feat: 글자속도·단어간격·문장간격 독립 조절 + atempo 기본 타임스트레치

- 타임스트레치 우선순위를 ffmpeg atempo(기본) → rubberband → librosa 로 변경
- MeloEngine: 문장 단위로 분리 후 문장 사이 무음(sentence_gap), 단어(어절) 사이
  무음(word_gap)을 타임스트레치와 독립적으로 삽입. speed 는 글자(음소) 속도만 조절
- API(TTSRequest)에 word_gap/sentence_gap 필드 추가, 전 엔진 시그니처 확장
- 프론트엔드에 '글자 속도/단어 간격/문장 간격' 슬라이더 추가, supports 플래그로
  미지원 엔진(supertonic/oute/cosy)에서는 간격 슬라이더 자동 비활성화

app/engines/base.py

@@ -39,8 +39,14 @@ class BaseEngine(ABC):
         speaker: str | None = None,
         speed: float = 1.0,
         pitch: float = 0.0,
+        word_gap: float = 0.0,
+        sentence_gap: float | None = None,
     ) -> bytes:
-        """WAV(PCM16) 바이트를 반환."""
+        """WAV(PCM16) 바이트를 반환.
+
+        speed=글자(음소) 속도, word_gap=단어 사이 무음(초),
+        sentence_gap=문장 사이 무음(초). 간격을 지원하지 않는 엔진은 무시한다.
+        """
         raise NotImplementedError
 
     def warmup(self) -> None:

app/engines/cosyvoice_engine.py

@@ -42,7 +42,12 @@ class CosyVoiceEngine(BaseEngine):
                     ],
                 }
             ],
-            "supports": {"speed": True, "pitch": True},
+            "supports": {
+                "speed": True,
+                "pitch": True,
+                "word_gap": False,
+                "sentence_gap": False,
+            },
         }
 
     def synth_wav(
@@ -52,6 +57,8 @@ class CosyVoiceEngine(BaseEngine):
         speaker: str | None = None,
         speed: float = 1.0,
         pitch: float = 0.0,
+        word_gap: float = 0.0,
+        sentence_gap: float | None = None,
     ) -> bytes:
         text = (text or "").strip()
         if not text:

app/engines/melo_engine.py

@@ -50,6 +50,15 @@ MELO_LANG = {"KR": "KR", "EN": "EN", "JP": "JP", "ZH": "ZH"}
 
 DEFAULT_LANG = "EN"  # 판별 불가 구간의 기본 언어
 
+# 문장 경계: 종결부호 뒤 공백, 또는 줄바꿈
+_SENT_SPLIT_RE = re.compile(r"(?<=[.!?。！？…])\s+|\n+")
+
+
+def split_sentences(text: str) -> list[str]:
+    """텍스트를 문장 단위로 분리(종결부호/줄바꿈 기준)."""
+    parts = [p.strip() for p in _SENT_SPLIT_RE.split(text) if p and p.strip()]
+    return parts or ([text.strip()] if text.strip() else [])
+
 _KR_RE = re.compile(r"[가-힣ᄀ-ᇿ㄰-㆏]")
 _EN_RE = re.compile(r"[A-Za-z]")
 # 일본어 가나(히라가나/가타카나/반각 가타카나)
@@ -171,7 +180,12 @@ class MeloEngine(BaseEngine):
             "notes": self.notes,
             "languages": languages,
             "default_language": "AUTO",
-            "supports": {"speed": True, "pitch": True},
+            "supports": {
+                "speed": True,
+                "pitch": True,
+                "word_gap": True,
+                "sentence_gap": True,
+            },
         }
 
     def _resolve_speaker(self, model: TTS, lang: str, speaker: str | None) -> int:
@@ -200,15 +214,22 @@ class MeloEngine(BaseEngine):
     def _time_stretch(self, audio: np.ndarray, sr: int, rate: float) -> np.ndarray:
         """오디오를 rate 배속으로 변경(피치 보존). rate>1 = 빠르게.
 
-        MeloTTS 의 length_scale 방식(speed 파라미터)은 배속을 올리면 발음이
-        뭉개지므로, 자연 속도로 합성한 뒤 여기서 고품질 타임스트레치를 적용한다.
-        우선순위: Rubberband(R3) → ffmpeg atempo → librosa(phase vocoder).
+        자연 속도(1.0)로 합성한 뒤 여기서 타임스트레치를 적용해 글자 발화
+        속도만 조절한다(피치 보존).
+        우선순위: ffmpeg atempo(기본) → Rubberband(R3) → librosa(phase vocoder).
         """
         if abs(rate - 1.0) < 1e-3:
             return audio
         audio = np.asarray(audio, dtype=np.float32)
 
-        # 1) Rubberband R3 (발음/포먼트 보존이 가장 좋음)
+        # 1) ffmpeg atempo (기본값: 추가 의존성 없음, 무난)
+        if shutil.which("ffmpeg") and 0.5 <= rate <= 2.0:
+            try:
+                return self._atempo(audio, sr, rate)
+            except Exception:
+                pass
+
+        # 2) Rubberband R3 (발음/포먼트 보존 폴백)
         if prb is not None and shutil.which("rubberband"):
             try:
                 out = prb.time_stretch(
@@ -222,13 +243,6 @@ class MeloEngine(BaseEngine):
                 except Exception:
                     pass
 
-        # 2) ffmpeg atempo (추가 의존성 없음, 무난)
-        if shutil.which("ffmpeg") and 0.5 <= rate <= 2.0:
-            try:
-                return self._atempo(audio, sr, rate)
-            except Exception:
-                pass
-
         # 3) librosa phase vocoder (최후 폴백)
         if librosa is not None:
             try:
@@ -258,27 +272,13 @@ class MeloEngine(BaseEngine):
             out, _ = sf.read(dst, dtype="float32")
             return np.asarray(out, dtype=np.float32)
 
-    # ---- 합성 -----------------------------------------------------
-    def synth_wav(
-        self,
-        text: str,
-        language: str,
-        speaker: str | None = None,
-        speed: float = 1.0,
-        pitch: float = 0.0,
-    ) -> bytes:
-        text = (text or "").strip()
-        if not text:
-            raise ValueError("텍스트가 비어 있습니다.")
-
-        speed = float(max(0.5, min(2.0, speed)))
-        pitch = float(max(-12.0, min(12.0, pitch)))
-        language = (language or "AUTO").upper()
-
-        # 한국어 발음 개선: 기호/약어/사용자사전 전처리 (한국어·자동 모드)
-        if language in ("AUTO", "KR"):
-            text = normalize_korean(text)
+    def _synth_natural(
+        self, text: str, language: str, speaker: str | None
+    ) -> tuple[np.ndarray, int]:
+        """자연 속도(1.0)로 텍스트 한 조각을 합성. AUTO 모드는 언어별로 나눠 합성.
 
+        속도/문장·단어 간격 조절은 이 결과 위에서 처리한다(여기서는 하지 않음).
+        """
         if language == "AUTO":
             # 영어 구간엔 사용자가 고른 억양, 한국어 구간엔 KR 음성
             en_speaker = speaker if (speaker and speaker.startswith("EN")) else "EN-US"
@@ -295,21 +295,89 @@ class MeloEngine(BaseEngine):
                 if sr is None:
                     sr = seg_sr
                     gap = np.zeros(int(sr * 0.06), dtype=np.float32)
-                elif seg_sr != sr:
-                    if librosa is not None:
-                        audio = librosa.resample(
-                            audio, orig_sr=seg_sr, target_sr=sr
-                        ).astype(np.float32)
+                elif seg_sr != sr and librosa is not None:
+                    audio = librosa.resample(
+                        audio, orig_sr=seg_sr, target_sr=sr
+                    ).astype(np.float32)
                 if audios:
                     audios.append(gap)
                 audios.append(audio)
             audio = np.concatenate(audios) if audios else np.zeros(1, dtype=np.float32)
-        else:
-            audio, sr = self._synth_segment(text, language, speaker)
+            return audio, (sr or self._get_model(DEFAULT_LANG).hps.data.sampling_rate)
+        return self._synth_segment(text, language, speaker)
 
-        # 속도: 자연 속도 합성 결과에 고품질 타임스트레치 적용(발음 유지)
-        if abs(speed - 1.0) > 1e-3:
-            audio = self._time_stretch(audio, sr, speed)
+    # ---- 합성 -----------------------------------------------------
+    def synth_wav(
+        self,
+        text: str,
+        language: str,
+        speaker: str | None = None,
+        speed: float = 1.0,
+        pitch: float = 0.0,
+        word_gap: float = 0.0,
+        sentence_gap: float | None = None,
+    ) -> bytes:
+        """세 가지를 독립적으로 조절:
+        - speed: 글자(음소) 발화 속도 — 자연 합성 후 타임스트레치(피치 보존)
+        - word_gap: 단어 사이 추가 무음(초). >0 이면 어절 단위로 나눠 합성
+        - sentence_gap: 문장 사이 무음(초)
+        간격은 타임스트레치의 영향을 받지 않아 글자속도와 독립적으로 유지된다.
+        """
+        text = (text or "").strip()
+        if not text:
+            raise ValueError("텍스트가 비어 있습니다.")
+
+        speed = float(max(0.5, min(2.0, speed)))
+        pitch = float(max(-12.0, min(12.0, pitch)))
+        word_gap = float(max(0.0, min(1.0, word_gap)))
+        sentence_gap = 0.30 if sentence_gap is None else sentence_gap
+        sentence_gap = float(max(0.0, min(2.0, sentence_gap)))
+        language = (language or "AUTO").upper()
+
+        # 한국어 발음 개선: 기호/약어/사용자사전 전처리 (한국어·자동 모드)
+        if language in ("AUTO", "KR"):
+            text = normalize_korean(text)
+
+        def stretch(a: np.ndarray, sr: int) -> np.ndarray:
+            if abs(speed - 1.0) > 1e-3:
+                return self._time_stretch(a, sr, speed)
+            return a
+
+        sentences = split_sentences(text) or [text]
+        sr: int | None = None
+        pieces: list[np.ndarray] = []
+
+        for si, sent in enumerate(sentences):
+            if word_gap > 1e-4:
+                # 어절 단위로 나눠 합성 후 단어 간 무음 삽입
+                words = sent.split()
+                wpieces: list[np.ndarray] = []
+                for wi, word in enumerate(words):
+                    a, s = self._synth_natural(word, language, speaker)
+                    if sr is None:
+                        sr = s
+                    a = stretch(a, sr)
+                    if wi > 0:
+                        wpieces.append(np.zeros(int(sr * word_gap), dtype=np.float32))
+                    wpieces.append(a)
+                sent_audio = (
+                    np.concatenate(wpieces)
+                    if wpieces
+                    else np.zeros(1, dtype=np.float32)
+                )
+            else:
+                a, s = self._synth_natural(sent, language, speaker)
+                if sr is None:
+                    sr = s
+                sent_audio = stretch(a, sr)
+
+            if pieces and sentence_gap > 1e-4:
+                pieces.append(np.zeros(int(sr * sentence_gap), dtype=np.float32))
+            pieces.append(sent_audio)
+
+        audio = np.concatenate(pieces) if pieces else np.zeros(1, dtype=np.float32)
+        if sr is None:
+            sr = self._get_model(DEFAULT_LANG).hps.data.sampling_rate
 
         if abs(pitch) > 1e-3 and librosa is not None:
             audio = librosa.effects.pitch_shift(audio, sr, n_steps=pitch)

app/engines/outetts_engine.py

@@ -44,7 +44,12 @@ class OuteTTSEngine(BaseEngine):
                 {"code": "KO", "label": "한국어", "speakers": _VOICES},
             ],
             "default_language": "KO",
-            "supports": {"speed": True, "pitch": True},
+            "supports": {
+                "speed": True,
+                "pitch": True,
+                "word_gap": False,
+                "sentence_gap": False,
+            },
         }
 
     def synth_wav(
@@ -54,6 +59,8 @@ class OuteTTSEngine(BaseEngine):
         speaker: str | None = None,
         speed: float = 1.0,
         pitch: float = 0.0,
+        word_gap: float = 0.0,
+        sentence_gap: float | None = None,
     ) -> bytes:
         text = (text or "").strip()
         if not text:

app/engines/supertonic_engine.py

@@ -52,7 +52,12 @@ class SupertonicEngine(BaseEngine):
                 {"code": "AUTO", "label": "자동 감지 (다국어)", "speakers": _VOICES},
             ],
             "default_language": "KO",
-            "supports": {"speed": True, "pitch": True},
+            "supports": {
+                "speed": True,
+                "pitch": True,
+                "word_gap": False,
+                "sentence_gap": False,
+            },
         }
 
     def synth_wav(
@@ -62,6 +67,8 @@ class SupertonicEngine(BaseEngine):
         speaker: str | None = None,
         speed: float = 1.0,
         pitch: float = 0.0,
+        word_gap: float = 0.0,
+        sentence_gap: float | None = None,
     ) -> bytes:
         text = (text or "").strip()
         if not text:

app/server.py

@@ -39,8 +39,10 @@ class TTSRequest(BaseModel):
     engine: str | None = Field(None, description="엔진 ID (melo / coqui-kss 등)")
     language: str = Field("KR", description="언어 코드")
     speaker: str | None = Field(None, description="화자/모델 ID")
-    speed: float = Field(1.4, ge=0.5, le=2.0, description="말하기 속도")
+    speed: float = Field(1.4, ge=0.5, le=2.0, description="글자(음소) 발화 속도")
     pitch: float = Field(0.0, ge=-12.0, le=12.0, description="피치(반음)")
+    word_gap: float = Field(0.0, ge=0.0, le=1.0, description="단어 사이 무음(초)")
+    sentence_gap: float = Field(0.3, ge=0.0, le=2.0, description="문장 사이 무음(초)")
 
 
 @app.on_event("startup")
@@ -80,6 +82,8 @@ def tts(req: TTSRequest) -> Response:
             speaker=req.speaker,
             speed=req.speed,
             pitch=req.pitch,
+            word_gap=req.word_gap,
+            sentence_gap=req.sentence_gap,
         )
     except ValueError as exc:
         raise HTTPException(status_code=400, detail=str(exc))