Add
[pause:Nms]text-level pause control to the official IndexTTS 2.5 webui: after generation, a waveform post-processor adjusts the actual pause at each mark to exactly N ms. Minimal patch (+7 lines), no changes to any official generation logic.
在官方原版 IndexTTS 2.5 webui 上增加 [pause:Nms] 文本标记级停顿控制：
生成完成后对输出 wav 做波形级后处理，把指定位置的实际停顿时长精确调整为 N 毫秒。
支持中文与英文文本（lang='zh'/'en'）。
- 文本中写
他推开门[pause:800ms]，屋里一片漆黑。，生成后该处停顿即被调整为 800ms（回归实测平均偏差 13ms 以内）。 - 双模式执行（自动判定）：
- 没停 → 在插入点直接插入 N ms 静音；
- 停了但不够（原停顿 X ms < N）→ 在原停顿段中心增量补差 N−X ms，停顿边界不动；
- 已达到目标（X ≥ N 或差值 < 50ms）→ 不动。只延长，不缩短。
- 不改官方任何生成逻辑：补丁只在
gen_single的tts.infer()之后挂一个后处理钩子，文本里没有[pause:时零开销跳过。 - 中英双语：中文按字 token 双锚 + pypinyin 同音 fallback；英文按词 token 双锚（词形归一化匹配，无同音 fallback）。
[pause:Nms] → 标记替换成逗号生成 wav（模型最熟悉的标点）
→ whisper（base，逐词时间戳；zh 加简体引导 initial_prompt，
condition_on_previous_text=False）
→ 双锚定位：前锚 = 标记前最近定位单元（zh 字 / en 词）token end，
后锚 = 标记后最近定位单元 token start
（zh 精确匹配失败时 pypinyin 无声调同音匹配 fallback）
→ 双锚区间内能量谷 = 插入点（窗口中心 ±150ms）
→ 停没停判定：whisper 间隙 ≥ 50ms 视为停了（可选码级检测器预检交叉）
→ 增量插入 / 直接插入（多标记从后往前执行，防坐标漂移）
为什么用波形后处理而不是文本标点或 token 级注入：
- IndexTTS 2.5 的标点停顿短且不稳定（实测逗号 70~300ms 波动，句号停顿主要是段间硬插 200ms，模型自然停顿接近 0），文本侧没有"标点→时长"旋钮；
- token 级（语义码）路线经大样本验证定位无解（停顿段与语音段的码分布不可分），故生产采用波形级方案。完整研究记录见 RESEARCH.md。
| 文件 | 说明 |
|---|---|
install_cpu.py / install_gpu.py |
一键安装脚本（CPU 版 / GPU 版），见下方"安装" |
patch_webui_pause.diff |
官方 webui.py 最小补丁（+7 行，LF 行尾，基线：官方 commit a371df7 2026-08-12） |
pause_control25.py |
停顿控制核心模块（解析/定位/执行/一站式 process()，中英双语） |
detector_pause25.py |
（可选）码级停顿检测器，供 use_detector=True 预检交叉；不需要时无需部署 |
models/ |
检测器权重：pause_detector_lr.pkl + pause_detector_lstm.pt（仅检测器预检需要） |
training/ |
检测器训练/扫描脚本（prod_loader25.py / train_full25.py / scan_ensemble25.py），见 TRAINING.md |
| RESEARCH.md | 停顿控制研究记录：token 级（语义码注入）路线为何走不通的完整证据链，以及码级检测器的由来（中英摘要见文末） |
LICENSE / LICENSE.bilibili.txt / LICENSE.bilibili.zh.txt / THIRD_PARTY_NOTICES.md |
本项目 MIT 许可、bilibili 官方模型协议（中英）、第三方声明 |
使用第三方整合包（yzy/rainfall 等）？整合包改过 webui.py，补丁可能打不上——见 INSTALL_GUIDE.md 第 8 节（手动插 7 行 / 脚本后处理）。
详见 INSTALL_GUIDE.md（中文）/ INSTALL_GUIDE_EN.md（English）。简要版：
一键安装（推荐）：解压本仓库后运行 python install_cpu.py（CPU 版，零显存）或 python install_gpu.py（GPU 版，加速但约 +1GB 显存）——自动装依赖/复制模块/生成启动脚本/打补丁/自检，详见 INSTALL_GUIDE 第 0 节。
手动版：1. 把 pause_control25.py 放到官方 webui.py 同目录；2. pip install openai-whisper pypinyin librosa soundfile（whisper base 首次运行自动下载约 140MB；GPU 加速后处理设 PAUSE_DEVICE=cuda，额外显存约 1GB）；3. 在官方仓库根目录打补丁：
git apply patch_webui_pause.diff # 首选（保持行尾，git apply -R 可还原）
# 或：patch -p1 < patch_webui_pause.diff # 兜底（可能把行尾统一为 LF，不影响运行）
WebUI：文本里直接写 [pause:Nms]（N 为毫秒），正常点生成即可。
代码调用：
import pause_control25 as pc
clean_text, marks, locs, ops = pc.process(
text='他推开门[pause:800ms]，屋里一片漆黑。',
wav_path='outputs/spk_xxx.wav', # 已生成的 wav（标记替换为逗号的文本合成）
out_path='outputs/spk_xxx_paused.wav',
)
# 英文：pc.process('He paused[pause:800ms], then left.', wav, out, lang='en')
# locs: 每标记定位详情（插入点/停没停/原停顿X/双锚/谷点）
# ops: 执行记录（extend/insert/skip/failed）批量复用（避免重复加载 whisper）：
locator = pc.PauseLocator()
for text, wav in jobs:
pc.process(text, wav, wav.replace('.wav', '_paused.wav'), locator=locator)可选检测器预检（需要生成侧 dump 的 codes npz，权重在 models/）：
pc.process(text, wav, out, use_detector=True, codes_npz='xxx.prod.npz')- 只延长不缩短：模型自然停顿比目标长时不做裁剪（保护语音边界）。
- 停顿调整是静音插入，停顿内部为纯静音；长停顿后模型可能自带换气音（换气非静音，本工具不检测也不修改）。
- 插入点依赖 whisper 逐词时间戳；中文个别字识别失败时走同音匹配 fallback，极端情况（前锚完全定位失败）且无检测器预检时，该标记跳过（ops 记
failed）。 parse_pause_marks统一把标记替换为全角逗号，（中文场景定案）；英文文本生成时若偏好半角逗号，可在调用前自行把，换成,，不影响定位。- 检测器预检（
use_detector=True）为可选项，需要在推理侧额外保存注意力/logits 特征 npz；不打这个补丁的普通部署用不到。
集中在 pause_control25.py 顶部常量区：能量谷窗口 ±150ms（VALLEY_WINDOW_MS）、
停没停间隙阈值 50ms（GAP_THRESHOLD_MS）、静音能量阈值（SIL_RMS_THRESHOLD）、
同音匹配 = 无声调拼音相等（_py）。
- 本项目代码（
pause_control25.py/detector_pause25.py/ 安装脚本 / 补丁 / 文档）：MIT License（见 LICENSE）。 - 部署的官方 IndexTTS 2.5（模型权重与官方代码）：受 bilibili 模型使用许可协议约束（见 LICENSE.bilibili.txt / LICENSE.bilibili.zh.txt 与 THIRD_PARTY_NOTICES.md）。