# Микрофон и распознавание: результаты поиска

> **Статус: реализовано** (см. `src/jvmMain/.../desktop/voice/`).
> `mic-api` + `asr-vosk` + `vad` подключены в `gradle/libs.versions.toml`,
> кнопка микрофона в чате активна: `VoiceController` (микрофон → VAD →
> распознавание), `VoskVoiceRecognizer` (Vosk-модель и `silero_vad.onnx` лежат
> внутри артефактов — качать нечего). Ниже — исходный поиск, из которого это
> выросло.

**Задача была:** найти готовые библиотеки для работы с микрофоном и распознавания,
прежде чем брать код из `ai/assistent`. **Код не пишем** — только поиск.

**Ответ короткий:** и то, и другое **уже есть у нас, готовое и опубликованное**.
Из `ai/assistent` брать код микрофона **не нужно вообще**.

---

## 1. Микрофон: библиотека есть — `mic-kmp`

**Репозиторий:** https://git.binom.pw/subochev/mic-kmp
**Каталог:** https://git.binom.pw/subochev/libraries (раздел «📦 Микрофон»)

KMP-библиотека: поток микрофона как `Flow<ByteArray>` (s16le mono PCM).
Три файла, вот и вся библиотека:

| Файл | Что делает |
|---|---|
| `mic-api/src/commonMain/.../MicAudio.kt` | интерфейс `MicDevice` + объект `MicAudio.record(...)` |
| `mic-api/src/jvmMain/.../MicJvm.kt` | JVM — `javax.sound.sampled` (`TargetDataLine`) |
| `mic-api/src/androidMain/.../MicAndroid.kt` | Android — `AudioRecord` |

**Таргеты: `jvm` и `android`.** JVM-таргет — ровно то, что нужно десктопу.
JVM-код собран на `JvmTarget.JVM_17`.

**Опубликована в Nexus `caffeine`, версия `1.0.0`:**
- `pw.binom.mic:mic-api:1.0.0` (KMP metadata)
- `pw.binom.mic:mic-api-jvm:1.0.0` (JVM — **наше**)
- `pw.binom.mic:mic-api-android:1.0.0`

Проверено: `maven-metadata.xml` отдаёт `HTTP 200`, latest = `1.0.0`.

**Использование — одна строка:**

```kotlin
MicAudio.record(sampleRate = 16000, channels = 1, chunkMillis = 100)
    .onEach { chunk: ByteArray -> /* s16le mono PCM, ~100 мс */ }
```

**Чем лучше кода из assistent:** отмена **структурная**. Остановил корутину-коллектор —
микрофон освободился сам, в `finally`. Не надо помнить про `close()`. В assistent
(`MicrophoneRecorder`, 83 строки) — ручное управление через `start()`/`stop()`,
и связка «канал + флаг recording + внешний TargetDataLine». Наш вариант чище.

**Вывод: копировать `MicrophoneRecorder` из assistent НЕ надо — подключить `mic-kmp`.**

---

## 2. Распознавание: библиотека есть — `asr-kmp`

**Репозиторий:** https://git.binom.pw/subochev/asr-kmp
**Каталог:** https://git.binom.pw/subochev/libraries (раздел «🎙 ASR»)

KMP, таргеты **jvm** и **android** (плюс native: linux, macos, mingw).
Потоковый интерфейс — приём аудио кусками и **промежуточный текст по ходу**:

```kotlin
interface Stt : AutoCloseable {
    fun feed(samples: FloatArray)       // порция 16 кГц моно PCM, [-1, 1]
    fun partialText(): String?          // промежуточный текст (растёт по ходу)
    fun endOfInput()                    // конец ввода
    fun finalText(): String             // итог
    override fun close()
}
```

**Есть `partialText` — текст появляется по мере речи**, а не после конца записи.
Для нашей кнопки микрофона это именно то поведение, которое нужно.

### Движки (все опубликованы в `caffeine`)

| Движок | Координаты (группа `pw.binom.asr`) | Версии в Nexus |
|---|---|---|
| `asr-api` — интерфейс | `asr-api` / `-jvm` / `-android` | до `4` |
| `asr-vosk` — Vosk | `asr-vosk` / `-jvm` / `-android` | есть |
| `asr-qwen3` — Qwen3-ASR | `asr-qwen3` / `-jvm` | есть |
| `asr-whisper` — Whisper | `asr-whisper` / `-jvm` / `-android` | есть |
| `asr-openai` — удалённое (OpenAI-совместимое) | `asr-openai` | есть |

Под капотом нейронок — `sherpa-onnx` (`com.github.k2-fsa.sherpa-onnx`, `v1.13.6`),
для JVM отдельно тянется нативная библиотека `sherpa-onnx-native-lib-linux-x64`.

### Про модели (важно)

- **Qwen3-ASR** — модель уже на нашем статик-сервере, качать из-за бугра не надо:
  `http://static.binom.pw/models/qwen3_06/` (~940 МБ: encoder 175M, decoder 721M, frontend 43M).
- **Whisper small int8** — модели на статике НЕТ, качать самостоятельно.
- **Vosk** (`vosk-model-small-ru-0.22`) — **входит в комплект**, распаковывается сам.
  Самый простой путь для первого запуска: ничего качать не надо.

---

## 3. Рядом есть ещё три полезные библиотеки

Из того же каталога `subochev/libraries`:

### VAD — детектор речи, `vad-kmp`
https://git.binom.pw/subochev/vad-kmp — «VAD — Silero», KMP jvm+android,
**модель внутри артефакта** (2.3 МБ, ничего качать не надо).

```kotlin
VadInstance(16000).use { vad ->
    val prob = vad.processingWindow(windowPcmFloats)  // FloatArray → [0..1]
}
```
Координаты: `pw.binom.voice.vad:vad-jvm`, версия `2`.
**Зачем:** определять, говорит человек или молчит — не гнать тишину в распознавание.

### Есть и второй VAD
`pw.binom.ai.voice:vad` — «детектор речи (VAD) — `vad` / `vad-jvm`». Два разных VAD,
при выборе разобраться, какой свежее.

### OpenAI-клиент
`pw.binom.openai:api` / `api-jvm` + `ktor-impl` (HTTP-движок). Нужен для `asr-openai`
(распознавание на удалённом сервере, а не локальной нейронкой).

### Speaker-эмбеддинги и text-embedding
- `subochev/embedding-kmp` — voice embedding (кто говорит).
- `subochev/text-embedding-kmp` — text embedding (SigLIP2).
Нам сейчас не нужно, но пусть будет известно.

---

## 4. Как это собрано вместе — пример `view-mate`

**Репо:** `/root/WORK/view-mate` (очки RayNeo X2), модули `app-glasses`, `app-phone`, `app-host`, `lib-core`.

**Важно:** view-mate **не подключает** `mic-kmp`/`asr-kmp` как библиотеки — у него
своя реализация `SttMicStream` на `android.media.AudioRecord`
(`app-glasses/.../stt/SttMicStream.kt`). То есть `mic-kmp` — это **вынесенная
и обобщённая** версия того же подхода.

Из полезного в `SttMicStream.kt` — комментарий на строке 229:
`AudioRecord.read(byte[], int, inFrameCount)` возвращает **число кадров**, а не байт.
Классические грабли Android-записи.

---

## 5. Чем пользуется сам `ai/assistent`

Важно для понимания разницы подходов:

`chat-server/.../stt/SttClientImpl.kt` — это **не** локальное распознавание.
Это HTTP-клиент к OpenAI-совместимому API:

```kotlin
client.post("$base/audio/transcriptions") { ... }   // multipart, как у OpenAI
```

Настройки через переменные окружения:
- `STT_API_KEY` — без него голосовой адаптер выключен;
- `STT_URL` — по умолчанию `https://api.openai.com/v1`;
- `STT_MODEL` — по умолчанию `whisper-1`.

**Вывод:** у assistent распознавание — **отправка файла на сервер**. У нас
`asr-kmp` умеет и локальные нейронки (Qwen3, Whisper, Vosk), и удалённое (`asr-openai`).
Наш вариант шире, а `mic-kmp` (поток) + `asr-kmp` (поток) + `vad-kmp` (детектор речи)
складываются в готовую цепочку: **микрофон → детектор речи → распознавание → текст**.

---

## 6. Итог: что делать

| Вопрос | Ответ |
|---|---|
| Та отдельная библиотечка для микрофона, которую мы делали — существует? | **Да.** `mic-kmp`, опубликована в `caffeine` версии `1.0.0`, jvm-таргет есть. |
| Библиотечки распознавания с нейронками где? | **`asr-kmp`** — Qwen3, Whisper, Vosk, удалённое. Всё в `caffeine`. Плюс каталог: `subochev/libraries`. |
| Есть ли где-то микрофон в каталоге библиотек? | **Да**, первым разделом — «📦 Микрофон». |
| Брать ли код микрофона из `ai/assistent`? | **Нет.** Подключаем `mic-kmp` — чище, с автоосвобождением, без внешних библиотек. |
| Нужны ли сторонние зависимости для звука? | **Нет.** Всё на стандартной Java (`javax.sound.sampled`) и sherpa-onnx для нейронок. |

**Код не писан** — только поиск, как и просили.

---

## 7. Что в итоге подключено

| Слой | Артефакт | Где в коде |
|---|---|---|
| Микрофон | `pw.binom.mic:mic-api:1.0.0` | `voice/VoiceController.kt` (`MicSource` → `MicAudio.record`) |
| Детектор речи | `pw.binom.voice.vad:vad:2` | `voice/VoiceRecognizer.kt` (`VadInstance`) |
| Распознавание | `pw.binom.asr:asr-vosk:4` (+ `asr-api:4`) | `voice/VoiceRecognizer.kt` (`VoskVoiceRecognizer`) |
| Сборка тракта | — | `voice/VoiceController.kt` (`VoiceState`: IDLE/PREPARING/RECORDING/RECOGNIZING) |
| Склейка с UI | — | `ui/AppState.kt` (`voiceState`, `voicePartial`, `composerDraft`), `ui/screens/ChatPane.kt` |

| Прогрев до skia | — | `voice/VoiceNative.kt` (`warmUp()` из `main()`) |

Тесты: `voice/AudioTest.kt` (s16le→float, нарезка окон VAD + реальная загрузка
`silero_vad.onnx`), `voice/VoiceControllerTest.kt` (фейковые микрофон и
распознаватель), `voice/VoskVoiceRecognizerIT.kt` (настоящие Vosk + VAD на
тишине), `voice/RealSpeechIT.kt` (настоящая русская речь после инициализации
skia — см. ниже).

---

## 8. ⚠️ Конфликт skiko и нативных библиотек (найдено 28.09.2026)

**Симптом.** Приложение Compose Desktop роняется с SIGSEGV (не исключение —
падение всего JVM) при первом нажатии микрофона. В `hs_err_pid`:

```
C  [libc.so.6+0x184fdc]
C  [libstdc++.so.6+0x15d820]  std::ostream::_M_insert<double>
C  [jnaNNNN.tmp+0x6838e7]     kaldi::ParseOptions::RegisterSpecific(...)
j  org.vosk.LibVosk.vosk_model_new(...)
```

То же самое — с ONNX (`OrtSession.createSession` → `std::ostream::_M_insert`):
C++-библиотека пишет в свой лог-стрим, а стрим оказывается невалидным.

**Причина — порядок загрузки.** skiko (нативный рендер Compose, грузит
`~/.skiko/<hash>/libskiko-linux-x64.so`) и C++-стек распознавания (Vosk/Kaldi,
onnxruntime) конфликтуют, если второй инициализируется ПОСЛЕ первого. Первое
создание модели/сессии после инициализации skia валит JVM.

**Проверено пробниками (позже удалены):**

| Порядок | Результат |
|---|---|
| ONNX → skia (raster) → ONNX | ок |
| skia (Compose-текст) → ONNX | **SIGSEGV** |
| skia (Compose-текст) → Vosk | **SIGSEGV** |
| **Vosk → skia (Compose-текст) → Vosk** | **ок** |

**Фикс.** `VoiceNative.warmUp()` вызывается в `main()` **до** `application {}`:
создаёт и закрывает `Stt.vosk(...)` и `VadInstance(...)`. После этого и свежий
распознаватель, и свежий VAD, созданные уже после отрисовки окна, работают.
Побочный плюс — модель Vosk (~46 МБ, ~2 с) грузится на старте, а не при первом
клике. Если прогрев не удался, `AppState.voiceAvailable = false` — кнопка
микрофона заблокирована (лучше «недоступно», чем краш).

**Следствие для тестов.** `jvmTest` форкает JVM на каждый тест-класс
(`forkEvery = 1`): иначе skiko-тесты (`ThemeRenderTest`) отравляют
нативные тесты голоса в том же JVM. `RealSpeechIT` проверяет ровно
продуктовый порядок: `warmUp()` → рендер Compose → создание распознавателя →
распознавание реального сэмпла (`src/jvmTest/resources/voice/raz-dva-tri.wav`
→ «раз два три четыре пять»).

Заметки на будущее:

- Создание распознавателя стоит секунды (загрузка модели Vosk), поэтому
  распаковка zip в tmp кэшируется самим `asr-vosk`, а в UI есть состояние
  «загружаю модель».
- `VadInstance.close()` **не идемпотентен** (второй `close()` роняет JVM через
  ONNX `double free`) — закрывать ровно один раз.