## Mục tiêu

Tạo ra một giao diện trực quan mới không phải để chỉnh sửa mang tính thẩm mỹ cho một `VoiceScenario` đã có sẵn, mà là một **phòng thí nghiệm tổng hợp giọng nói thử nghiệm**.

Nhiệm vụ chính của giao diện là cho phép khám phá thủ công:

- những tham số tổng hợp nào;
- theo trình tự nào;
- vào những thời điểm nào;
- với những giá trị và quy luật thay đổi nào

tạo ra kết quả âm thanh này hay kết quả âm thanh khác.

Chúng ta KHÔNG giả định trước rằng chúng ta biết kịch bản chính xác cho một âm thanh cụ thể. Giao diện này cần thiết chính là để tìm kiếm: người dùng di chuyển các điểm thời gian và tham số, nghe kết quả, sau đó các âm thanh thú vị tìm được có thể được lưu lại và chuyển đi cùng với nhật ký/kịch bản để phân tích tiếp theo.

---

## Mô hình giao diện chung

Giao diện nên được tổ chức như một biểu đồ thời gian đa rãnh, có logic tương đồng đồng thời với:

- các rãnh tự động hóa (automation lanes) trong DAW;
- trình chỉnh sửa khung hình chính (keyframe editor);
- biểu đồ Gantt nhưng chỉ theo nghĩa là trục thời gian chung và đồng bộ hóa sự kiện.

Đây KHÔNG phải là biểu đồ Gantt cổ điển cũng không phải là danh sách các lệnh `set/animate`.

### Tọa độ

Đối với mỗi rãnh:

- trục ngang = thời gian;
- trục dọc = giá trị tham số;
- tham số được đặt bởi một tập hợp các điểm có thể chỉnh sửa `(time, value)`;
- có thể kéo điểm theo chiều ngang để thay đổi thời điểm sự kiện;
- có thể kéo điểm theo chiều dọc để thay đổi giá trị;
- quy luật chuyển đổi giữa các điểm được thiết lập.

UI có thể chuẩn hóa thang đo dọc về `0..1`, nhưng giá trị vật lý của tham số phải giữ nguyên phạm vi và đơn vị của riêng nó (`Hz`, gain, v.v.).

---

## Thời lượng âm thanh tổng thể riêng biệt

Cần có một tham số độc lập về **tổng thời lượng kịch bản**.

Điều này mang tính nguyên tắc: các tham số điều khiển có thể được thiết lập hoặc thay đổi chỉ ở phần đầu, nhưng trạng thái thu được phải tiếp tục phát ra âm thanh trong thời gian dài.

Ví dụ về mô hình ngữ nghĩa:

- thiết lập ngắn trạng thái và giữ âm `AAAAA` dài;
- các sự kiện sớm hình thành `MA`, sau đó trạng thái tiếp tục giữ `AAAAAAA` trong thời gian dài;
- sau điểm keyframe cuối cùng, giá trị của mỗi điều khiển tiếp tục được giữ cho đến tổng thời lượng của kịch bản.

Thời lượng không được tự động cắt bớt theo điểm điều khiển cuối cùng.

---

## Phát lại vòng lặp (Cyclic Playback)

Bắt buộc phải trang bị công tắc **"Lặp lại" (Loop)**.

Ở chế độ lặp lại:

- kịch bản được phát lại ngay lập tức sau khi kết thúc;
- người dùng không cần phải nhấn Play mỗi lần;
- các thay đổi về tham số/điểm phải có hiệu lực trong chu kỳ phát lại tiếp theo;
- người dùng có thể di chuyển một điểm hoặc giá trị và nghe thấy một vài biến thể kết quả qua một vài lần lặp liên tiếp.

Đây là chế độ quan trọng để tìm kiếm âm thanh thủ công.

---

## Các rãnh tham số

Ở giai đoạn đầu, trình chỉnh sửa phải hoạt động với tất cả các tham số hiện có của `VoiceControlState`.

Đối với mỗi rãnh, cần nhìn thấy:

- tên control;
- giá trị vật lý của nó;
- vị trí được chuẩn hóa trong thang đo dọc;
- các điểm keyframe;
- việc giữ giá trị giữa các sự kiện;
- hình dạng chuyển đổi giữa các điểm.

Trình chỉnh sửa phải hiển thị quỹ đạo thời gian thực tế của tham số, chứ không chỉ các phân đoạn `animate` hoạt động.

---

## Các loại chuyển đổi và bộ biến đổi

Kiến trúc phải được thiết kế ngay từ đầu sao cho giữa các điểm không chỉ tồn tại một loại `animate` duy nhất.

Cần có một mô hình mở rộng về **bộ biến đổi / bộ điều chế** khoảng thời gian.

Tối thiểu phải dự trù khả năng có các loại khác nhau trong tương lai:

- hold / giá trị không đổi;
- linear transition (chuyển đổi tuyến tính);
- bezier transition (chuyển đổi Bezier);
- bộ điều chế định kỳ;
- điều chế hình sin theo công thức;
- xung / burst;
- nhịp đập lặp đi lặp lại;
- điều chế nhiễu hoặc ngẫu nhiên khác;
- các hàm thời gian khác.

Nghĩa là, trong tương lai, trên dòng thời gian không chỉ có thể đặt keyframe mà còn cả **bộ biến đổi**, tạo ra một quỹ đạo tham số phức tạp trong khoảng thời gian đã cho.

Ví dụ ý nghĩa: tham số có thể có một cơ sở ổn định, nhưng bên trên nó tại một khoảng thời gian sẽ có sự điều chế định kỳ hoạt động.

---

## Mối liên hệ với sinh lý học giọng nói

Kiến trúc của trình chỉnh sửa không thể được thiết kế theo kiểu mỗi control hoàn toàn độc lập về mặt vật lý.

Con người chỉ có một cơ quan phát âm:

- một lưỡi;
- một cấu hình môi;
- một khoang miệng;
- một ống thanh quản;
- một hệ thống dây thanh quản và luồng không khí.

Không thể đồng thời đặt các trạng thái cấu âm loại trừ lẫn nhau như thể tồn tại hai ngôn ngữ độc lập hoặc hai hình dạng miệng độc lập.

Trong khi DSP hiện tại hoạt động trong không gian âm học (`f0`, tính tuần hoàn, nhiễu, cộng hưởng, gain, v.v.), trình chỉnh sửa phải được thiết kế để trong tương lai có thể đưa vào **các bộ biến đổi sinh lý/cấu âm được ghép nối**, điều khiển đồng thời nhiều control DSP một cách đồng bộ.

Ví dụ về các bộ biến đổi ngữ nghĩa có thể xuất hiện sau:

- mở/đóng miệng;
- thay đổi vị trí lưỡi;
- tích lũy và giải phóng (release) áp suất;
- tiếng nổ ngắn (burst);
- luồng không khí ổn định;
- rung/đập cơ quan cấu âm cho âm `R`;
- chuyển đổi giữa các trạng thái cấu âm.

Quan trọng: đây không phải là yêu cầu phải triển khai ngay lập tức một mô hình sinh lý học đầy đủ. Yêu cầu là **không đóng lại khả năng đó bằng kiến trúc**.

---

## Ý nghĩa đặc biệt của cấu trúc thời gian

Trình chỉnh sửa phải xuất phát từ thực tế là âm thanh chỉ có ý nghĩa trong thời gian.

Ví dụ, một phụ âm tắc không phải là một giá trị tham số duy nhất, mà là một chuỗi các pha:

- chuẩn bị/đóng;
- tích lũy;
- release (giải phóng);
- burst (nổ);
- phần đuôi nhiễu hoặc giọng nói;
- chuyển sang âm thanh tiếp theo.

Và một âm thanh kéo dài có thể là kết quả của một trạng thái ổn định được giữ trong thời gian dài sau một quá trình chuyển đổi đầu vào ngắn.

Do đó, người dùng phải nhìn thấy và chỉnh sửa **thành phần các pha theo thời gian**, chứ không chỉ là một danh sách các con số.

---

## Những gì cần lưu trữ

Thí nghiệm đã tìm thấy phải có khả năng tái tạo.

Cần có khả năng lưu trữ:

- tổng thời lượng;
- tất cả các rãnh và keyframe;
- các loại chuyển đổi/bộ biến đổi;
- các tham số của chúng;
- `VoiceScenario` cuối cùng hoặc biểu diễn có thể biên dịch;
- siêu dữ liệu thí nghiệm nếu cần thiết.

`VoiceScenario` hiện tại có thể được sử dụng như một runtime/định dạng thực thi, nhưng UI không được giới hạn bởi hình thức tập trung vào lệnh hiện tại của nó. Cho phép sử dụng một định dạng thử nghiệm/keyframe riêng biệt được biên dịch thành biểu diễn runtime.

---

## Mối liên hệ với runtime hiện có

Trình chỉnh sửa phải sử dụng cùng một runtime chung `VoiceScenario` được sử dụng bởi bộ tổng hợp và bộ trực quan hóa, sau khi tái cấu trúc thích hợp.

Không thể có ngữ nghĩa thực thi tham số riêng biệt chỉ bên trong UI.

Âm thanh thực tế và các quỹ đạo được hiển thị thực tế phải xuất phát từ một máy trạng thái (state machine) duy nhất.

---

## Điều gì KHÔNG phải là mục tiêu của giai đoạn đầu

Hiện tại không yêu cầu:

- tự động đoán âm thanh chính xác;
- tự động xây dựng một âm vị (phoneme);
- thêm các chỉ số âm học mới chỉ vì mục đích trực quan hóa;
- xây dựng ngay lập tức một mô hình sinh lý học đầy đủ của cơ quan phát âm;
- thay thế bộ giải mã (decoder).

Mục tiêu ứng dụng đầu tiên là **đơn giản hóa tối đa việc thử nghiệm thủ công**:

1. nhanh chóng sắp xếp các điểm thời gian;
2. thay đổi các giá trị;
3. nghe kết quả trong vòng lặp;
4. hiểu trình tự các hành động của chính mình;
5. lưu các tùy chọn thành công;
6. chuyển giao kịch bản tìm được và nhật ký của nó để phân tích thêm.

---

## Tiêu chí kết quả

Người dùng có thể mở phòng thí nghiệm, đặt tổng thời lượng, bật `Lặp lại` (Cyclic), sắp xếp và di chuyển các điểm keyframe của một vài tham số dọc theo trục thời gian chung và liên tục nghe thấy sự thay đổi ảnh hưởng như thế nào đến âm thanh.

Giao diện nên giúp ích chính xác trong việc **tìm kiếm các âm thanh chưa biết trước**, chứ không yêu cầu phải hiểu trước xem cần viết JSON gì.

Trình chỉnh sửa đa rãnh tương tác để thử nghiệm thủ công với các thông số tổng hợp theo thời gian, nghe lặp lại và tìm kiếm các âm thanh thú vị.

Tạo phòng thí nghiệm trực quan kịch bản thời gian VoiceSynthesizer

![](</images/resized/middle/cmkppub1z0002mu0z427kxsay/1789428405800-Screenshot From 2026-09-15 02-21-05.png>)

Nhật ký công việc cho nhiệm vụ "Tạo phòng thí nghiệm trực quan kịch bản thời gian VoiceSynthesizer"

Nhiệm vụ: Tạo phòng thí nghiệm trực quan kịch bản thời gian VoiceSynthesizer