#!/bin/bash
# Container-Entrypoint: startet den vLLM-Omni TTS-Server und feuert nach
# Erreichen von /health einmalig einen Warmup-Request ab. Dieser absorbiert
# die einmalige torch.compile/CUDA-Graph-Kompilierung (~38 s), damit kein
# echter Nutzer-Request sie je trifft. Läuft bei JEDEM Containerstart
# (Reboot, Crash-Restart, manuell).
set -e

MODEL="Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice"
PORT=8091

# --- Server im Hintergrund starten ---
vllm-omni serve "$MODEL" \
  --omni \
  --host 0.0.0.0 \
  --port "$PORT" \
  --deploy-config /deploy/qwen3_tts.yaml \
  --gpu-memory-utilization 0.10 \
  --trust-remote-code &
SERVER_PID=$!

# --- Warmup im Hintergrund, sobald der Server gesund ist ---
(
  for _ in $(seq 1 150); do
    if curl -sf "http://localhost:${PORT}/health" >/dev/null 2>&1; then
      echo "[warmup] Server gesund — sende Warmup-Request (kompiliert CUDA-Graphen)..."
      t0=$SECONDS
      curl -sf -X POST "http://localhost:${PORT}/v1/audio/speech" \
        -H 'Content-Type: application/json' \
        -d "{\"model\":\"${MODEL}\",\"input\":\"System wird aufgewärmt.\",\"voice\":\"Ryan\",\"language\":\"German\",\"response_format\":\"wav\"}" \
        -o /dev/null \
        && echo "[warmup] fertig nach $(( SECONDS - t0 ))s — Server ist jetzt heiß." \
        || echo "[warmup] fehlgeschlagen (Server läuft trotzdem)."
      break
    fi
    sleep 2
  done
) &

# --- Auf den Server-Prozess warten (PID 1 Signalweiterleitung) ---
wait "$SERVER_PID"