --transcribe — activa Whisper al final.

Cómo funciona (resumen técnico)

Prompting: el GUI/CLI construye un prompt con: idioma legible (English, Ukrainian, Arabic…), pista de acento (BCP-47) y nivel CEFR, formato del diálogo (solo líneas Ana: / Luis:).

Gemini:

Texto: gemini-2.0-flash. Audio: gemini-2.5-flash-preview-tts con multi-speaker (Ana/Luis mapeadas a voces).

Whisper (opcional): Auto-detección o fuerza idioma cuando aplica. Requiere FFmpeg en PATH.

Limitaciones conocidas

Cobertura exacta por idioma/acento depende del motor TTS de Gemini. Algunos (p. ej. Wolof) pueden tener pronunciación variable; si no te convence, usa tu texto y otra vía de TTS específica para ese idioma. Whisper es opcional y consume CPU; en equipos lentos, puede tardar.

Solución de problemas

“Falta API key” → Configúrala desde la GUI o con la variable de entorno. Whisper no crea archivos → instala openai-whisper y FFmpeg; ejecuta el CLI con --transcribe. Acento no suena “nativo” → cambia de voz (Kore/Puck/Brix) y refuerza el dialect_hint en el código si hace falta. Caracteres raros en nombre de archivo → usa nombres base simples (sin acentos/espacios).

Estado del módulo de vídeo (SadTalker)

En el chat original se experimentó con SadTalker (para convertir audio + imagen en un vídeo tipo talking-head). Esa parte no forma parte de este repositorio y no está operativa aquí. Lo que verás en este repo genera audio + texto únicamente. Si en el futuro quieres añadirlo, la idea sería: Tomar el .wav generado por estas herramientas, Pasarlo a 16 kHz mono (ffmpeg -ac 1 -ar 16000), Llamar a SadTalker/inference.py con tu imagen (--source_image avatar.png) y el audio (--driven_audio), Escribir el .mp4 de salida.

Eso requiere otro repo/configuración (Torch, modelos, etc.) y no se incluye aquí.

Empaquetado (opcional) — GUI en EXE

Para distribuir la GUI como ejecutable: cd "%USERPROFILE%\AudioNotebookLM" py -3.10 -m venv .venv_build & ".venv_build\Scripts\Activate.ps1" pip install -U pip pyinstaller google-genai pyinstaller --noconfirm --onefile --noconsole --name "DialogoGemini" dialogo_gui.py

El EXE quedará en dist\DialogoGemini.exe. En el primer arranque pedirá API Key y la guardará en ~\AudioNotebookLM.gemini_key.

Roadmap

✔️ GUI multi-idioma con CEFR y acentos BCP-47. ✔️ CLI para automatizar lotes. ☐ Selector ampliable de voces / compatibilidad por idioma. ☐ Exportación a paquetes (EXE) con perfil de idiomas. ☐ (Futuro) Script auxiliar de vídeo (SadTalker) fuera de este repo.