analyze-chatterbox-emotions

¿Qué hace analyze-chatterbox-emotions?

Evalúa un render generado por Chatterbox como un artefacto de calidad de voz, no como una afirmación sobre la emoción real del hablante.

Úsalo cuando un render de Chatterbox o Persona Dream necesite pruebas de que las etiquetas emocionales, pausas, ritmo y calidad de audio se comportaron según lo solicitado.

Contrato

Entrada:

./run.sh analyze --audio ruta/al/render.wav \
  --expected-text "texto fuente opcional" \
  --target-label tranquilizador \
  --target-arousal 0.35 \
  --target-valence 0.4 \
  --out /tmp/chatterbox_voice_eval.json \
  --report /tmp/chatterbox_voice_eval.md

Esquema JSON de salida: analyze_chatterbox_emotions.voice_eval.v1.

El evaluador informa:

• affect: etiqueta objetivo más proxies acústicos de activación/valencia y una puntuación de compatibilidad.
• prosody: duración, tasa de habla estimada, proxy de RMS/sonoridad, estimaciones de F0 cuando estén disponibles.
• pauses: relación de silencio, tramos de pausa detectados y comparación de pausas planificadas vs. medidas cuando se proporcione un plan de renderizado de Chatterbox o un turno de conversación.
• quality: recortes, amplitud máxima, banderas de discontinuidad y advertencias de señal baja.
• intelligibility: recuento de palabras del texto esperado y campos opcionales de transcripción; esta habilidad no inventa silenciosamente ASR.

Entradas opcionales

• --render-plan ruta.json: render_plan.json de Chatterbox, recibo de diario de Persona Dream, recibo de conversación dinámica o un JSON de turno de conversación que contenga chatterbox_pause_plan.
• --transcript "texto": transcripción ASR proporcionada por el llamante. Si se omite, la similitud de transcripción es null y se enumera como no-afirmación.

Veredictos

• pass: sin fallos técnicos graves y puntuación >= 75.
• review: puntuación 50-74 o evidencia importante faltante, como ninguna transcripción ASR.
• fail: problema técnico grave, audio inutilizable, recorte severo, audio faltante o puntuación < 50.

La puntuación es una señal de evaluación ponderada, no una verdad absoluta:

0.35 affect_match + 0.25 inteligibilidad + 0.20 prosodia + 0.20 calidad_técnica

Límites importantes

• No digas que la persona o persona "está triste/enojada/feliz". Di que la forma de onda y los clasificadores/proxies disponibles son compatibles o incompatibles con el objetivo solicitado.
• Los modelos de reconocimiento de emociones del habla son señales opcionales. Si no están disponibles, esta habilidad aún emite métricas de proxy acústico y registra emotion_classifier.available=false.
• Las pausas exactas se verifican a partir de la forma de onda cuando sea posible; pause_after_ms en un plan de renderizado es solo la pausa solicitada.

Mantenimiento

Ejecuta:

./sanity.sh
../agentic-evals/run.sh run fixtures/agentic_eval.json --output /tmp/analyze-chatterbox-emotions-agentic-eval.json