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/voice/models.py

@@ -0,0 +1,121 @@
+"""Модели речи процесса: грузятся один раз, общие для всех сессий.
+
+Инференс занимает процессор на сотни миллисекунд и идёт в отдельном пуле потоков:
+в событийном цикле он остановил бы все сокеты всех экранов занятия.
+onnxruntime и torch отпускают GIL на время вычислений, так что потоки работают параллельно.
+"""
+
+import asyncio
+import logging
+from concurrent.futures import ThreadPoolExecutor
+from functools import lru_cache
+from pathlib import Path
+
+import numpy as np
+
+from app.config import get_settings
+from app.voice.text import normalize
+
+log = logging.getLogger(__name__)
+
+ROOT = Path(__file__).resolve().parents[2]
+TTS_RATE = 24_000
+#: Потоков на распознавание и на синтез. Вместе — меньше числа ядер, иначе
+#: модели, идущие друг за другом, вытесняют друг друга.
+INFERENCE_THREADS = 4
+
+_pool = ThreadPoolExecutor(max_workers=2, thread_name_prefix="voice")
+
+
+class Recognizer:
+    """GigaAM v3 RNNT int8: ~285 мс на фразу в 2 с, WER 0% на чистой речи (docs/LATENCY.md)."""
+
+    def __init__(self, model_dir: Path) -> None:
+        import onnx_asr
+        import onnxruntime as ort
+
+        options = ort.SessionOptions()
+        # По умолчанию onnxruntime берёт все ядра и вытесняет синтез, который
+        # идёт следом: в контуре распознавание выходило вдвое медленнее замера.
+        options.intra_op_num_threads = INFERENCE_THREADS
+        self._model = onnx_asr.load_model(
+            "gigaam-v3-rnnt", model_dir, quantization="int8", sess_options=options
+        )
+
+    def transcribe(self, audio: np.ndarray) -> str:
+        return self._model.recognize(audio, sample_rate=16_000).strip()
+
+    def warmup(self) -> None:
+        """Первый вызов холодный: выделение памяти, подготовка графа."""
+        rng = np.random.default_rng(0)
+        self.transcribe((rng.normal(0, 0.05, 16_000)).astype(np.float32))
+
+
+class Synthesizer:
+    """Silero v5: около десятой доли длительности фразы на синтез (docs/LATENCY.md)."""
+
+    def __init__(self, model_path: Path, speaker: str = "xenia") -> None:
+        import torch
+
+        torch.set_num_threads(INFERENCE_THREADS)
+        # Профилирующий компилятор на новых длинах входа не выигрывает: без него −13%.
+        torch._C._jit_set_profiling_executor(False)
+        importer = torch.package.PackageImporter(str(model_path))
+        self._model = importer.load_pickle("tts_models", "model")
+        self._model.to(torch.device("cpu"))
+        self.speaker = speaker
+
+    def synthesize(self, text: str) -> bytes:
+        """PCM16 24 кГц. Пустая реплика — пустые байты: Silero на пустой строке падает."""
+        spoken = normalize(text)
+        if not spoken:
+            return b""
+        audio = self._model.apply_tts(text=spoken, speaker=self.speaker, sample_rate=TTS_RATE)
+        pcm = (audio.clamp(-1, 1).numpy() * 32767).astype(np.int16)
+        return pcm.tobytes()
+
+    def warmup(self) -> None:
+        for text in ("Алло!", "Улица Ленина, дом четырнадцать, квартира сорок семь."):
+            self.synthesize(text)
+
+
+class VoiceModels:
+    def __init__(self, recognizer: Recognizer, synthesizer: Synthesizer, vad_path: Path) -> None:
+        self.recognizer = recognizer
+        self.synthesizer = synthesizer
+        self.vad_path = vad_path
+
+    async def transcribe(self, audio: np.ndarray) -> str:
+        return await asyncio.get_running_loop().run_in_executor(_pool, self.recognizer.transcribe, audio)
+
+    async def synthesize(self, text: str) -> bytes:
+        return await asyncio.get_running_loop().run_in_executor(_pool, self.synthesizer.synthesize, text)
+
+
+@lru_cache(maxsize=1)
+def get_voice_models() -> VoiceModels | None:
+    """None, если голос выключен или моделей нет: занятие идёт без голоса,
+    и это видно в /api/health, а не падением на первом звонке."""
+    settings = get_settings()
+    if not settings.voice_enabled:
+        return None
+    models = ROOT / settings.models_dir
+    required = [
+        models / "gigaam-v3-onnx" / "v3_rnnt_encoder.int8.onnx",
+        models / "silero-vad" / "silero_vad.onnx",
+        models / "silero-tts" / "v5_ru.pt",
+    ]
+    missing = [str(path.relative_to(ROOT)) for path in required if not path.exists()]
+    if missing:
+        log.warning("голосовой контур выключен, нет моделей: %s — make models", ", ".join(missing))
+        return None
+    try:
+        recognizer = Recognizer(models / "gigaam-v3-onnx")
+        synthesizer = Synthesizer(models / "silero-tts" / "v5_ru.pt")
+        # Прогрев здесь, на старте стенда, а не на первой реплике курсанта.
+        recognizer.warmup()
+        synthesizer.warmup()
+        return VoiceModels(recognizer, synthesizer, models / "silero-vad" / "silero_vad.onnx")
+    except ImportError as exc:
+        log.warning("голосовой контур выключен: не установлены зависимости (%s) — uv sync --extra voice", exc)
+        return None