All checks were successful
Deploy / deploy (push) Successful in 6m53s
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.
192 lines
6.6 KiB
TypeScript
192 lines
6.6 KiB
TypeScript
'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>
|
||
)
|
||
}
|