TTS-Pipeline

Das CMS erzeugt Vorlese-Audios für Kategoriebezeichnungen, Storytitel sowie Text- und Linkinhalte von Stories. Audio und Wort-Zeitmarken sind Bestandteil des veröffentlichten Inhalts; die Joblogik bleibt unabhängig vom gewählten Audioanbieter.

Inhalt speichern
      │
      ▼
vertontes Feld + Text-Hash
      │
      ▼
TTS-Job: pending → running → done / failed
      │
      ├── Qwen3-TTS (lokales Python-Skript)
      ├── KugelAudio
      └── ElevenLabs
      │
      ▼
Audio + Wort-Zeitmarken → Media Library → ttsJobs am Inhalt

Jobmodell

Ein Job enthält unter anderem Feldpfad, Locale, Text-Hash, Status, Anzahl der Versuche, Fehler, Audio und Zeitmarken. Der Text-Hash erkennt, ob ein gespeichertes Audio noch zum aktuellen Text passt.

Automatische Auslöser

• Beim Anlegen einer Kategorie oder Story werden alle benötigten Jobs eingereiht.
• Beim Ändern einer Kategoriebezeichnung werden deren Jobs synchronisiert.
• Beim Ändern von Storytitel oder Slides werden die Storyjobs synchronisiert.
• Unveränderte Text-Hashes behalten ihr fertiges Audio; veränderte Felder werden wieder auf pending gesetzt.
• Veröffentlichen und Zurückziehen lösen keine neue Generierung aus.
• Eine Veröffentlichung wird abgewiesen, solange für die Locale Jobs den Status pending oder running haben.

Das CMS entfernt nicht mehr referenzierte, von der Pipeline erzeugte Audiodateien kontrolliert. Die TTS-Metadaten werden vom System verwaltet und sind nicht als redaktionelle Freitextfelder gedacht.

Worker

Der Worker läuft im Strapi-Prozess, beansprucht offene Aufträge und ruft den konfigurierten Adapter auf. Abgebrochene, fehlgeschlagene und nach Neustarts liegengebliebene Aufträge können kontrolliert erneut verarbeitet werden.

Zugriffsschutz

Status, Enqueue, Cancel, Recover und das zentrale Audio-Dashboard verwenden dieselbe aktive Admin-Session wie die Strapi-Oberfläche. Der Admin-Fetch-Client sendet das kurzlebige Zugriffstoken automatisch; ein eigenes TTS-Secret wird weder benötigt noch in das Browser-Bundle eingebettet. Öffentliche Requests, abgelaufene Sessions und Content-API-Tokens erhalten keinen Zugriff.

Nach der Authentifizierung greift Strapis Content-Manager-RBAC. Lesen von Statusdaten erfordert read, Änderungen erfordern update für den jeweiligen Content-Type. Das Dashboard setzt die Rechte für Stories und Kategorien voraus. Verändernde Routen sind zusätzlich auf zehn Requests je Route und IP innerhalb von 60 Sekunden begrenzt. Ein vorgeschalteter Reverse Proxy kann für mehrere CMS-Instanzen ergänzend ein verteiltes Limit durchsetzen.

Locale-Konfiguration

Provideroptionen können pro vollständiger Locale, Sprache oder global gesetzt werden. Für en-US gilt beispielsweise:

..._EN_US → ..._EN → globaler Wert

Qwen3-TTS

Qwen wird über ein separates Python-Skript aufgerufen. Modellgewichte, Python-Umgebung, Referenzaufnahmen und optionaler Forced Aligner werden nicht mit npm install installiert. Für Voice Cloning muss das Transkript exakt zur Referenzaufnahme passen. Der Forced Aligner liefert Wort-Zeitmarken; ohne lokale GPU ist die Generierung je nach Modell deutlich langsamer.

KugelAudio

KugelAudio wird als Cloud-Dienst über API-Key, Modell und Voice-ID angebunden. Die WebSocket-Übertragung ist der Standard, weil die Wort-Zeitmarken darüber mitgeliefert werden. Mit KUGELAUDIO_REQUIRE_TIMESTAMPS=true gilt ein Audio ohne Zeitmarken als fehlgeschlagen. Sample-Rate, Normalisierung, Sprache und Stimme können global oder je Locale konfiguriert werden.

ElevenLabs

ElevenLabs erzeugt über die API PCM-Audio, das der Adapter als WAV speichert. Für die in der App verwendete wortweise Hervorhebung ruft der Adapter bei ELEVENLABS_FORCE_ALIGNMENT=true zusätzlich Forced Alignment auf. API-Key, Voice-ID, Modell, Ausgabeformat und Sprachcode können global oder je Locale gesetzt werden.

Änderungen an Worker, Lifecycle-Hooks, Wiederherstellung oder automatischem Löschen von Medien sind datenrelevant und benötigen gezielte Tests.