fix: 글자 속도를 생성 단계 length_scale(음절 발화 속도)로 변경

- 사후 배속(atempo) 대신 model.tts_to_file(speed=) 로 각 음절(안/녕/하)의
  발음 속도 자체를 조절. 피치 보존, TSM 아티팩트 없음
- _synth_segment/_synth_natural 에 speed 인자 전달, synth_wav 의 사후
  타임스트레치 제거. 단어·문장 간격은 여전히 발화 속도와 독립

app/engines/melo_engine.py

@@ -199,14 +199,15 @@ class MeloEngine(BaseEngine):
         return list(spk2id.values())[0]
 
     def _synth_segment(
-        self, text: str, lang: str, speaker: str | None
+        self, text: str, lang: str, speaker: str | None, speed: float = 1.0
     ) -> tuple[np.ndarray, int]:
-        # 항상 자연 속도(1.0)로 합성 — 속도는 사후 타임스트레치로 처리해 발음 유지
+        # 글자(음절) 발화 속도는 모델 length_scale(=1/speed)로 생성 단계에서 조절.
+        # 각 음절의 발음 자체가 빨라/느려지며(피치 보존), 사후 배속이 아니다.
         model = self._get_model(lang)
         speaker_id = self._resolve_speaker(model, lang, speaker)
         with self._global_lock:
             audio = model.tts_to_file(
-                text, speaker_id, output_path=None, speed=1.0, quiet=True
+                text, speaker_id, output_path=None, speed=speed, quiet=True
             )
         sr = model.hps.data.sampling_rate
         return np.asarray(audio, dtype=np.float32), sr
@@ -273,11 +274,12 @@ class MeloEngine(BaseEngine):
             return np.asarray(out, dtype=np.float32)
 
     def _synth_natural(
-        self, text: str, language: str, speaker: str | None
+        self, text: str, language: str, speaker: str | None, speed: float = 1.0
     ) -> tuple[np.ndarray, int]:
-        """자연 속도(1.0)로 텍스트 한 조각을 합성. AUTO 모드는 언어별로 나눠 합성.
+        """텍스트 한 조각을 합성. AUTO 모드는 언어별로 나눠 합성.
 
-        속도/문장·단어 간격 조절은 이 결과 위에서 처리한다(여기서는 하지 않음).
+        speed 는 모델 length_scale 로 각 음절의 발화 속도를 조절한다(생성 단계).
+        문장·단어 간격은 이 결과 위에서 삽입한다(여기서는 하지 않음).
         """
         if language == "AUTO":
             # 영어 구간엔 사용자가 고른 억양, 한국어 구간엔 KR 음성
@@ -291,7 +293,7 @@ class MeloEngine(BaseEngine):
             gap = None
             for seg_lang, seg_text in parts:
                 seg_spk = spk_by_lang.get(seg_lang, en_speaker)
-                audio, seg_sr = self._synth_segment(seg_text, seg_lang, seg_spk)
+                audio, seg_sr = self._synth_segment(seg_text, seg_lang, seg_spk, speed)
                 if sr is None:
                     sr = seg_sr
                     gap = np.zeros(int(sr * 0.06), dtype=np.float32)
@@ -304,7 +306,7 @@ class MeloEngine(BaseEngine):
                 audios.append(audio)
             audio = np.concatenate(audios) if audios else np.zeros(1, dtype=np.float32)
             return audio, (sr or self._get_model(DEFAULT_LANG).hps.data.sampling_rate)
-        return self._synth_segment(text, language, speaker)
+        return self._synth_segment(text, language, speaker, speed)
 
     # ---- 합성 -----------------------------------------------------
     def synth_wav(
@@ -318,10 +320,11 @@ class MeloEngine(BaseEngine):
         sentence_gap: float | None = None,
     ) -> bytes:
         """세 가지를 독립적으로 조절:
-        - speed: 글자(음소) 발화 속도 — 자연 합성 후 타임스트레치(피치 보존)
+        - 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 추가 무음(초). >0 이면 어절 단위로 나눠 합성
         - sentence_gap: 문장 사이 무음(초)
-        간격은 타임스트레치의 영향을 받지 않아 글자속도와 독립적으로 유지된다.
+        간격은 발화 속도와 무관하게 지정한 초만큼 유지되어 서로 독립적이다.
         """
         text = (text or "").strip()
         if not text:
@@ -338,11 +341,6 @@ class MeloEngine(BaseEngine):
         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] = []
@@ -353,10 +351,9 @@ class MeloEngine(BaseEngine):
                 words = sent.split()
                 wpieces: list[np.ndarray] = []
                 for wi, word in enumerate(words):
-                    a, s = self._synth_natural(word, language, speaker)
+                    a, s = self._synth_natural(word, language, speaker, speed)
                     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)
@@ -366,10 +363,10 @@ class MeloEngine(BaseEngine):
                     else np.zeros(1, dtype=np.float32)
                 )
             else:
-                a, s = self._synth_natural(sent, language, speaker)
+                a, s = self._synth_natural(sent, language, speaker, speed)
                 if sr is None:
                     sr = s
-                sent_audio = stretch(a, sr)
+                sent_audio = a
 
             if pieces and sentence_gap > 1e-4:
                 pieces.append(np.zeros(int(sr * sentence_gap), dtype=np.float32))