first commit

2026-09-11 19:47:15 +03:00
commit 32754a1fe2
56 changed files with 3836 additions and 0 deletions
@@ -0,0 +1,98 @@
+# Анализ стека — интерфейс для незрячего (AI Blind)
+
+Дата: 2026-09-10. Принцип: только бесплатные / open-source библиотеки, каждый модуль —
+законченная проверяемая единица. Целевая платформа — Windows (ПК отца), разработка — Linux/кроссплатформенный код.
+
+---
+
+## 1. Модуль STT (речь → текст)
+
+| Кандидат | Версия | Лицензия | Русский | Скорость CPU | Комментарий |
+|---|---|---|---|---|---|
+| **faster-whisper** | 1.2.1 (окт 2025) | MIT | ✅ отлично | small/int8: 13 мин аудио ≈ 1 мин 42 с (i7-12700K) → короткая фраза 5 с ≈ 1–2 с | FFmpeg не нужен (PyAV внутри), Silero-VAD встроен, модель качается с HuggingFace автоматически |
+| Vosk | стабильная | Apache 2.0 | ✅ (small-ru 45 МБ WER ~22–30%, big-ru 1.8 ГБ WER ~5–11%) | быстрее Whisper, стриминг | Запасной вариант для слабого ПК; точность small ниже |
+| openai-whisper / transformers | — | MIT | ✅ | медленно на CPU | Не берём — быстрее-whisper строго лучше |
+
+**Вердикт: faster-whisper**, модель `small` или `base` c `compute_type="int8"` на CPU.
+- Для голосовых фраз 2–15 с задержка 1–3 с — приемлемо.
+- Размер: small ≈ 460 МБ (int8 ~150 МБ в RAM), base ≈ 145 МБ.
+- Фолбэк: Vosk small-ru, если ПК отца слабый (замерим на Module 1 и решим).
+
+## 2. Модуль TTS (текст → звук)
+
+| Кандидат | Версия | Лицензия | Русский | Онлайн/офлайн | Комментарий |
+|---|---|---|---|---|---|
+| **edge-tts** | 7.2.8 (мар 2026) | LGPL | ✅ ru-RU-SvetlanaNeural / DmitryNeural | онлайн (бесплатный сервис MS, без ключа) | rate/volume/pitch настраиваются → «−15% скорости» из ТЗ поддерживается нативно |
+| **Piper** (`piper-tts`) | 1.8.0 (активно развивается, переехал в OHF-Voice/piper1-gpl) | GPL-3.0 | ✅ голоса ru_RU (denis, dmitri, irina, ruslan) | офлайн | Фолбэк: работает без интернета, быстрый на CPU |
+
+**Вердикт: edge-tts основной + Piper фолбэк.** Риск edge-tts: неофициальный эндпоинт Microsoft,
+исторически ломался (403). Архитектура TTS-модуля сразу делается с интерфейсом «провайдер»,
+чтобы переключение на Piper было правкой конфига.
+
+## 3. Модуль записи/воспроизведения звука
+
+- **sounddevice 0.5.6** (авг 2026, свежий), MIT, PortAudio в комплекте, numpy-массивы.
+  - Запись push-to-talk: буфер в RAM пока удерживается клавиша → float32/int16 → wav в памяти.
+  - Воспроизведение: `sd.play()` / `sd.stop()` — мгновенная остановка для клавиши «Замолчи». Идеально.
+- soundfile — для сохранения wav при отладке.
+- **VAD: silero-vad 6.2.1** (фев 2026), MIT, ~2 МБ, <1 мс на чанк 30 мс, ONNX-режим.
+  Использование: отрезать тишину перед STT (меньше галлюцинаций Whisper), позже — режим «свободного разговора».
+
+## 4. Модуль горячих клавиш
+
+| Кандидат | Статус | Windows | Suppression | Комментарий |
+|---|---|---|---|---|
+| **keyboard 0.13.5** | мёртв с 2020, но стабильный и широко используемый | ✅ глобальный хук без админ-прав | ✅ (только Windows) | Умеет press/hold/release события — ровно то, что нужно push-to-talk |
+| pynput | живой | ✅ | ❌ подавления нет | Запасной вариант |
+
+**Вердикт: keyboard** (раскладка: дублируем NumPad и основные клавиши: Num0/Пробел — слушать,
+NumDel/Esc — замолчать, NumEnter/Enter — повторить). Риск: библиотека не развивается —
+при проблемах переходим на pynput или WinAPI-хук; API модуля изолируем.
+
+## 5. Модуль «мозга» (LLM)
+
+- **OpenRouter** через `openai`-совместимый клиент (base_url = https://openrouter.ai/api/v1) —
+  без новых зависимостей. Модель выбирается в конфиге.
+- Очистка Markdown — собственный regex-модуль (звёздочки, решётки, списки, ссылки).
+- Системный промпт: «отвечай коротко, простыми предложениями, без списков и разметки» —
+  это дешевле, чем чистка сложного текста.
+
+## 6. Модуль Telegram
+
+- **aiogram 3.x** (актуальная), отдельный asyncio-поток/задача.
+- События: входящее сообщение от сына → озвучка; ответ отца (надиктован через основной цикл) → отправка.
+
+## 7. Прочее
+
+- **Earcons** (звуковые маркеры): генерируем свои короткие wav (numpy → файлы в `assets/earcons/`),
+  играем через sounddevice. Никаких внешних ассетов не нужно.
+- **Сборка для Windows**: PyInstaller → один exe. Проверим на Module 7.
+- **Конфиг**: TOML/JSON + `.env` для ключей (OPENROUTER_API_KEY, TG_BOT_TOKEN).
+
+---
+
+## Итоговый стек v1
+
+```
+faster-whisper==1.2.1      # STT (fallback: vosk)
+edge-tts==7.2.8            # TTS (fallback: piper-tts==1.8.0)
+sounddevice==0.5.6         # запись/воспроизведение
+soundfile                  # wav I/O
+numpy                      # аудио-буферы, earcons
+silero-vad==6.2.1          # VAD (опционально)
+keyboard==0.13.5           # глобальные клавиши (Windows)
+openai (client)            # OpenRouter
+aiogram>=3                 # Telegram
+pyinstaller                # упаковка exe (этап сборки)
+```
+
+Python ≥ 3.9 (лучше 3.11/3.12). Все пакеты кроссплатформенные, разработку ведём здесь (Linux),
+деплой — на Windows (звук/клавиши тестируются там).
+
+## Риски и смягчение
+
+1. **edge-tts отвалится** → Piper фолбэк встроен в дизайн модуля.
+2. **keyboard мёртв** → работает сегодня; изоляция API, запасной pynput.
+3. **Whisper медленный на слабом ПК** → замер на Module 1; если плохо — Vosk small-ru.
+4. **Задержка пайплайна** STT→LLM→TTS ≈ 1+2+1 с → смягчаем: короткие фразы (base-модель,
+   дешёвая быстрая LLM, edge-tts), звуковой маркер «думаю» сразу после отпускания клавиши.