stt: полный поток без VAD (резал речь на рваном ARGT78) — whisper распознаёт сырой поток (проверено: 1-10 идеально), усиление ×3, сырой дамп

app-glasses/src/main/kotlin/pw/binom/viewmate/glasses/stt/SttMicStream.kt

@@ -3,15 +3,6 @@ package pw.binom.viewmate.glasses.stt
 import android.media.AudioFormat
 import android.media.AudioRecord
 import android.media.MediaRecorder
-import com.konovalov.vad.webrtc.VadWebRTC
-import com.konovalov.vad.webrtc.config.FrameSize
-import com.konovalov.vad.webrtc.config.Mode
-import com.konovalov.vad.webrtc.config.SampleRate
-import java.io.File
-import java.io.FileInputStream
-import java.time.LocalTime
-import java.time.format.DateTimeFormatter
-import kotlin.math.roundToInt
 import kotlinx.coroutines.CoroutineScope
 import kotlinx.coroutines.Dispatchers
 import kotlinx.coroutines.Job
@@ -19,18 +10,22 @@ import kotlinx.coroutines.delay
 import kotlinx.coroutines.isActive
 import kotlinx.coroutines.launch
 import pw.binom.viewmate.glasses.log
+import java.io.File
+import java.io.FileInputStream
+import java.time.LocalTime
+import java.time.format.DateTimeFormatter
+import kotlin.math.roundToInt
 
 /**
- * Поток распознаваемого аудио очков: куски s16le (16 кГц, mono) → колбэк.
+ * Поток микрофона очков (TASK-mic): 16 кГц s16 mono, полный поток БЕЗ VAD-нарезки.
  *
- * VAD живёт НА ОЧКАХ (WebRTC VAD, схема pair-view автора): микрофон читается
- * фреймами по 20 мс (320 сэмплов @ 16 кГц), речевые фреймы накапливаются в
- * сегмент (с пре-роллом тишины 200 мс), а наружу уходит только закрытый
- * сегмент — межфразовая тишина (у микрофона ARGT78 её ~75%!) не шлётся.
- * Телефон получает склеенную речь — whisper видит непрерывный звук.
- *
- * Список кусков/стоп — по [shouldRun]: как только очки перестали слушать,
- * незакрытый сегмент отправляется (полный текст по клику).
+ * История: WebRTC VAD резал речь на огрызки — микрофон ARGT78 пишет рвано
+ * (пачки ~50 мс звука / ~50 мс тишины), VAD принимал внутренние провалы за паузы
+ * и ловил лишь ~15% речи. Локальный тест whisper на сыром дампе («1,2,3,4,5
+ * 6,7,8,9,10») распознал полный файл идеально — whisper сам справляется с
+ * рваностью и тихим уровнем (пик ~1500). Поэтому: весь PCM уходит на телефон
+ * чанками по 100 мс, усиление ×3 (без клиппа), телефон копит полный буфер
+ * сессии и шлёт его в whisper по клику.
  */
 class SttMicStream(
     private val scope: CoroutineScope,
@@ -38,7 +33,7 @@ class SttMicStream(
 ) {
     private var job: Job? = null
 
-    /** Debug-дампер микрофона: пишет УСИЛЕННЫЕ сегменты — те же, что уходят на телефон (по маркеру stt_dump.marker). */
+    /** Debug-дампер микрофона: СЫРОЙ поток (до усиления) — что реально слышат очки (по маркеру stt_dump.marker). */
     private var dump: WavWriter? = null
 
     fun start(filesDir: File, shouldRun: () -> Boolean) {
@@ -46,7 +41,7 @@ class SttMicStream(
         val minBuffer = AudioRecord.getMinBufferSize(
             MIC_SAMPLE_RATE, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT,
         )
-        val bufferBytes = maxOf(minBuffer, VAD_FRAME_SIZE * 2 * 4) // ≥ 4 фрейма
+        val bufferBytes = maxOf(minBuffer, MIC_CHUNK_FRAMES * FRAME_SIZE * 2)
         val recorder = runCatching {
             AudioRecord(
                 MediaRecorder.AudioSource.MIC,
@@ -70,56 +65,25 @@ class SttMicStream(
         job = scope.launch(Dispatchers.IO) {
             try {
                 recorder.startRecording()
-                log("stt", "микрофон запущен (16 кГц, s16, mono, WebRTC VAD на очках)")
-                val vad = VadWebRTC(
-                    SampleRate.SAMPLE_RATE_16K,
-                    FrameSize.FRAME_SIZE_320,
-                    Mode.VERY_AGGRESSIVE,
-                    600, // silenceDurationMs: тишина 600 мс = конец реплики
-                    50,  // speechDurationMs: минимум 50 мс речи
-                )
-                val frame = ShortArray(VAD_FRAME_SIZE) // 320 сэмплов = 20 мс
-                val segment = ArrayList<ShortArray>()
-                val preRoll = ArrayDeque<ShortArray>()
-                var speeching = false
-                var silenceFrames = 0
+                log("stt", "микрофон запущен (16 кГц, полный поток без VAD, усиление ×$MIC_GAIN)")
+                val frame = ShortArray(FRAME_SIZE) // 320 сэмплов = 20 мс
+                val chunk = ArrayList<ShortArray>(MIC_CHUNK_FRAMES)
                 while (isActive && shouldRun()) {
-                    val n = recorder.read(frame, 0, VAD_FRAME_SIZE) // кадры
+                    val n = recorder.read(frame, 0, FRAME_SIZE) // кадры
                     if (n <= 0) continue
-                    val data = if (n == VAD_FRAME_SIZE) frame else frame.copyOf(n)
-                    // СЫРОЙ дамп: весь поток микрофона (до усиления/VAD) — что реально слышат очки.
+                    val data = if (n == FRAME_SIZE) frame else frame.copyOf(n)
+                    // СЫРОЙ дамп: весь поток микрофона (до усиления) — что реально слышат очки.
                     if (dumpWriter != null) {
                         runCatching { dumpWriter.write(shortsToPcm16(listOf(data))) }
                             .onFailure { log("stt", "dump микрофона: ${it.message}") }
                     }
-                    // VAD на СЫРОМ фрейме: WebRTC VAD рассчитан на нормальный уровень
-                    // (-21 dBFS у ARGT78 — ок), усиление ×10 клиппует и ломает детекцию.
-                    // Усиленный фрейм — только в сегмент (для whisper).
-                    val boosted = gainShort(data)
-                    if (vad.isSpeech(data)) {
-                        if (!speeching) {
-                            speeching = true
-                            silenceFrames = 0
-                            segment.clear()
-                            while (preRoll.isNotEmpty()) segment.add(preRoll.removeFirst())
-                            log("stt", "🎤 речь началась (${segment.size} фреймов с пре-роллом)")
-                        }
-                        segment.add(boosted)
-                    } else {
-                        if (speeching) {
-                            segment.add(boosted)
-                            silenceFrames++
-                            if (silenceFrames >= SILENCE_FRAMES_TIMEOUT) { // 600 мс тишины
-                                closeSegment(segment, dumpWriter)
-                                speeching = false
-                            }
-                        } else {
-                            preRoll.addLast(boosted)
-                            if (preRoll.size > PRE_ROLL_FRAMES) preRoll.removeFirst() // 200 мс
-                        }
+                    chunk.add(gainShort(data, MIC_GAIN))
+                    if (chunk.size >= MIC_CHUNK_FRAMES) {
+                        onChunk(shortsToPcm16(chunk))
+                        chunk.clear()
                     }
                 }
-                if (speeching && segment.isNotEmpty()) closeSegment(segment, dumpWriter)
+                if (chunk.isNotEmpty()) onChunk(shortsToPcm16(chunk)) // остаток < 100 мс
             } catch (t: Throwable) {
                 log("stt", "микрофон: ${t.message}")
             } finally {
@@ -139,17 +103,9 @@ class SttMicStream(
             .onFailure { log("stt", "dump микрофона: ${it.message}") }
     }
 
-    /** Закрытый речевой сегмент: склейка 16 кГц-фреймов → s16le → на телефон. */
-    private suspend fun closeSegment(segment: List<ShortArray>, dumpWriter: WavWriter?) {
-        if (segment.isEmpty()) return
-        val pcm = shortsToPcm16(segment)
-        log("stt", "🔇 сегмент речи: ${segment.size * VAD_FRAME_SIZE / 16} мс → на телефон")
-        onChunk(pcm)
-    }
-
     /**
      * Debug-дампы (задача audio-dump): если в filesDir лежит stt_dump.marker,
-     * открыть stt_dump_HHmmss.wav — усиленные речевые сегменты допишутся туда
+     * открыть stt_dump_HHmmss.wav — сырой поток микрофона допишется туда
      * (эмуляторную ветку не трогаем).
      */
     private fun openLiveMicDump(filesDir: File): WavWriter? {
@@ -196,20 +152,18 @@ class SttMicStream(
     }
 }
 
-/** Фрейм VAD: 20 мс при 16 кГц = 320 сэмплов (48 кГц на ARGT78 не отдаёт звук). */
-internal const val VAD_FRAME_SIZE = 320
+/** Фрейм чтения микрофона: 20 мс при 16 кГц = 320 сэмплов (48 кГц на ARGT78 не отдаёт звук). */
+internal const val FRAME_SIZE = 320
 
-/** Пре-ролл тишины перед речью: 200 мс = 10 фреймов. */
-internal const val PRE_ROLL_FRAMES = 10
-
-/** Тишина 600 мс (30 фреймов) считается концом реплики. */
-internal const val SILENCE_FRAMES_TIMEOUT = 30
+/** Чанк на телефон: 100 мс = 5 фреймов по 20 мс. */
+internal const val MIC_CHUNK_FRAMES = 5
 
 /**
- * Коэффициент усиления микрофона. ×10 клипповал (ARGT78 пишет пик 1–9% → ×10 даёт
- * 90%+ и 32767 на громких); ×5 — безопасно для whisper (он сам нормализует).
+ * Коэффициент усиления микрофона: ×3 (без клиппа — ARGT78 пишет пик 1–9%, ×3 даёт
+ * 3–27%). Whisper распознал и сырой (пик 1521), и ×3, и ×10 — усиление нужно
+ * только чтобы телефонный whisper.cpp не терял тихие участки.
  */
-internal const val MIC_GAIN = 5f
+internal const val MIC_GAIN = 3f
 
 /** 100 мс при 16 кГц, s16, моно: 1600 кадров × 2 байта = 3200 байт. */
 internal const val CHUNK_BYTES = 3_200
@@ -218,7 +172,7 @@ internal const val CHUNK_BYTES = 3_200
 internal const val MIC_SAMPLE_RATE = 16_000
 
 /**
- * Цифровое усиление фрейма s16le mono с насыщением (для VAD и whisper).
+ * Цифровое усиление фрейма s16le mono с насыщением (для whisper).
  * Для gain = 1 не аллоцируем заново — возвращаем исходный массив.
  */
 internal fun gainShort(samples: ShortArray, gain: Float = MIC_GAIN): ShortArray {
@@ -230,7 +184,7 @@ internal fun gainShort(samples: ShortArray, gain: Float = MIC_GAIN): ShortArray
     return out
 }
 
-/** Склейка речевых фреймов (ShortArray) в один s16le ByteArray. */
+/** Склейка фреймов (ShortArray) в один s16le ByteArray. */
 internal fun shortsToPcm16(frames: List<ShortArray>): ByteArray {
     var total = 0
     for (f in frames) total += f.size
@@ -246,8 +200,8 @@ internal fun shortsToPcm16(frames: List<ShortArray>): ByteArray {
 }
 
 /**
- * Даунсэмпл 48→16 кГц для whisper: склейка 48 кГц-фреймов, FIR (скользящее
- * среднее 3) против алиасинга, берём каждый 3-й сэмпл. Длина = 1/3 исходной.
+ * Даунсэмпл 48→16 кГц (сохранён для тестов; в проде не используется — 16 кГц напрямую):
+ * склейка 48 кГц-фреймов, FIR (скользящее среднее 3) против алиасинга, каждый 3-й сэмпл.
  */
 internal fun downsample48To16(frames: List<ShortArray>): List<ShortArray> {
     var total = 0