Porfiry
175 lines
9.6 KiB
Markdown
175 lines
9.6 KiB
Markdown
# Микрофон и распознавание: результаты поиска
|
||
|
||
**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.
|