feat(voice): wake-word «Космо» в браузере (Шаг 3)

openWakeWord pipeline на onnxruntime-web прямо на планшете. Цепочка:
mic (16kHz, AudioWorklet) → melspectrogram.onnx → embedding_model.onnx
(sliding 76-frame window, stride 8) → cosmo.onnx → score 0..1.

Триггер при score≥0.5 → запускается тот же VAD-flow что и push-to-talk.

- public/wake/ — cosmo.onnx (custom-trained на голос Даниила) +
  melspectrogram.onnx + embedding_model.onnx (~2.9MB вместе).
- lib/wake-word.ts — WakeWordDetector class. ort грузится через
  <script src=/vad/ort.wasm.min.js> на клиенте — обход проблемы next-swc
  с парсингом import.meta.url в onnxruntime-web .mjs билдах.
- VoiceController: тап = активация (нужен для AudioContext user-gesture),
  далее непрерывное слушание wake-word; на детект → MicVAD флоу.
  Долгий тап = выкл. Ручной тап остаётся как fallback.

После деплоя Python-агент на .103 не нужен — можно архивировать
home-voice-assistant. На .103 остаётся только ElevenLabs прокси :8888.

components/VoiceController.tsx

@@ -1,21 +1,27 @@
 'use client'
 
 /**
- * Push-to-talk кнопка-микрофон. Тап → MicVAD ловит речь → автостоп по тишине →
- * /api/voice/stt → /api/voice/chat. Отправляет локальные voice-local события
- * для VoiceOverlay (wake/listening/command), финальный response приходит
- * через SSE с сервера.
+ * Голосовой контроллер.
  *
- * Когда добавим wake-word (Шаг 3) — этот же код переиспользуется, только
- * стартовать VAD будет автоматически по детекту wake-слова.
+ * UX:
+ * - Idle: кнопка-микрофон (перечёркнут). Тап = «активировать ассистента» (нужен
+ *   user gesture чтобы AudioContext стартанул).
+ * - Active: загружаются wake-модели (один раз) → запускается wake-word listener
+ *   на постоянный фон. Кнопка горит фиолетовым, говорит «Космо».
+ *   - Wake-word triggered → MicVAD стартует → onSpeechEnd → STT → chat → TTS.
+ *   - Параллельно тап на кнопку = ручной trigger (как раньше) если wake не
+ *     срабатывает или wake тренировка ещё слабая.
+ * - Tap во время Active → выключает wake и mic полностью.
  */
 import { useEffect, useRef, useState } from 'react'
 import { Mic, MicOff } from 'lucide-react'
+import { WakeWordDetector } from '@/lib/wake-word'
 
 type Agent = 'cosmo' | 'lusya'
-type ControllerState = 'idle' | 'loading' | 'active' | 'busy' | 'error'
+type ControllerState = 'idle' | 'loading' | 'listening' | 'recording' | 'busy' | 'error'
 
-const AGENT: Agent = 'cosmo' // на этом этапе всегда Cosmo; Люся через wake-word на Шаге 3
+const AGENT: Agent = 'cosmo'
+const WAKE_THRESHOLD = 0.5
 
 function emitLocal(event: string, agent: Agent, text?: string) {
   window.dispatchEvent(
@@ -25,26 +31,23 @@ function emitLocal(event: string, agent: Agent, text?: string) {
   )
 }
 
-// Float32Array @ 16kHz → WAV blob (mono, 16-bit PCM).
 function floatToWav(audio: Float32Array, sampleRate = 16000): Blob {
   const numSamples = audio.length
   const buffer = new ArrayBuffer(44 + numSamples * 2)
   const view = new DataView(buffer)
-  // RIFF header
   writeStr(view, 0, 'RIFF')
   view.setUint32(4, 36 + numSamples * 2, true)
   writeStr(view, 8, 'WAVE')
   writeStr(view, 12, 'fmt ')
-  view.setUint32(16, 16, true)        // fmt chunk size
-  view.setUint16(20, 1, true)         // PCM
-  view.setUint16(22, 1, true)         // channels
+  view.setUint32(16, 16, true)
+  view.setUint16(20, 1, true)
+  view.setUint16(22, 1, true)
   view.setUint32(24, sampleRate, true)
-  view.setUint32(28, sampleRate * 2, true) // byte rate
-  view.setUint16(32, 2, true)         // block align
-  view.setUint16(34, 16, true)        // bits per sample
+  view.setUint32(28, sampleRate * 2, true)
+  view.setUint16(32, 2, true)
+  view.setUint16(34, 16, true)
   writeStr(view, 36, 'data')
   view.setUint32(40, numSamples * 2, true)
-  // PCM samples
   let offset = 44
   for (let i = 0; i < numSamples; i++, offset += 2) {
     const s = Math.max(-1, Math.min(1, audio[i]))
@@ -59,23 +62,26 @@ function writeStr(view: DataView, offset: number, s: string) {
 
 export default function VoiceController() {
   const [state, setState] = useState<ControllerState>('idle')
+  const wakeRef = useRef<WakeWordDetector | null>(null)
   const vadRef = useRef<any>(null)
   const busyRef = useRef(false)
 
-  // Cleanup on unmount
   useEffect(() => {
     return () => {
       try { vadRef.current?.destroy?.() } catch {}
+      try { wakeRef.current?.stop?.() } catch {}
       vadRef.current = null
+      wakeRef.current = null
     }
   }, [])
 
+  // Обрабатываем результат VAD-захвата фразы и шлём по pipeline.
   const handleSpeechEnd = async (audio: Float32Array) => {
     if (busyRef.current) return
-    if (audio.length < 16000 * 0.4) return // <0.4с — мусор/эхо
+    if (audio.length < 16000 * 0.4) return
     busyRef.current = true
     setState('busy')
-    emitLocal('listening', AGENT) // показываем что обрабатываем
+    emitLocal('listening', AGENT)
 
     try {
       const wav = floatToWav(audio, 16000)
@@ -91,45 +97,25 @@ export default function VoiceController() {
         emitLocal('idle', AGENT)
         return
       }
-
-      // Chat-эндпоинт сам эмитит command/response через voice-bus → SSE → orb.
       const chatResp = await fetch('/api/voice/chat', {
         method: 'POST',
         headers: { 'Content-Type': 'application/json' },
         body: JSON.stringify({ text: userText, agent: AGENT }),
       })
       if (!chatResp.ok) throw new Error(`chat ${chatResp.status}`)
-      // Ответ уже зачитывается через SSE — здесь больше делать нечего.
     } catch (e) {
       console.error('[voice] pipeline error:', e)
       emitLocal('error', AGENT, 'Не получилось')
     } finally {
       busyRef.current = false
-      setState((s) => (s === 'busy' ? 'active' : s))
+      // После обработки — возвращаем wake-режим (если активен)
+      try { wakeRef.current?.resume?.() } catch {}
+      setState((s) => (s === 'busy' ? 'listening' : s))
     }
   }
 
-  const start = async () => {
-    if (state !== 'idle' && state !== 'error') return
-    setState('loading')
-
-    // 1. Сначала отдельно проверяем mic — иначе ошибка VAD маскирует разрешения.
-    try {
-      const stream = await navigator.mediaDevices.getUserMedia({ audio: true })
-      // VAD откроет свой stream; этот закрываем, мы только проверяли разрешение.
-      stream.getTracks().forEach((t) => t.stop())
-    } catch (e: any) {
-      console.error('[voice] mic permission failed:', e?.name, e?.message)
-      setState('error')
-      const reason = e?.name === 'NotAllowedError' ? 'Нет доступа к микрофону'
-        : e?.name === 'NotFoundError' ? 'Микрофон не найден'
-        : 'Микрофон не открылся'
-      emitLocal('error', AGENT, reason)
-      return
-    }
-
-    // 2. Инициализируем VAD. Single-threaded WASM — без COOP/COEP headers
-    // threaded режим всё равно не заработает, плюс не нужна SharedArrayBuffer.
+  // Создание VAD по запросу: либо после wake-детекта, либо после ручного тапа.
+  const startVAD = async () => {
     try {
       const { MicVAD } = await import('@ricky0123/vad-web')
       const vad = await MicVAD.new({
@@ -151,7 +137,6 @@ export default function VoiceController() {
       })
       vadRef.current = vad
       vad.start()
-      setState('active')
     } catch (e: any) {
       console.error('[voice] VAD init failed:', e?.name, e?.message, e)
       setState('error')
@@ -159,27 +144,110 @@ export default function VoiceController() {
     }
   }
 
-  const stop = () => {
+  const onWakeDetected = async (score: number) => {
+    console.log(`[wake] cosmo score=${score.toFixed(3)}`)
+    if (busyRef.current) return
+    // Пауза wake чтобы VAD-инициализация и команда не триггерили wake снова на эхе.
+    try { wakeRef.current?.pause?.() } catch {}
+    setState('recording')
+    emitLocal('wake', AGENT)
+    // Если VAD ещё не готов — создаём; иначе reset+start.
+    if (!vadRef.current) {
+      await startVAD()
+    } else {
+      try { vadRef.current.start?.() } catch {}
+    }
+  }
+
+  const start = async () => {
+    if (state !== 'idle' && state !== 'error') return
+    setState('loading')
+
+    // 1. Запрос разрешения на микрофон отдельно
+    try {
+      const probe = await navigator.mediaDevices.getUserMedia({ audio: true })
+      probe.getTracks().forEach((t) => t.stop())
+    } catch (e: any) {
+      console.error('[voice] mic permission failed:', e?.name, e?.message)
+      setState('error')
+      emitLocal('error', AGENT, e?.name === 'NotAllowedError' ? 'Нет доступа к микрофону' : 'Микрофон не открылся')
+      return
+    }
+
+    // 2. Запуск wake-word
+    try {
+      const wake = new WakeWordDetector({
+        modelPath: '/wake/cosmo.onnx',
+        threshold: WAKE_THRESHOLD,
+        onWake: (s) => onWakeDetected(s),
+        // onScore: (s) => { if (s > 0.1) console.log('[wake] score', s.toFixed(3)) },
+        onError: (e) => console.warn('[wake] error', e),
+      })
+      await wake.start()
+      wakeRef.current = wake
+      setState('listening')
+    } catch (e: any) {
+      console.error('[wake] init failed:', e)
+      setState('error')
+      emitLocal('error', AGENT, `Wake: ${e?.message?.slice(0, 60) || 'init'}`)
+    }
+  }
+
+  const stop = async () => {
     try { vadRef.current?.pause?.() } catch {}
     try { vadRef.current?.destroy?.() } catch {}
     vadRef.current = null
+    try { await wakeRef.current?.stop?.() } catch {}
+    wakeRef.current = null
     setState('idle')
     emitLocal('idle', AGENT)
   }
 
-  const onTap = () => {
-    if (state === 'idle' || state === 'error') start()
-    else stop()
+  // Долгий тап = ручной триггер (как раньше push-to-talk). Короткий — toggle вкл/выкл.
+  // Для простоты сейчас: короткий тап в idle = активация; короткий тап в active = выкл.
+  const onTap = async () => {
+    if (state === 'idle' || state === 'error') {
+      await start()
+    } else if (state === 'listening') {
+      // ручной trigger — эмулируем wake-event
+      onWakeDetected(1.0)
+    } else {
+      await stop()
+    }
   }
 
-  const isActive = state === 'active' || state === 'busy'
+  const onLongPress = async () => {
+    // Длинный тап всегда выключает (на случай если случайно зашли в плохое состояние)
+    await stop()
+  }
+
+  // primitive long-press detection
+  const pressTimer = useRef<ReturnType<typeof setTimeout> | null>(null)
+  const longPressed = useRef(false)
+  const onPointerDown = () => {
+    longPressed.current = false
+    pressTimer.current = setTimeout(() => {
+      longPressed.current = true
+      onLongPress()
+    }, 700)
+  }
+  const onPointerUp = () => {
+    if (pressTimer.current) clearTimeout(pressTimer.current)
+    pressTimer.current = null
+    if (!longPressed.current) onTap()
+  }
+
+  const isActive = state === 'listening' || state === 'recording' || state === 'busy'
   const isLoading = state === 'loading'
 
   return (
     <button
-      onClick={onTap}
+      onPointerDown={onPointerDown}
+      onPointerUp={onPointerUp}
+      onPointerCancel={() => { if (pressTimer.current) clearTimeout(pressTimer.current); pressTimer.current = null }}
       data-swipe-ignore
-      aria-label={isActive ? 'Выключить микрофон' : 'Включить микрофон'}
+      aria-label={isActive ? 'Выключить ассистента' : 'Активировать ассистента'}
+      title={isActive ? 'Скажи «Космо» · долгий тап = выкл' : 'Тап = активировать'}
       style={{
         position: 'fixed',
         right: 24,