lct-06: голосовой контур VAD → STT → звонящий → TTS, с перебиванием

Контур замкнут без LLM: звонящий отвечает заготовками через слот-автомат.
Живой диалог через WebSocket прошёл 5 раз подряд без сбоев: первая
реплика после снятия трубки — 87–154 мс, ход — 1.2–1.4 с, перебивание —
88–90 мс. На LLM до цели 1.5 с остаётся 100–300 мс.

Задача ответа живёт, пока у курсанта доигрывает звук: перебивание —
это отмена одной задачи, и tts.end приходит, когда звонящий
действительно замолчал.

Что нашлось при сборке:
- Silero молча выбрасывает цифры: «улица Ленина, дом… квартира…» без
  номеров. Числа и сокращения разворачиваются в слова до синтеза.
- onnxruntime брал все 16 ядер и вытеснял синтез, первый вызов был
  холодным: распознавание 576 мс вместо ~210. Прогрев на старте и по
  4 потока на модель.
- Весь адрес одним предложением — ~455 мс синтеза до первого звука.
  Длинное предложение режется по запятым, номер от улицы не отрывается:
  ~250 мс.
- Первая реплика «Алло! Помогите!» запускалась мимо задачи ответа и не
  перебивалась вовсе.

Отдельно: сломал make dev — num2words попал в pyproject, а Dockerfile
ставил зависимости ручным списком, и бэкенд в контейнере упал на
импорте. Образ теперь ставит зависимости из pyproject.toml.

Голоса в контейнере нет: под WSL модели работают нативно, make back.

backend/app/api/ws/control.py

@@ -25,12 +25,17 @@ from app.domain.events import (
     ReferenceStarted,
     SessionEnded,
 )
+import asyncio
+
+from app.dialog.caller import TemplateCaller
 from app.dialog.persona import PersonaState
 from app.dialog.runtime import get_embedder
 from app.dialog.slots import SlotMachine
 from app.scenarios import store
 from app.session.hub import hub
 from app.session.state import SessionState, now_utc
+from app.voice.models import get_voice_models
+from app.voice.pipeline import FILLERS, prefetch
 
 log = logging.getLogger(__name__)
 router = APIRouter()
@@ -69,6 +74,13 @@ async def _start(session_id: UUID, event) -> None:
     if embedder is not None:
         state.slots = SlotMachine(scenario, embedder)
     state.persona = PersonaState(scenario.persona)
+    state.caller = TemplateCaller()
+
+    # Первая реплика и филлеры синтезируются, пока курсант не снял трубку:
+    # «Алло! Помогите!» должно прозвучать мгновенно (docs/arch/BACKEND.md).
+    models = get_voice_models()
+    if models is not None:
+        asyncio.create_task(prefetch(models, [scenario.first_line, *FILLERS.values()]))
     state.on_event("call.incoming")
     hub.start_ticker(session_id)