# 🎙️ Feuille de Route : Studio IA Multimodal v3 (2026)

**Architecture :** Micro-services isolés via Docker Compose sur VM Vast.ai.  
**Objectif :** Modularité totale, isolation des dépendances et orchestration par LLM.

---

## 🏗️ Phase 1 — Préparation de l'Infrastructure (Le Socle)

> L'objectif est de préparer le terrain pour que les containers puissent discuter entre eux sur un réseau privé.

- [ ] **Dépôt Gitea** : Structurer l'arborescence du projet
  - `/services` : Un sous-dossier par micro-service (Dockerfile + code API)
  - `/models` : Scripts Shell de téléchargement des poids (HuggingFace / CivitAI)
  - `/data` : Volumes Docker persistants pour les sorties (`outputs/`) et les données modèles

- [ ] **Script de Provisioning** : Écrire le `provisioning_script.sh` pour Vast.ai
  - Installation automatisée de Docker Engine & NVIDIA Container Toolkit
  - Clonage du dépôt Git
  - Configuration des permissions et création des dossiers de stockage

---

## 🍳 Phase 2 — Build des Micro-Services (Les Cuisines)

> Chaque service est construit indépendamment pour garantir une stabilité totale.

- [ ] **Service Orchestrateur** : Configurer l'image officielle Ollama *(Gestion des LLM)*
- [ ] **Service Interface** : Configurer l'image Open WebUI *(La "Glue" utilisateur)*
- [ ] **Service Audio — ACE-Step** : Créer le Dockerfile + l'API Python (Gradio/FastAPI)
- [ ] **Service Voix — Zonos** : Créer le Dockerfile dédié *(Environnement Python 3.11+)*
- [ ] **Service Image — ComfyUI** : Préparer l'image optimisée pour Flux.1 et SDXL
- [ ] **Service Foley — Hunyuan** : Créer le service spécifique pour le bruitage vidéo synchronisé

---

## 🎼 Phase 3 — Orchestration (Le Chef d'Orchestre)

> Utilisation de Docker Compose pour lier les services sur une seule machine.

- [ ] **Fichier `docker-compose.yml`**
  - Définir le réseau interne `studio-network`
  - Assigner les ressources GPU via `deploy.resources.reservations`
  - Mapper les ports : `3000` (public) pour le WebUI, les autres en accès restreint

- [ ] **Gestion de la VRAM & RAM**
  - Implémenter des limites mémoire par container
  - Configurer le swap pour éviter les crashs lors des chargements de modèles lourds

---

## 🔌 Phase 4 — Connexion de la "Glue" (Le Câblage)

> Configuration de l'intelligence centrale pour piloter les outils.

- [ ] **Configuration Ollama** : Connecter Open WebUI au container LLM via `http://ollama:11434`

- [ ] **Développement des "Functions"** : Coder les ponts Python internes à Open WebUI vers :
  - `http://ace-step:7860` — Musique
  - `http://zonos:7862` — Voix
  - `http://comfyui:8188` — Image
  - `http://hunyuan-foley:7864` — Foley

- [ ] **System Prompt** : Configurer l'assistant "Studio Manager" pour qu'il route les requêtes vers les bons services

---

## 🚀 Phase 5 — Optimisation & Production

> Passage à l'échelle et fluidification de l'expérience.

- [ ] **Téléchargement des modèles** : Finaliser les scripts `download_models.sh`  
  *(utilisation de `wget -c` pour la reprise sur erreur)*

- [ ] **Persistance** : Valider le montage des volumes pour que les fichiers générés soient accessibles hors des containers

- [ ] **Snapshot final** : Une fois la configuration stable, créer un Snapshot Vast.ai pour un déploiement instantané *(Warm Boot)*

---

## 🛠️ Pourquoi cette architecture gagne en 2026

| Avantage | Détail technique |
|---|---|
| **Modularité** | Tu veux changer de modèle de voix ? Tu mets à jour 1 seul container sans toucher au reste. |
| **Résilience** | Si le service d'image plante, tu peux toujours chatter et générer de la musique. |
| **Scalabilité** | Demain, tu peux mettre Ollama sur un GPU et ACE-Step sur un autre sans réécrire le code. |