uk Voice Settings

Налаштування голосового пайплайну

Огляд пайплайну

Мікрофон (arecord, ALSA)
     |
     v
  Vosk STT (мова з конфігу, для кожної моделі) --> текст + stt_lang
     |
     v
  Intent Router
     |-- Tier 1:   FastMatcher (IntentCompiler, regex з БД)  ~0 мс
     |             - composite device patterns (один regex на дієслово)
     |             - verb-bucket pre-filter за першим словом
     |             - сортування priority + specificity
     |             - тільки англійські патерни за дизайном
     |-- Tier 2:   Module Bus (модулі користувача, WebSocket) ~мс
     |-- Cache:    IntentCache (SQLite, попередні LLM hits)   ~10 мс
     |             - гарячі фрази (>=5 hits) авто-промотуються у Tier 1
     |-- Tier 3:   Local LLM (Ollama, один виклик)            300-800 мс
     |             - динамічний промпт з registry-aware device-by-room контекстом
     |-- Tier 4:   Cloud LLM (OpenAI-сумісний, опціонально)   1-3 сек
     '-- Fallback: "не зрозумів" (i18n)
     |
     v
  Модуль виконує дію через EventBus
     |
     v
  Dual Piper TTS
     |-- Основний голос (мова системи, GPU)
     '-- Резервний голос (англійська, CPU)
     |
     v
  split_by_language() --> сегменти --> правильний голос для кожного
     |
     v
  aplay (ALSA прямий) --> Динамік

Мовна архітектура

Два поняття мови -- не змішувати:

Поняття	Джерело	Призначення
stt_lang	Мова моделі Vosk (з конфігу)	Regex matching, ключ кешу
tts_lang	Конфіг Piper voice.tts.primary.lang	Мова відповіді, вибір голосу

Правила:

• stt_lang == primary_lang --> основний голос, відповідь мовою системи
• stt_lang != primary_lang --> резервний EN голос, відповідь англійською
• EventBus payload: intent/entity/location/params завжди англійською
• Текст відповіді: мовою tts_lang

STT -- Vosk

Розпізнавання мовлення через Vosk (нативно, без контейнера). Vosk використовує потокове розпізнавання (чанк за чанком) замість пакетної транскрипції, видаючи результати по мірі отримання аудіо.

Платформа	Модель	Затримка
Jetson Orin	vosk-model-small-uk	~150мс
Linux x86_64	vosk-model-small-uk	~100мс
Raspberry Pi 5	vosk-model-small-uk	~300мс
Raspberry Pi 4	vosk-model-small-uk	~500мс

Моделі завантажуються з alphacephei.com/vosk/models та зберігаються локально. Для кожної мови потрібна окрема модель.

Конфігурація:

stt:
  provider: vosk
  vosk:
    models_dir: /var/lib/selena/models/vosk
    active_model: vosk-model-small-uk

Vosk також підтримує режим граматики для виявлення слова активації -- обмежений словник, що покращує точність та зменшує навантаження CPU під час постійного прослуховування.

Мова визначається активною моделлю (окремі моделі для кожної мови, не авто-визначення з мовлення).

TTS -- Dual Piper (piper1-gpl)

Дві моделі PiperVoice завантажуються при старті, обидві гарячі в пам'яті:

Голос	Призначення	Модель	GPU	RAM
Основний	Мова системи	uk_UA-ukrainian_tts-medium	Так	~65 МБ
Резервний	Англійська	en_US-ryan-low	Ні	~5 МБ

Конфігурація

voice:
  output_volume: 50
  tts:
    primary:
      voice: "uk_UA-ukrainian_tts-medium"
      lang: "uk"
      cuda: true
      settings:
        length_scale: 0.65
        noise_scale: 0.667
        noise_w_scale: 0.8
        volume: 0.7
        speaker: 1
    fallback:
      voice: "en_US-ryan-low"
      lang: "en"
      cuda: false
      settings:
        length_scale: 0.75
        noise_scale: 0.667
        noise_w_scale: 0.8
        volume: 0.55
        speaker: 0

Система інтентів -- патерни з БД

Усі патерни зберігаються в базі даних. Повний deep-dive — у intent-routing.md.

Таблиця	Призначення
intent_definitions	Ім'я інтенту, модуль, пріоритет, опис
intent_patterns	Regex патерни (тільки lang="en" читається)
intent_vocab	Дієслова, іменники, параметри (legacy)

Жорсткі інтенти модулів не сидяться через скрипт — кожен модуль декларує OWNED_INTENTS + _OWNED_INTENT_META і вставляє/claims рядки на start() через _claim_intent_ownership().

Composite-патерни пристроїв: PatternGenerator.rebuild_composite_device_patterns() створює максимум 5 рядків на весь реєстр (по одному на дієслово: device.on, device.off, device.set_temperature, device.lock, device.unlock) з (?P<name>...) alternation усіх імен пристроїв. Захоплене ім'я резолвиться у device_id за O(1) через in-memory індекс.

Hot-cache промоція: фрази, які hit'нули кеш >=5 разів, раз на годину промотуються у auto_learned рядки. Тільки англійською — UK/RU/DE запити продовжують йти через LLM (~500мс) → IntentCache (~10мс).

Hot-reload при device CRUD: PatternGenerator → IntentCompiler.full_reload() → IntentRouter.refresh_system_prompt(). Без перезапуску.

scripts/seed_intents_to_db.py — legacy: сидить лише weather/privacy правила, для системних модулів не потрібен.

Конфігурація LLM

ai:
  conversation:
    provider: "local"
    local:
      host: "http://localhost:11434"
      model: "qwen2.5:3b"
      options:
        temperature: 0.1
        num_predict: 80
    cloud:
      url: "https://api.groq.com/openai/v1"
      key: "${GROQ_API_KEY}"
      model: "llama-3.1-8b-instant"

Динамічний LLM промпт (тільки англійською)

З v0.4 уся LLM-класифікація інтентів працює англійською. Базовий системний промпт читається з intent_system у prompt store (завжди з lang="en" незалежно від мови TTS) і містить ~200 токенів. Динамічний каталог дописується під час виклику:

• Зареєстровані інтенти згруповані по namespace (device.on|off|...)
• Активні модулі з їх списками інтентів
• Пристрої по кімнатах (з meta.location_en та meta.name_en — тільки англійські форми)
• Радіостанції / сцени (англійські назви)

Каталог будується свіжо при кожному виклику. Жодних мовних інструкцій не додається — вивід завжди англійський. Мова користувача обробляється системою перекладу на краях пайплайну.

Таби в Голос та AI

Таб	Призначення
Engines	Вибір / встановлення Vosk STT, Piper TTS, Ollama LLM
Переклад	Встановлення / активація мовних пар Argos Translate
Промпти	Перегляд активних системних промптів (5 ключів)
Інтенти	Усі зареєстровані голосові інтенти від системних та user-модулів
Патерни	Скомпільовані regex-патерни з FastMatcher
Test	Симуляція голосових команд через текст — повний трейс

Таб Промпти є тільки для перегляду. Промпти керуються системою внутрішньо і копіюються однаково на всі мовні рядки в DB (en/uk/ru/...) — більше немає перекладу промптів за мовою, оскільки ядро працює англійською.

RAM бюджет (Jetson 8GB headless)

OS headless              0.65 ГБ
Vosk small model         0.05 ГБ
SelenaCore + модулі      0.30 ГБ
qwen2.5:3b (Ollama Q4)  2.00 ГБ
Piper uk medium (GPU)    0.065 ГБ
Piper en low (CPU)       0.005 ГБ
-----------------------------------------
Разом:                   3.07 ГБ
Вільно:                  4.93 ГБ