f74b10ba38
All checks were successful
Deploy / deploy (push) Successful in 1m51s
Параллельный getUserMedia от MicVAD конфликтует со stream'ом wake-word — видимо Chrome применяет AGC/NS по-разному и wake получает «глухое» аудио. Score упал с 0.988 до 0.093 — wake перестал срабатывать. Возвращаемся: VAD создаётся ПОСЛЕ первого wake (~1-2с пауза), но cancel/onSpeechEnd теперь только pause (не destroy), так что повторные wake мгновенные.
311 lines
12 KiB
TypeScript
311 lines
12 KiB
TypeScript
'use client'
|
||
|
||
/**
|
||
* Голосовой контроллер.
|
||
*
|
||
* 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' | 'listening' | 'recording' | 'busy' | 'error'
|
||
|
||
const AGENT: Agent = 'cosmo'
|
||
const WAKE_THRESHOLD = 0.5
|
||
|
||
function emitLocal(event: string, agent: Agent, text?: string) {
|
||
window.dispatchEvent(
|
||
new CustomEvent('voice-local', {
|
||
detail: { event, agent, text, timestamp: new Date().toISOString() },
|
||
}),
|
||
)
|
||
}
|
||
|
||
function floatToWav(audio: Float32Array, sampleRate = 16000): Blob {
|
||
const numSamples = audio.length
|
||
const buffer = new ArrayBuffer(44 + numSamples * 2)
|
||
const view = new DataView(buffer)
|
||
writeStr(view, 0, 'RIFF')
|
||
view.setUint32(4, 36 + numSamples * 2, true)
|
||
writeStr(view, 8, 'WAVE')
|
||
writeStr(view, 12, 'fmt ')
|
||
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)
|
||
view.setUint16(32, 2, true)
|
||
view.setUint16(34, 16, true)
|
||
writeStr(view, 36, 'data')
|
||
view.setUint32(40, numSamples * 2, true)
|
||
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 wakeRef = useRef<WakeWordDetector | null>(null)
|
||
const vadRef = useRef<any>(null)
|
||
const busyRef = useRef(false)
|
||
|
||
useEffect(() => {
|
||
console.log('[VoiceController] mounted, state=idle, ждём тап на микрофон')
|
||
|
||
// Кнопка X в overlay шлёт voice-cancel → ставим VAD на паузу
|
||
// (НЕ destroy — иначе следующий wake снова будет ждать 1-2с на инициализацию).
|
||
const onCancel = () => {
|
||
console.log('[voice] cancel — пауза VAD')
|
||
try { vadRef.current?.pause?.() } catch {}
|
||
busyRef.current = false
|
||
try { wakeRef.current?.resume?.() } catch {}
|
||
setState((s) => (wakeRef.current ? 'listening' : 'idle'))
|
||
emitLocal('idle', AGENT)
|
||
}
|
||
window.addEventListener('voice-cancel', onCancel)
|
||
|
||
return () => {
|
||
window.removeEventListener('voice-cancel', onCancel)
|
||
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
|
||
busyRef.current = true
|
||
setState('busy')
|
||
emitLocal('listening', AGENT)
|
||
|
||
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
|
||
}
|
||
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}`)
|
||
} catch (e) {
|
||
console.error('[voice] pipeline error:', e)
|
||
emitLocal('error', AGENT, 'Не получилось')
|
||
} finally {
|
||
busyRef.current = false
|
||
// VAD на паузу — переиспользуем при следующем wake (без re-init).
|
||
try { vadRef.current?.pause?.() } catch {}
|
||
// Wake возобновляем — снова слушаем фоном.
|
||
try { wakeRef.current?.resume?.() } catch {}
|
||
setState((s) => (s === 'busy' ? 'listening' : s))
|
||
}
|
||
}
|
||
|
||
// Однократная инициализация VAD. Создаётся в paused-состоянии и переиспользуется
|
||
// на каждый wake — без этого пауза до первой записи ~1-2с.
|
||
const initVAD = async () => {
|
||
if (vadRef.current) return
|
||
try {
|
||
const { MicVAD } = await import('@ricky0123/vad-web')
|
||
const vad = await MicVAD.new({
|
||
model: 'v5',
|
||
baseAssetPath: '/vad/',
|
||
onnxWASMBasePath: '/vad/',
|
||
ortConfig: (ort: any) => {
|
||
ort.env.wasm.numThreads = 1
|
||
ort.env.wasm.simd = true
|
||
},
|
||
positiveSpeechThreshold: 0.6,
|
||
negativeSpeechThreshold: 0.45,
|
||
minSpeechMs: 160,
|
||
redemptionMs: 750,
|
||
onSpeechStart: () => emitLocal('wake', AGENT),
|
||
onSpeechEnd: handleSpeechEnd,
|
||
})
|
||
vadRef.current = vad
|
||
// Не вызываем start — ждём пока wake-word триггернёт.
|
||
console.log('[voice] VAD preloaded (paused)')
|
||
} catch (e: any) {
|
||
console.error('[voice] VAD init failed:', e?.name, e?.message, e)
|
||
// Не вырубаем wake — может на ручной trigger ещё попробуем
|
||
emitLocal('error', AGENT, `VAD: ${e?.message?.slice(0, 60) || 'init'}`)
|
||
}
|
||
}
|
||
|
||
const onWakeDetected = async (score: number) => {
|
||
console.log(`[wake] cosmo score=${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)
|
||
// VAD должен быть уже preloaded — мгновенный старт.
|
||
if (!vadRef.current) await initVAD()
|
||
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 {
|
||
// Логируем периодически max-score и просто что pipeline жив, чтобы было
|
||
// видно, что инференс идёт.
|
||
let maxScore = 0
|
||
let scoreCount = 0
|
||
const wake = new WakeWordDetector({
|
||
modelPath: '/wake/cosmo.onnx',
|
||
threshold: WAKE_THRESHOLD,
|
||
onWake: (s) => onWakeDetected(s),
|
||
onScore: (s) => {
|
||
if (s > maxScore) maxScore = s
|
||
scoreCount++
|
||
if (scoreCount % 25 === 0) {
|
||
console.log(`[wake] alive · max score за окно=${maxScore.toFixed(3)} · scoreCount=${scoreCount}`)
|
||
maxScore = 0
|
||
}
|
||
if (s > 0.15) console.log(`[wake] score=${s.toFixed(3)}`)
|
||
},
|
||
onError: (e) => console.warn('[wake] error', e),
|
||
})
|
||
await wake.start()
|
||
wakeRef.current = wake
|
||
setState('listening')
|
||
// VAD НЕ прелоадим — его второй getUserMedia мешает wake-word audio.
|
||
// Грузится при первом wake (~1-2с), но дальше переиспользуется (см. handleSpeechEnd).
|
||
} catch (e: any) {
|
||
console.error('[wake] init failed:', e)
|
||
setState('error')
|
||
emitLocal('error', AGENT, `Wake: ${e?.message?.slice(0, 60) || 'init'}`)
|
||
}
|
||
}
|
||
|
||
const stop = async () => {
|
||
try { vadRef.current?.pause?.() } catch {}
|
||
try { vadRef.current?.destroy?.() } catch {}
|
||
vadRef.current = null
|
||
try { await wakeRef.current?.stop?.() } catch {}
|
||
wakeRef.current = null
|
||
setState('idle')
|
||
emitLocal('idle', AGENT)
|
||
}
|
||
|
||
// Долгий тап = ручной триггер (как раньше push-to-talk). Короткий — toggle вкл/выкл.
|
||
// Для простоты сейчас: короткий тап в idle = активация; короткий тап в active = выкл.
|
||
const onTap = async () => {
|
||
console.log(`[VoiceController] tap! state=${state}`)
|
||
if (state === 'idle' || state === 'error') {
|
||
await start()
|
||
} else if (state === 'listening') {
|
||
// ручной trigger — эмулируем wake-event
|
||
onWakeDetected(1.0)
|
||
} else {
|
||
await stop()
|
||
}
|
||
}
|
||
|
||
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
|
||
onPointerDown={onPointerDown}
|
||
onPointerUp={onPointerUp}
|
||
onPointerCancel={() => { if (pressTimer.current) clearTimeout(pressTimer.current); pressTimer.current = null }}
|
||
data-swipe-ignore
|
||
aria-label={isActive ? 'Выключить ассистента' : 'Активировать ассистента'}
|
||
title={isActive ? 'Скажи «Космо» · долгий тап = выкл' : 'Тап = активировать'}
|
||
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>
|
||
)
|
||
}
|