fix: 단어 간격을 무음 스케일링으로 전환(자연 0 기준 아래로도 축소)

- 어절 개별 합성(억양 저하, 0 미만 불가) 대신, 문장을 통째로 자연 합성한 뒤
  내부 어절 무음 구간을 _scale_word_gaps 로 늘이거나 줄인다
- word_gap<0 이 자연 상태(0)보다 더 촘촘해짐(요청 충족), 억양 보존
- min_pause(80ms) 미만 짧은 무음/경계 무음은 건드리지 않아 발음 안전

app/engines/melo_engine.py

@@ -367,6 +367,47 @@ class MeloEngine(BaseEngine):
             unit, _ = self._trim_start_silence(unit, sr, budget)
         pieces.append(unit)
 
+    def _scale_word_gaps(
+        self,
+        a: np.ndarray,
+        sr: int,
+        delta: float,
+        thresh: float = 0.02,
+        min_pause: float = 0.08,
+    ) -> np.ndarray:
+        """자연 합성된 문장 오디오에서 '어절 사이 무음'을 delta 초만큼 조절.
+
+        - 억양 보존: 문장을 통째로 합성한 결과의 내부 무음 구간만 늘리거나 줄인다.
+        - delta>0 이면 무음을 늘려 단어를 벌리고, delta<0 이면 무음을 줄여 붙인다.
+        - 앞/뒤 경계 무음과 min_pause 미만의 짧은 무음(자음 폐쇄 등)은 건드리지 않아
+          발음이 깨지지 않는다.
+        """
+        n = a.size
+        if abs(delta) < 1e-4 or n == 0:
+            return a
+        silent = np.abs(a) < thresh
+        changes = np.flatnonzero(np.diff(silent.astype(np.int8)) != 0) + 1
+        bounds = [0, *changes.tolist(), n]
+        min_n = int(sr * min_pause)
+        floor_n = int(sr * 0.015)
+        add_n = int(delta * sr)
+        out: list[np.ndarray] = []
+        last = len(bounds) - 2
+        for k in range(len(bounds) - 1):
+            s, e = bounds[k], bounds[k + 1]
+            seg = a[s:e]
+            is_internal = 0 < k < last  # 앞/뒤 경계 구간은 제외
+            if silent[s] and is_internal and (e - s) >= min_n:
+                new_n = max(floor_n, (e - s) + add_n)
+                if new_n >= (e - s):
+                    seg = np.concatenate(
+                        [seg, np.zeros(new_n - (e - s), dtype=np.float32)]
+                    )
+                else:
+                    seg = seg[:new_n]
+            out.append(seg)
+        return np.concatenate(out) if out else a
+
     # ---- 합성 -----------------------------------------------------
     def synth_wav(
         self,
@@ -381,8 +422,8 @@ class MeloEngine(BaseEngine):
         """세 가지를 독립적으로 조절:
         - speed: 글자(음절) 발화 속도 — 모델 length_scale 로 각 음절의 발음
           속도를 생성 단계에서 조절(피치 보존, 사후 배속 아님)
-        - word_gap: 단어 사이 간격(초). >0 무음 삽입(어절 단위 합성),
-          <0 경계 무음을 잘라 더 붙임, 0 자연스러운 문장 합성
+        - word_gap: 단어 사이 간격(초). 문장을 통째로 합성한 뒤 어절 사이 무음을
+          >0 이면 늘리고 <0 이면 줄인다(억양 보존, 0 미만으로도 붙일 수 있음)
         - sentence_gap: 문장 사이 간격(초). >0 무음 삽입, <0 경계 무음 트리밍
         간격은 발화 속도와 무관하게 유지되어 서로 독립적이다.
         """
@@ -401,36 +442,23 @@ class MeloEngine(BaseEngine):
         if language in ("AUTO", "KR"):
             text = normalize_korean(text)
 
-        # word_gap 이 0 이 아니면(양/음 모두) 어절 단위로 나눠 간격을 조절
-        use_word_mode = abs(word_gap) > 1e-4
         sentences = split_sentences(text) or [text]
         sr: int | None = None
         pieces: list[np.ndarray] = []
         first = True
 
         for si, sent in enumerate(sentences):
-            sent_gap = 0.0 if first else sentence_gap
-            if use_word_mode:
-                words = sent.split() or [sent]
-                for wi, word in enumerate(words):
-                    a, s = self._synth_natural(word, language, speaker, speed)
-                    if sr is None:
-                        sr = s
-                    gap = sent_gap if wi == 0 else word_gap
-                    if first:
-                        pieces.append(a)
-                        first = False
-                    else:
-                        self._append_unit(pieces, a, gap, sr)
+            # 문장을 통째로 자연 합성(억양 유지) 후 어절 사이 무음만 조절
+            a, s = self._synth_natural(sent, language, speaker, speed)
+            if sr is None:
+                sr = s
+            if abs(word_gap) > 1e-4:
+                a = self._scale_word_gaps(a, sr, word_gap)
+            if first:
+                pieces.append(a)
+                first = False
             else:
-                a, s = self._synth_natural(sent, language, speaker, speed)
-                if sr is None:
-                    sr = s
-                if first:
-                    pieces.append(a)
-                    first = False
-                else:
-                    self._append_unit(pieces, a, sent_gap, sr)
+                self._append_unit(pieces, a, sentence_gap, sr)
 
         audio = np.concatenate(pieces) if pieces else np.zeros(1, dtype=np.float32)
         if sr is None: