Thalika

Thalika သည် Next.js, TypeScript, TailwindCSS နှင့် optional Electron desktop shell ကို အသုံးပြုထားသော local-first voice-over studio ဖြစ်သည်။

Script များ၊ generation job များ၊ generated audio များနှင့် draft state ကို local data/ folder အောက်တွင် သိမ်းဆည်းသည်။ Database မသုံးပါ။

လက်ရှိ ပါဝင်သော Features

Gemini API ဖြင့် script rewrite လုပ်နိုင်သော Script page
Script input နှင့် reference audio upload ပါသော Voice Over page
VoxCPM2 engine ကို အသုံးပြုသော single provider (Burmese script အတွက် pronunciation QA အလိုလို အသုံးပြုသည်)
Managed local VoxCPM2 inference (Apple Silicon MPS, NVIDIA CUDA သို့မဟုတ် CPU)
Voice reference နှင့် settings မှ stable seed ထုတ်ပြီး chunk အားလုံးတွင် တစ်ခုတည်းအသုံးပြုသော consistency control
Pace/loudness outlier detection၊ selective regeneration နှင့် conservative chunk loudness matching
Validated 48kHz mono 24-bit PCM WAV master output
Long script များအတွက် punctuation-aware chunk ခွဲခြင်းနှင့် PCM WAV merge လုပ်ခြင်း
Audio preview နှင့် download
Audio player, listening QA score နှင့် delete action ပါသော History page
Local consented voice profiles နှင့် editable Burmese pronunciation lexicon
Browser-side reference audio quality gate
Local storage ကို ကြည့်ရှုနိုင်ပြီး legacy compressed audio များကို PCM WAV ပြောင်းနိုင်သော Folders page
Optional Electron desktop shell

Project Stack

Frontend: Next.js App Router, React, TailwindCSS
Backend: Next.js Route Handlers
Desktop shell: Electron
Validation: Zod
Storage: local Markdown, JSON, audio files
Local voice model: VoxCPM2 2.0.3 ကို local-server/ (Python + Gradio) မှတစ်ဆင့် run သည်
Script rewrite provider: Google Gemini API

ကြိုတင် လိုအပ်ချက်များ

Node.js 22.12.0 သို့မဟုတ် ပိုသစ်သော version
npm
Python 3.10–3.12
VoxCPM2 model ပထမဆုံး download နှင့် Gemini rewrite အတွက်သာ Internet connection
Local VoxCPM2 အတွက် 16 GB RAM နှင့် Apple Silicon MPS သို့မဟုတ် NVIDIA CUDA recommended; CPU-only run နိုင်သော်လည်း နှေးသည်

VoxCPM2 inference ကို managed local server (http://localhost:7860) မှတစ်ဆင့်သာ production flow အဖြစ် run သည်။ Model cache ပြည့်ပြီးနောက် voice generation အတွက် Internet မလိုပါ။

Install လုပ်ခြင်း

cd /Users/zoe/Downloads/beebot/coda-voice-clone/Thalika
npm install

Environment Variables

Default တန်ဖိုးများကို ပြောင်းလိုပါက သို့မဟုတ် Gemini rewrite ကို အသုံးပြုလိုပါက .env.example ကို .env.local အဖြစ် copy လုပ်ပါ။

cp .env.example .env.local

အသုံးပြုနိုင်သော တန်ဖိုးများ:

HF_VOXCPM2_URL=http://localhost:7860
HF_REQUEST_TIMEOUT=60000
HF_INFERENCE_TIMEOUT=300000
VOXCPM_DEVICE=auto
VOXCPM_TIMESTEPS=10
GEMINI_REQUEST_TIMEOUT=60000
GEMINI_API_KEY=your_google_gemini_api_key_here

HF_VOXCPM2_URL: Managed local VoxCPM2 server URL; default http://localhost:7860
HF_REQUEST_TIMEOUT: Local model health/upload request timeout milliseconds
HF_INFERENCE_TIMEOUT: VoxCPM2 audio segment တစ်ခု generate လုပ်ရန် စောင့်မည့် အများဆုံး milliseconds
VOXCPM_DEVICE: auto, mps, cuda, သို့မဟုတ် cpu
VOXCPM_TIMESTEPS: Diffusion sampling steps; quality/speed tradeoff
GEMINI_REQUEST_TIMEOUT: Gemini request timeout milliseconds
GEMINI_API_KEY: Script page မှ rewrite လုပ်ရာတွင် အသုံးပြုသော Gemini API key

Script page ရှိ settings dialog မှတစ်ဆင့် GEMINI_API_KEY ကို .env.local ထဲသို့ သိမ်းဆည်းနိုင်သည်။

Browser တွင် Run ခြင်း

Development mode:

npm run dev

Production mode:

npm run build
npm run start

Browser တွင် ဖွင့်ရန်:

http://localhost:3000

Electron Desktop App အဖြစ် Run ခြင်း

Development desktop mode:

npm run desktop

Production desktop mode:

npm run build
npm run desktop:start

Electron shell သည် local Next.js app ကို ဖွင့်ပေးသည်။ Backend အသစ်တစ်ခု ထပ်မံထည့်သွင်းထားခြင်း မရှိပါ။

Electron shell တွင် အောက်ပါ settings များကို အသုံးပြုထားသည်။

nodeIntegration: false
contextIsolation: true
sandbox: true
webSecurity: true
single-instance lock

နောက်ဆုံး Electron window ကို ပိတ်လိုက်ပါက Electron process ပိတ်သွားမည်။ desktop:start က local Next.js server ကို စတင်ပေးထားခြင်း ဖြစ်ပါက Electron ပိတ်သည့်အခါ launcher က ထို server ကိုပါ ရပ်ပေးမည်။

Electron binary cache မပြည့်စုံပါက:

npm run repair:electron

App Pages

Script

ရှိပြီးသား script ကို Gemini ဖြင့် rewrite လုပ်ရန် ဤ page ကို အသုံးပြုပါ။

Script tab ကို ဖွင့်ပါ။
Original script ကို paste လုပ်ပါ။
လိုအပ်ပါက title ထည့်ပါ။
Gemini model ကို ရွေးပါ။
Keep Burmese language ကို လိုအပ်သလို on သို့မဟုတ် off လုပ်ပါ။
Rewrite Narration ကို နှိပ်ပါ။
Rewritten result ကို စစ်ဆေးပြီး လိုအပ်ပါက ပြင်ဆင်ပါ။
Open Voice Over ကို နှိပ်ပါ။

Rewritten result ကို shared Voice Over draft အဖြစ် သိမ်းဆည်းသည်။

App တွင် လက်ရှိ ပြသထားသော model options များ:

Gemini 2.5 Flash
Gemini 3.5 Flash
Gemini 3.1 Flash Lite

ရွေးချယ်ထားသော model ကို configured Gemini API endpoint က လက်ခံနိုင်ရမည်။

Voice Over

Voice Over audio generate လုပ်ရန် ဤ page ကို အသုံးပြုပါ။

Voice Over tab ကို ဖွင့်ပါ။
Script ကို paste လုပ်ပါ သို့မဟုတ် ပြင်ဆင်ပါ။
လိုအပ်ပါက title ထည့်ပါ။
Reference audio upload လုပ်ပါ သို့မဟုတ် သိမ်းထားသော local voice profile ကို ရွေးပါ။
Browser-side reference quality report ကို စစ်ပါ။ BLOCK ဖြစ်နေပါက cleaner sample ပြန်တင်ပါ။
Burmese script ဖြစ်ပါက pronunciation preview ကို review လုပ်ပြီး approve လုပ်ပါ။
Generate Local Audio ကို နှိပ်ပါ။
Generated audio file ကို preview လုပ်ပါ သို့မဟုတ် download လုပ်ပါ။

Provider တစ်ခုတည်း (single engine):

VoxCPM2 — Burmese script ဖြစ်ပါက Burmese pronunciation QA (normalization + lexicon + approval gate) အလိုလို အသုံးပြုသည်။ Burmese မဟုတ်သော supported multilingual scripts အတွက် raw VoxCPM2 ကို အသုံးပြုသည်။

Voice Over controls များ:

Reference audio upload
Local voice profile selector နှင့် explicit-consent profile save
Reference transcript (optional — cloning အတွက် လိုအပ်ခြင်းမရှိ၊ model သို့လည်း မပို့ပါ)
Browser-side reference quality report
Burmese pronunciation lexicon
Advanced tuning: clone mode, clone strength, reference denoise, text normalization
Speed: 0.8x မှ 1.2x
Emotion: neutral, calm, energetic, dramatic

VoxCPM2 model interface တွင် dedicated numeric speed parameter မရှိပါ။ Speed slider ကို pace guidance အဖြစ် control instruction ထဲတွင် အသုံးပြုသည်။

Recommended reference audio သည် 6-30 seconds၊ quiet room၊ one speaker၊ music မပါသော dry voice ဖြစ်သည်။ Local voice profile ကို user က consent checkbox ဖြင့် အတည်ပြုပြီး Save Local Profile နှိပ်မှသာ device disk ပေါ်တွင် သိမ်းသည်။

လူပြောသံတွင် natural pauses ပါနိုင်သည်။ Silence ratio မြင့်ရုံဖြင့် block မလုပ်ပါ။ Reference file သည် almost entirely silent ဖြစ်မှသာ generation ကိုတားသည်။ VoxCPM2 transcript mode က segment တစ်ခုအတွက် audio မပြန်ပေးနိုင်ပါက Thalika သည် zero-shot reference fallback ဖြင့် ဆက်လုပ်ပြီး local diagnostics တွင် မှတ်တမ်းတင်သည်။

History

ဤ page တွင် အောက်ပါ လုပ်ဆောင်ချက်များကို အသုံးပြုနိုင်သည်။

သိမ်းဆည်းထားသော generation job များကို ကြည့်ရှုခြင်း
Generated audio ကို play လုပ်ခြင်း
Audio seek လုပ်ခြင်း
Playback speed ပြောင်းခြင်း
Audio download လုပ်ခြင်း
Audio ဖွင့်ခြင်း
History job ဖျက်ခြင်း
Speaker similarity, Burmese pronunciation, naturalness နှင့် clean audio ကို 1-5 score ပေးခြင်း
Generated audio ကို approved သို့မဟုတ် review needed အဖြစ်မှတ်သားခြင်း

Completed job တစ်ခုကို ဖျက်လိုက်ပါက သက်ဆိုင်ရာ generated audio file ကိုပါ ဖျက်သည်။ သက်ဆိုင်ရာ saved script Markdown file ကို မဖျက်ပါ။

Folders

App က စီမံထားသော local storage folders များကို ကြည့်ရှုရန် ဤ page ကို အသုံးပြုပါ။

ဤ page တွင် အောက်ပါ အချက်အလက်များကို ပြသသည်။

Folder path
File count
Total size
Latest modification time
Recent files

Browser mode တွင် folder path ကို copy လုပ်နိုင်သည်။ Electron mode တွင် သတ်မှတ်ထားသော app-managed folders များကို Finder သို့မဟုတ် Explorer ထဲတွင် ဖွင့်နိုင်သည်။

PCM WAV Migration section ကို အသုံးပြုပြီး ယခင် version များမှ .mp3 outputs နှင့် MP3 bytes ပါနေသော mislabeled .wav files များကို real PCM WAV masters အဖြစ် ပြောင်းနိုင်သည်။ Migration မစမီ user confirmation တောင်းသည်။ မူရင်း compressed files များကို data/outputs/legacy-backup/ အောက်တွင် သိမ်းထားပြီး သက်ဆိုင်ရာ job Markdown metadata ကို migrated .wav filename ဖြင့် update လုပ်သည်။

Local VoxCPM2 Server

Default inference engine သည် local server (http://localhost:7860) ဖြစ်သည်။ Thalika က model queue, seed, inference steps, retry, chunk selection နှင့် WAV merge ကို နောက်ကွယ်မှ စနစ်တကျ ထိန်းသည်။ အသေးစိတ်အတွက် local-server/README.md ကို ကြည့်ပါ။

လိုအပ်ချက်များ

Python 3.10, 3.11, သို့မဟုတ် 3.12 (3.13+ ကို voxcpm/PyTorch stack က လက်မခံပါ)။ python3 --version ဖြင့် စစ်ပါ။
GPU ရှိလျှင် ပိုကောင်းသည် (Apple Silicon MPS, NVIDIA CUDA)။ CPU နှင့်လည်း run နိုင်သော်လည်း နှေးသည်။
Model (~5 GB) ကို ပထမဆုံး run တွင် download လုပ်သည်။ 16 GB RAM recommended။

Install နှင့် run လုပ်ခြင်း

repo root မှ:

bash scripts/voxcpm-local.sh

၎င်းသည် .voxcpm-venv တည်ဆောက်ပြီး requirements.txt install လုပ်ကာ local-server/server.py ကို run သည်။ Server တက်လာသည်နှင့် http://localhost:7860 တွင် ရောက်သည်။ Python version မှားနေပါက brew install python@3.11 (သို့) uv ကို အသုံးပြုပါ — အသေးစိတ်အတွက် local-server/README.md။

App ကို local server သို့ ချိတ်ခြင်း

App → Voice Over → Voice Settings တွင် Start local model ကို နှိပ်ပါ။
Health badge Local connected ဖြစ်သည်အထိ စောင့်ပါ။
Command line မှ run လိုပါက bash scripts/voxcpm-local.sh ကို အသုံးပြုပါ။

Quality tuning (local server တွင်သာ)

Variable	Default	အကျိုးသက်ရောက်မှု
`VOXCPM_DEVICE`	`auto`	`auto` / `cuda` / `mps` / `cpu`
`VOXCPM_TIMESTEPS`	`10`	Diffusion steps။ မြင့်လျှင် ပိုကောင်းသော်လည်း နှေးသည်။ `20`–`30` စမ်းကြည့်ပါ။
`VOXCPM_PORT`	`7860`	Server port (app ၏ endpoint နှင့် ကိုက်ရမည်)

Validation Rules

Audio generation request များအတွက် အောက်ပါ rules များကို သတ်မှတ်ထားသည်။

Field	Rule
Title	Optional၊ အများဆုံး `100` characters
Script	Required၊ `10` မှ `50,000` characters
Provider	`voxcpm2` (single engine)
Format	Final output အတွက် `wav` တစ်မျိုးတည်း
Speed	`0.8` မှ `1.2`
Emotion	`neutral`, `calm`, `energetic`, သို့မဟုတ် `dramatic`
Clone mode	Optional: `balanced` သို့မဟုတ် `high_fidelity`
Clone strength	Optional: `1.0` မှ `3.0`
Reference audio	VoxCPM2 cloning အတွက် required
Reference audio size	အများဆုံး `10 MB`
Reference audio duration	Duration ရရှိပါက အနည်းဆုံး `3` seconds နှင့် အများဆုံး `50` seconds

Long Scripts

Script အရှည်ကို အများဆုံး 50,000 characters အထိ လက်ခံသည်။

VoxCPM2 request များအတွက် script ကို default 180 characters ဝန်းကျင် punctuation-aware chunks အဖြစ် ခွဲသည်။ Local model သည် chunk တစ်ခုစီကို WAV ဖြင့်ပြန်ပေးပြီး Thalika က real 48kHz mono 24-bit PCM WAV အဖြစ် validate လုပ်သည်။ Voice reference၊ clone settings နှင့် emotion တူပါက stable consistency seed တစ်ခုတည်းကို chunk အားလုံးတွင် အသုံးပြုသည်။

Chunk တစ်ခုစီ၏ pace နှင့် active loudness ကို accepted chunks များ၏ median နှင့်နှိုင်းသည်။ Outlier ဖြစ်မှသာ alternate deterministic take များစမ်းပြီး အနီးဆုံး take ကိုရွေးသည်။ Merge မတိုင်ခင် active RMS ကို median ဆီ အများဆုံး ±3 dB ဖြင့် peak-safe ချိန်ညှိကာ final RIFF/WAVE master တစ်ခုအဖြစ် merge လုပ်သည်။

Chunk ending	Pause
`။`, `.`, `!`, `?`	`260ms`
`၊`, `,`, `;`, `:`	`160ms`
Explicit punctuation မရှိ	`120ms`

Long script generate လုပ်နေစဉ် chunk progress ကို သက်ဆိုင်ရာ data/jobs/ Markdown file တွင် သိမ်းသည်။ Local inference အလွန်ကြာသွားပါက HF_INFERENCE_TIMEOUT ရောက်သောအခါ clean timeout ဖြစ်ပြီး retry လုပ်သည်။ Local diagnostics ကို data/logs/generation.log တွင် သိမ်းသည်။ ဤ log တွင် script စာသားနှင့် reference audio bytes မပါပါ။

Local Storage

data/
  scripts/              saved script Markdown files
  jobs/                 generation job Markdown files
  outputs/              generated PCM WAV master files
    legacy-backup/      migration မတိုင်မီ မူရင်း compressed audio backup files
  profiles/             consented local voice profile audio and JSON metadata
  reviews/              local Markdown listening QA reviews
  memory/
    MEMORY.md           local memory notes
    MEMORY.example.md   shareable memory note example
    voice-over-draft.json
    burmese-lexicon.json local pronunciation overrides

Script page နှင့် Voice Over page တို့သည် data/memory/voice-over-draft.json ကို shared draft အဖြစ် အသုံးပြုသည်။

.env.local, generated scripts, generation jobs, audio outputs, MEMORY.md နှင့် draft state များကို Git ထဲသို့ မတင်ရန် .gitignore တွင် တားထားသည်။ Share လုပ်နိုင်သော examples များအဖြစ် .env.example, folder .gitkeep files နှင့် data/memory/MEMORY.example.md ကို ထည့်ထားသည်။

API Routes

Method	Route	အသုံးပြုပုံ
`GET`	`/api/health`	Local service health စစ်ခြင်း
`POST`	`/api/generate`	Audio generate လုပ်ခြင်း
`GET`	`/api/audio/{filename}`	Generated audio file ကို stream လုပ်ခြင်း
`GET`	`/api/history`	Generation jobs များကို ဖော်ပြခြင်း
`DELETE`	`/api/history/{jobId}`	Generation job ဖျက်ခြင်း
`PUT`	`/api/history/{jobId}/review`	Human listening QA score သိမ်းခြင်း
`GET`	`/api/scripts`	Saved scripts များကို ဖော်ပြခြင်း
`GET`	`/api/providers/capabilities`	Provider capability metadata ဖော်ပြခြင်း
`GET`	`/api/providers/voxcpm2/health`	Managed local VoxCPM2 server ကို probe လုပ်ခြင်း
`POST`	`/api/rewrite`	Gemini ဖြင့် script rewrite လုပ်ခြင်း
`GET`, `POST`	`/api/settings/gemini`	Gemini API key state ဖတ်ခြင်း သို့မဟုတ် သိမ်းဆည်းခြင်း
`GET`, `POST`, `DELETE`	`/api/drafts/voice-over`	Shared Voice Over draft ဖတ်ခြင်း၊ သိမ်းဆည်းခြင်း သို့မဟုတ် ဖျက်ခြင်း
`POST`	`/api/burmese/normalize`	Burmese pronunciation preview ပြင်ဆင်ခြင်း
`GET`, `PUT`	`/api/settings/burmese-lexicon`	Local pronunciation lexicon ဖတ်ခြင်း သို့မဟုတ် သိမ်းခြင်း
`GET`, `POST`	`/api/voice-profiles`	Local voice profile များဖတ်ခြင်း သို့မဟုတ် consent ဖြင့် သိမ်းခြင်း
`DELETE`	`/api/voice-profiles/{profileId}`	Local voice profile နှင့် reference audio ဖျက်ခြင်း
`GET`	`/api/storage/local`	App-managed local folders များကို စစ်ဆေးခြင်း
`GET`, `POST`	`/api/storage/migrate-wav`	Legacy compressed outputs ကို စစ်ဆေးခြင်း သို့မဟုတ် explicit confirmation ဖြင့် PCM WAV ပြောင်းခြင်း
`GET`, `POST`, `DELETE`	`/api/voxcpm-local`	Local VoxCPM2 server status ကြည့်ခြင်း၊ start/stop လုပ်ခြင်း

Local Filesystem Boundaries

Audio serving သည် data/outputs/ အောက်မှသာ file ဖတ်သည်။
Generated filenames များကို sanitize လုပ်သည်။
Storage inspection တွင် သတ်မှတ်ထားသော app-managed folders များကိုသာ ဖော်ပြသည်။
Electron folder opening သည် သတ်မှတ်ထားသော folder IDs များကိုသာ လက်ခံသည်။
Provider inference သည် shell commands များကို execute မလုပ်ပါ။

VoxCPM2 Health Badge

Voice Over page သည် /api/providers/voxcpm2/health ကို ခေါ်သည်။

Badge တွင် အောက်ပါ status များ ပေါ်နိုင်သည်။

Local connected
Local timeout
Local unavailable
Local invalid response

Health result သည် local model server ၏ လက်ရှိ state ကို ဖော်ပြသည်။ Local connected မဖြစ်မချင်း Generate button ကို disable လုပ်ထားသည်။

Resource Commands

လက်ရှိ memory usage ကို စစ်ရန်:

npm run metrics:memory

CPU နှင့် RAM ကို sample ငါးကြိမ်ဖြင့် စစ်ရန်:

npm run metrics:resources

ဤ commands များသည် detected Thalika, Next.js, Electron နှင့် local VoxCPM2 runtime processes များကို report ပြသည်။

Verification Commands

TypeScript စစ်ရန်:

npm run lint

Production build စစ်ရန်:

npm run build

Troubleshooting

Generate Local Audio button ကို နှိပ်မရပါက အောက်ပါ အချက်များကို စစ်ပါ။

Script length
VoxCPM2 သို့မဟုတ် Burmese Production အတွက် reference audio upload
Reference audio file size
Reference audio duration

VoxCPM2 generation အလုပ်မလုပ်ပါက အောက်ပါ အချက်များကို စစ်ပါ။

Local model server running state
VoxCPM2 health badge
HF_VOXCPM2_URL
HF_REQUEST_TIMEOUT
HF_INFERENCE_TIMEOUT
data/logs/generation.log

Gemini rewrite အလုပ်မလုပ်ပါက အောက်ပါ အချက်များကို စစ်ပါ။

GEMINI_API_KEY
GEMINI_REQUEST_TIMEOUT
Configured Gemini API က ရွေးချယ်ထားသော model ကို လက်ခံခြင်း ရှိ၊ မရှိ

Electron binary cache မပြည့်စုံပါက:

npm run repair:electron

Name		Name	Last commit message	Last commit date
Latest commit History 41 Commits
.claude		.claude
data		data
electron		electron
local-server		local-server
scripts		scripts
src		src
.env.example		.env.example
.gitignore		.gitignore
AGENTS.md		AGENTS.md
LICENSE		LICENSE
README.md		README.md
Thalika-SKILL.md		Thalika-SKILL.md
next-env.d.ts		next-env.d.ts
next.config.ts		next.config.ts
package-lock.json		package-lock.json
package.json		package.json
postcss.config.js		postcss.config.js
tailwind.config.ts		tailwind.config.ts
tsconfig.json		tsconfig.json

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

Thalika

လက်ရှိ ပါဝင်သော Features

Project Stack

ကြိုတင် လိုအပ်ချက်များ

Install လုပ်ခြင်း

Environment Variables

Browser တွင် Run ခြင်း

Electron Desktop App အဖြစ် Run ခြင်း

App Pages

Script

Voice Over

History

Folders

Local VoxCPM2 Server

Validation Rules

Long Scripts

Local Storage

API Routes

Local Filesystem Boundaries

VoxCPM2 Health Badge

Resource Commands

Verification Commands

Troubleshooting

About

Releases

Packages

Contributors

Languages

Folders and files

Latest commit

History

Repository files navigation

Thalika

လက်ရှိ ပါဝင်သော Features

Project Stack

ကြိုတင် လိုအပ်ချက်များ

Install လုပ်ခြင်း

Environment Variables

Browser တွင် Run ခြင်း

Electron Desktop App အဖြစ် Run ခြင်း

App Pages

Script

Voice Over

History

Folders

Local VoxCPM2 Server

Validation Rules

Long Scripts

Local Storage

API Routes

Local Filesystem Boundaries

VoxCPM2 Health Badge

Resource Commands

Verification Commands

Troubleshooting

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages