feat(voice): push-to-talk button — браузерный mic+VAD pipeline

Шаг 2 миграции: убираем зависимость от Python-агента для базового
голосового сценария. Тап на круглую кнопку-микрофон в правом нижнем
углу → MicVAD (Silero v5) ловит речь → автостоп по тишине → /api/voice/stt
→ /api/voice/chat → ответ через SSE и TTS как раньше.

- components/VoiceController.tsx — push-to-talk UI + MicVAD orchestration
- VoiceOverlay теперь слушает window CustomEvent('voice-local'), чтобы
  орб моргал ещё до round-trip на сервер (wake/listening мгновенно).
- public/vad/ — silero v5/legacy onnx + ort wasm + audio worklet,
  раздаются через baseAssetPath: '/vad/' (не зависит от внешнего CDN,
  важно если планшет без интернета или с RU-блоком).

Что осталось от home-voice-assistant: только wake-word. После Шага 3
(onnxruntime-web + перенос openwakeword .onnx) Python-агент уйдёт целиком.

components/VoiceController.tsx

@@ -0,0 +1,191 @@
+'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.
+ *
+ * Когда добавим wake-word (Шаг 3) — этот же код переиспользуется, только
+ * стартовать VAD будет автоматически по детекту wake-слова.
+ */
+import { useEffect, useRef, useState } from 'react'
+import { Mic, MicOff } from 'lucide-react'
+
+type Agent = 'cosmo' | 'lusya'
+type ControllerState = 'idle' | 'loading' | 'active' | 'busy' | 'error'
+
+const AGENT: Agent = 'cosmo' // на этом этапе всегда Cosmo; Люся через wake-word на Шаге 3
+
+function emitLocal(event: string, agent: Agent, text?: string) {
+  window.dispatchEvent(
+    new CustomEvent('voice-local', {
+      detail: { event, agent, text, timestamp: new Date().toISOString() },
+    }),
+  )
+}
+
+// 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(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
+  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]))
+    view.setInt16(offset, s < 0 ? s * 0x8000 : s * 0x7fff, true)
+  }
+  return new Blob([buffer], { type: 'audio/wav' })
+}
+
+function writeStr(view: DataView, offset: number, s: string) {
+  for (let i = 0; i < s.length; i++) view.setUint8(offset + i, s.charCodeAt(i))
+}
+
+export default function VoiceController() {
+  const [state, setState] = useState<ControllerState>('idle')
+  const vadRef = useRef<any>(null)
+  const busyRef = useRef(false)
+
+  // Cleanup on unmount
+  useEffect(() => {
+    return () => {
+      try { vadRef.current?.destroy?.() } catch {}
+      vadRef.current = null
+    }
+  }, [])
+
+  const handleSpeechEnd = async (audio: Float32Array) => {
+    if (busyRef.current) return
+    if (audio.length < 16000 * 0.4) return // <0.4с — мусор/эхо
+    busyRef.current = true
+    setState('busy')
+    emitLocal('listening', AGENT) // показываем что обрабатываем
+
+    try {
+      const wav = floatToWav(audio, 16000)
+      const sttResp = await fetch('/api/voice/stt', {
+        method: 'POST',
+        headers: { 'Content-Type': 'audio/wav' },
+        body: wav,
+      })
+      if (!sttResp.ok) throw new Error(`stt ${sttResp.status}`)
+      const { text } = await sttResp.json()
+      const userText = (text || '').trim()
+      if (!userText || userText.length < 2) {
+        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))
+    }
+  }
+
+  const start = async () => {
+    if (state !== 'idle' && state !== 'error') return
+    setState('loading')
+    try {
+      const { MicVAD } = await import('@ricky0123/vad-web')
+      const vad = await MicVAD.new({
+        model: 'v5',
+        baseAssetPath: '/vad/',
+        onnxWASMBasePath: '/vad/',
+        // sensitivity tuned conservatively — тише = меньше ложных срабатываний эха
+        positiveSpeechThreshold: 0.6,
+        negativeSpeechThreshold: 0.45,
+        minSpeechMs: 160,    // ~5 фреймов по 32мс
+        redemptionMs: 750,   // тишина перед onSpeechEnd
+        onSpeechStart: () => {
+          emitLocal('wake', AGENT)
+        },
+        onSpeechEnd: handleSpeechEnd,
+      })
+      vadRef.current = vad
+      vad.start()
+      setState('active')
+    } catch (e) {
+      console.error('[voice] VAD init failed:', e)
+      setState('error')
+      emitLocal('error', AGENT, 'Микрофон недоступен')
+    }
+  }
+
+  const stop = () => {
+    try { vadRef.current?.pause?.() } catch {}
+    try { vadRef.current?.destroy?.() } catch {}
+    vadRef.current = null
+    setState('idle')
+    emitLocal('idle', AGENT)
+  }
+
+  const onTap = () => {
+    if (state === 'idle' || state === 'error') start()
+    else stop()
+  }
+
+  const isActive = state === 'active' || state === 'busy'
+  const isLoading = state === 'loading'
+
+  return (
+    <button
+      onClick={onTap}
+      data-swipe-ignore
+      aria-label={isActive ? 'Выключить микрофон' : 'Включить микрофон'}
+      style={{
+        position: 'fixed',
+        right: 24,
+        bottom: 24,
+        zIndex: 250,
+        width: 64,
+        height: 64,
+        borderRadius: '50%',
+        border: 'none',
+        cursor: 'pointer',
+        background: isActive
+          ? 'linear-gradient(135deg, #7c3aed 0%, #a5b4fc 100%)'
+          : 'rgba(255,255,255,0.08)',
+        backdropFilter: 'blur(20px)',
+        WebkitBackdropFilter: 'blur(20px)' as any,
+        boxShadow: isActive
+          ? '0 0 32px rgba(124, 58, 237, 0.6), 0 8px 24px rgba(0,0,0,0.4)'
+          : '0 4px 12px rgba(0,0,0,0.3)',
+        color: isActive ? '#fff' : 'rgba(255,255,255,0.65)',
+        display: 'flex',
+        alignItems: 'center',
+        justifyContent: 'center',
+        transition: 'background 0.25s, box-shadow 0.25s, transform 0.15s',
+        transform: isLoading ? 'scale(0.92)' : 'scale(1)',
+      }}
+    >
+      {isActive ? <Mic size={28} /> : <MicOff size={28} />}
+    </button>
+  )
+}

components/VoiceOverlay.tsx

@@ -105,61 +105,56 @@ export default function VoiceOverlay() {
     let retry: ReturnType<typeof setTimeout> | null = null
     let closedByUs = false
 
+    // Единый обработчик для SSE и локальных CustomEvent от VoiceController.
+    const handleEvent = (evt: VoiceEvent) => {
+      const currentAgent: Agent = evt.agent ?? agent
+      if (evt.agent) setAgent(evt.agent)
+
+      // Safety: если событийный поток заглохнет, через 60с сами закроемся.
+      const armSafety = () => scheduleDismiss(60_000)
+
+      if (evt.event === 'wake') {
+        stopAudio()
+        setState('wake')
+        setText('')
+        armSafety()
+      } else if (evt.event === 'listening') {
+        setState('listening')
+        armSafety()
+      } else if (evt.event === 'command') {
+        setState('command')
+        setText(evt.text || '')
+        armSafety()
+      } else if (evt.event === 'response') {
+        setState('response')
+        setText(evt.text || '')
+        clearDismiss()
+        if (evt.text) {
+          playTTS(evt.text, currentAgent, () => scheduleDismiss(4000))
+        } else {
+          scheduleDismiss(4000)
+        }
+      } else if (evt.event === 'error') {
+        setState('error')
+        setText(evt.text || 'Ошибка')
+        clearDismiss()
+        if (evt.text) {
+          playTTS(evt.text, currentAgent, () => scheduleDismiss(3000))
+        } else {
+          scheduleDismiss(3000)
+        }
+      } else if (evt.event === 'idle') {
+        clearDismiss()
+        stopAudio()
+        setState('idle')
+      }
+    }
+
     const connect = () => {
       es = new EventSource('/api/voice/stream')
-
       es.onmessage = (e) => {
-        try {
-          const evt: VoiceEvent = JSON.parse(e.data)
-          const currentAgent: Agent = evt.agent ?? agent
-          if (evt.agent) setAgent(evt.agent)
-
-          // Safety: если Python упадёт и не пришлёт idle, через 60с сами закроемся.
-          const armSafety = () => scheduleDismiss(60_000)
-
-          if (evt.event === 'wake') {
-            // Свежая активация: barge-in аудио, чистим текст.
-            stopAudio()
-            setState('wake')
-            setText('')
-            armSafety()
-          } else if (evt.event === 'listening') {
-            // Follow-up: сохраняем последний текст, орб мягко пульсирует.
-            setState('listening')
-            armSafety()
-          } else if (evt.event === 'command') {
-            setState('command')
-            setText(evt.text || '')
-            armSafety()
-          } else if (evt.event === 'response') {
-            setState('response')
-            setText(evt.text || '')
-            // Dismiss ТОЛЬКО когда аудио доиграло (не по таймеру!).
-            // После окончания даём Python шанс прислать listening/wake/command — тогда
-            // scheduleDismiss перезатрётся. Иначе через 4с автозакрытие.
-            clearDismiss()
-            if (evt.text) {
-              playTTS(evt.text, currentAgent, () => scheduleDismiss(4000))
-            } else {
-              scheduleDismiss(4000)
-            }
-          } else if (evt.event === 'error') {
-            setState('error')
-            setText(evt.text || 'Ошибка')
-            clearDismiss()
-            if (evt.text) {
-              playTTS(evt.text, currentAgent, () => scheduleDismiss(3000))
-            } else {
-              scheduleDismiss(3000)
-            }
-          } else if (evt.event === 'idle') {
-            clearDismiss()
-            stopAudio()
-            setState('idle')
-          }
-        } catch {}
+        try { handleEvent(JSON.parse(e.data) as VoiceEvent) } catch {}
       }
-
       es.onerror = () => {
         if (closedByUs) return
         es?.close()
@@ -169,12 +164,20 @@ export default function VoiceOverlay() {
 
     connect()
 
+    // Локальные события (push-to-talk до round-trip на сервер).
+    const onLocal = (e: Event) => {
+      const detail = (e as CustomEvent<VoiceEvent>).detail
+      if (detail) handleEvent(detail)
+    }
+    window.addEventListener('voice-local', onLocal as EventListener)
+
     return () => {
       closedByUs = true
       clearDismiss()
       stopAudio()
       if (retry) clearTimeout(retry)
       es?.close()
+      window.removeEventListener('voice-local', onLocal as EventListener)
     }
     // eslint-disable-next-line react-hooks/exhaustive-deps
   }, [])