feat: barge-in support — stop TTS when wake word detected during playback

Reviewed-on: #1

.env.example

@@ -35,4 +35,5 @@ FOLLOWUP_TIMEOUT=8
 # Логирование
 LOG_FILE=errors.log
 
-VOICE_SESSION_KEY=agent:main:voice:home
+COSMO_SESSION_KEY=agent:voice:voice:home
+LUSYA_SESSION_KEY=agent:wife:voice:home

requirements.txt

@@ -15,3 +15,8 @@ elevenlabs
 
 # Wake word
 openwakeword
+
+# Русская морфология для нормализации текста под TTS
+num2words
+pymorphy3
+pymorphy3-dicts-ru

satellite/llm.py

@@ -21,17 +21,30 @@ RESET_PATTERNS = re.compile(
     re.IGNORECASE,
 )
 
+# Фразы-заглушки которые агент генерирует ДО вызова инструмента
+FILLER_PATTERNS = re.compile(
+    r'(?:(?:сейчас посмотрю|дай мне секунду|дай секунду|проверяю|загружаю|узнаю'
+    r'|смотрю|одну секунду|я сейчас посмотрю|я проверю|попробую другой источник'
+    r'|нужны конкретные числа|дай мне загрузить)[^.!?]*[.!?]?\s*)+',
+    re.IGNORECASE
+)
+
+def strip_fillers(text: str) -> str:
+    return FILLER_PATTERNS.sub('', text).strip()
+
+
+
 
 def is_reset_command(text: str) -> bool:
     return bool(RESET_PATTERNS.search(text))
 
 
 def ask_agent_stream(text: str, conv=None, agent_id: str = "cosmo") -> str:
-    """
-    Отправляет запрос к OpenClaw gateway как полноценный агент.
-    История хранится на стороне gateway (session_key).
-    conv параметр сохранён для обратной совместимости, не используется.
-    """
+    """Отправляет запрос к OpenClaw gateway и озвучивает ответ."""
+    def _maybe_speak(t: str):
+        if t.strip():
+            speak(t, agent_id)
+
     cfg = AGENTS.get(agent_id, AGENTS["cosmo"])
     gateway_url = cfg["gateway_url"]
     session = cfg["session"]
@@ -61,21 +74,21 @@ def ask_agent_stream(text: str, conv=None, agent_id: str = "cosmo") -> str:
         msg = "Не могу связаться с сервером, попробуй ещё раз."
         print(f"⚠️  {msg}")
         play_error_sound()
-        speak(msg, agent_id)
+        _maybe_speak(msg)
         return msg
     except requests.Timeout:
         log.exception("Gateway таймаут")
         msg = "Сервер не ответил вовремя, попробуй ещё раз."
         print(f"⚠️  {msg}")
         play_error_sound()
-        speak(msg, agent_id)
+        _maybe_speak(msg)
         return msg
     except requests.HTTPError:
         log.exception(f"Gateway HTTP ошибка {resp.status_code}")
         msg = "Ошибка сервера, попробуй ещё раз."
         print(f"⚠️  Gateway {resp.status_code}: {resp.text}")
         play_error_sound()
-        speak(msg, agent_id)
+        _maybe_speak(msg)
         return msg
 
     full_text = ""
@@ -99,9 +112,7 @@ def ask_agent_stream(text: str, conv=None, agent_id: str = "cosmo") -> str:
                         last_punct = find_sentence_end(buffer, min_len=120)
                         if last_punct > -1:
                             sentence = clean_for_speech(buffer[:last_punct + 1])
-                            if sentence.strip():
-                                print(f"🔊 Говорю: {sentence}")
-                                speak(sentence, agent_id)
+                            _maybe_speak(sentence)
                             buffer = buffer[last_punct + 1:].lstrip()
 
                 except (json.JSONDecodeError, KeyError, IndexError):
@@ -112,19 +123,15 @@ def ask_agent_stream(text: str, conv=None, agent_id: str = "cosmo") -> str:
 
     if not full_text:
         msg = "Не получил ответ, попробуй ещё раз."
-        speak(msg, agent_id)
+        _maybe_speak(msg)
         return msg
 
-    result = clean_for_speech(full_text)
+    result = clean_for_speech(strip_fillers(full_text))
 
     if TTS_MODE == "full":
-        if result.strip():
-            print(f"🔊 Говорю: {result}")
-            speak(result, agent_id)
+        _maybe_speak(result)
     else:
         if buffer.strip():
-            tail = clean_for_speech(buffer)
-            if tail:
-                speak(tail, agent_id)
+            _maybe_speak(clean_for_speech(buffer))
 
     return result

satellite/modes.py

@@ -3,27 +3,15 @@ import sys
 
 from .config import GATEWAY_URL, AGENT, log
 from .audio import record
-from .tts import speak, stop_speaking
-from .llm import ask_agent_stream, Conversation, is_reset_command
+from .tts import speak, stop_speaking, is_speaking
+from .llm import ask_agent_stream, is_reset_command
 
-# Персистентные сессии — одна на день для каждого агента
-_sessions: dict[str, Conversation] = {}
-
-
-def _get_session(agent_id: str) -> Conversation:
-    """Возвращает текущую сессию, создаёт новую если день сменился"""
-    conv = _sessions.get(agent_id)
-    if conv is None or conv.is_expired():
-        conv = Conversation(agent_id=agent_id)
-        _sessions[agent_id] = conv
-        print(f"🆕 Новая сессия для {agent_id}")
-    return conv
+WAKE_THRESHOLD = float(os.getenv("WAKE_THRESHOLD", "0.5"))
 
 
 def _handle_reset(text: str, agent_id: str) -> bool:
-    """Проверяет команду сброса. Возвращает True если сброс произошёл."""
+    """Команда сброса — на сервере OpenClaw сессия рулится session_key, клиент только сообщает."""
     if is_reset_command(text):
-        _sessions[agent_id] = Conversation(agent_id=agent_id)
         msg = "Начинаю новую сессию."
         print(f"🔄 {msg}")
         speak(msg, agent_id)
@@ -32,10 +20,7 @@ def _handle_reset(text: str, agent_id: str) -> bool:
 
 
 def _conversation_loop(agent_id: str, agent_name: str = "Cosmo"):
-    """Основной цикл диалога — слушает и отвечает пока пользователь говорит.
-    Выходит когда в течение MAX_DURATION не было речи."""
-    conv = _get_session(agent_id)
-
+    """Основной цикл диалога — слушает и отвечает пока пользователь говорит."""
     while True:
         text = record()
         if not text:
@@ -45,13 +30,10 @@ def _conversation_loop(agent_id: str, agent_name: str = "Cosmo"):
         print(f"📝 Ты → {agent_name}: {text}")
 
         if _handle_reset(text, agent_id):
-            conv = _get_session(agent_id)
             continue
 
-        response = ask_agent_stream(text, conv=conv, agent_id=agent_id)
+        response = ask_agent_stream(text, agent_id=agent_id)
         print(f"🤖 {agent_name}: {response}\n")
-        # после ответа — следующая итерация с новым record()
-        # record() сам гасит эхо через ECHO_WARMUP
 
 
 def run_with_enter():
@@ -94,8 +76,6 @@ def run_with_porcupine():
     stream = audio.open(rate=16000, channels=1, format=pyaudio.paInt16,
                         input=True, frames_per_buffer=1280)
 
-    print("✅ Слушаю через OpenWakeWord...")
-    print("\nСкажи 'Космо'...\n")
     # print("\nСкажи 'Космо' или 'Люся'...\n")  # TODO: после подключения Люси
 
     try:
@@ -108,8 +88,13 @@ def run_with_porcupine():
                 if cosmo_score > 0.1:
                     print(f"PREDICTION cosmo: {cosmo_score:.3f}")
 
-                if cosmo_score > 0.5:
-                    print("✅ Услышал 'Космо'!")
+                if cosmo_score > WAKE_THRESHOLD:
+                    if is_speaking():
+                        # Barge-in: прерываем TTS
+                        print("✋ Barge-in: прерываю ответ")
+                        stop_speaking()
+                        cosmo_model.reset()
+                        continue
                     stream.stop_stream()
                     _conversation_loop("cosmo", "Cosmo")
                     cosmo_model.reset()

satellite/text.py

@@ -1,5 +1,79 @@
 import re
 
+from num2words import num2words
+import pymorphy3
+
+_morph = pymorphy3.MorphAnalyzer()
+
+# Падеж по предлогу перед временем
+_PREP_CASE = {
+    "с": "gent", "со": "gent", "до": "gent", "от": "gent", "после": "gent", "около": "gent",
+    "к": "datv", "ко": "datv",
+    "в": "accs", "во": "accs", "на": "accs", "через": "accs", "за": "accs",
+    "перед": "ablt", "между": "ablt",
+    "о": "loct", "об": "loct", "при": "loct",
+}
+
+
+def _inflect_num(n: int, case: str, gender: str = "masc") -> str:
+    """Число → слова в нужном падеже (одиннадцать → одиннадцати)."""
+    words = num2words(n, lang="ru", to="cardinal")
+    if case == "nomn":
+        return words
+    parts = words.split()
+    out = []
+    for w in parts:
+        p = _morph.parse(w)[0]
+        infl = p.inflect({case})
+        out.append(infl.word if infl else w)
+    return " ".join(out)
+
+
+def _hours_word(n: int, case: str) -> str:
+    """Правильная форма 'час': 1 час, 2-4 часа, 5+ часов — с учётом падежа."""
+    last2 = n % 100
+    last1 = n % 10
+    if 11 <= last2 <= 14:
+        base = "часов"
+    elif last1 == 1:
+        base = "час"
+    elif 2 <= last1 <= 4:
+        base = "часа"
+    else:
+        base = "часов"
+    if case in ("nomn", "accs"):
+        return base
+    p = _morph.parse(base)[0]
+    infl = p.inflect({case, "plur" if base == "часов" else "sing"})
+    return infl.word if infl else base
+
+
+def _minutes_word(n: int, case: str) -> str:
+    last2 = n % 100
+    last1 = n % 10
+    if 11 <= last2 <= 14:
+        base = "минут"
+    elif last1 == 1:
+        base = "минута"
+    elif 2 <= last1 <= 4:
+        base = "минуты"
+    else:
+        base = "минут"
+    if case in ("nomn", "accs"):
+        return base
+    p = _morph.parse(base)[0]
+    infl = p.inflect({case})
+    return infl.word if infl else base
+
+
+def _format_time(h: int, mm: int, case: str) -> str:
+    h_words = _inflect_num(h, case, gender="masc")
+    out = f"{h_words} {_hours_word(h, case)}"
+    if mm:
+        m_words = _inflect_num(mm, case, gender="femn")
+        out += f" {m_words} {_minutes_word(mm, case)}"
+    return out
+
 
 # Единицы измерения со слэшем — раскрываем до чтения слэша
 UNIT_SLASH = [
@@ -29,6 +103,20 @@ def clean_for_speech(text: str) -> str:
     text = re.sub(r'(^|\s)-(\d)', r'\1минус \2', text)
     text = re.sub(r'±(\d)', r'плюс-минус \1', text)
 
+    # время "HH:MM" → слова в падеже по предшествующему предлогу
+    def _time_repl(m):
+        prep = (m.group(1) or "").lower()
+        h, mm = int(m.group(2)), int(m.group(3))
+        if not (0 <= h <= 23 and 0 <= mm <= 59):
+            return m.group(0)
+        case = _PREP_CASE.get(prep, "nomn")
+        words = _format_time(h, mm, case)
+        return f"{prep} {words}" if prep else words
+    text = re.sub(
+        r'(?:\b(с|со|до|от|после|около|к|ко|в|во|на|через|за|перед|между|о|об|при)\s+)?(\d{1,2}):(\d{2})\b',
+        _time_repl, text, flags=re.IGNORECASE,
+    )
+
     # дроби и отношения "12/15" → "12 из 15", "5/10" → "5 из 10"
     text = re.sub(r'(\d+)\s*/\s*(\d+)', r'\1 из \2', text)
     # одиночный слэш — как союз "или"

satellite/tts.py

@@ -70,19 +70,20 @@ def _speak_elevenlabs(text: str, agent_id: str):
         return
 
     voice_settings = VoiceSettings(
-        stability=0.65,         # ниже = живее интонация (для multilingual_v2)
-        similarity_boost=0.6,
-        style=0.45,              # выше = эмоциональнее
+        stability=0.5,         # ниже = живее интонация (для multilingual_v2)
+        similarity_boost=0.8,
+        style=0.0,              # выше = эмоциональнее
         use_speaker_boost=True,
-        speed=1.05
+        speed=1.0
     )
 
     audio_stream = client.text_to_speech.convert(
         text=text,
         voice_id=voice_id,
         model_id=ELEVENLABS_MODEL,
-        output_format="mp3_44100_128",
-        voice_settings=voice_settings
+        output_format="mp3_22050_32",
+        voice_settings=voice_settings,
+        optimize_streaming_latency=3
     )
 
     with _process_lock: