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/text.py

@@ -0,0 +1,100 @@
+"""Текст реплики → текст, который Silero произнесёт целиком.
+
+Silero v5 **молча выбрасывает цифры и латиницу**: «улица Ленина, 14, квартира 47,
+5-й этаж» звучит на 1.6 с короче того же адреса словами — номера дома, квартиры
+и этажа не произносятся вовсе. Оператор при любом опросе не услышал бы адрес,
+а это главный факт упражнения. Поэтому всё, что в фактах записано цифрами
+и сокращениями, разворачивается в слова до синтеза.
+"""
+
+import re
+
+from num2words import num2words
+
+ABBREVIATIONS = {
+    r"\bул\.": "улица",
+    r"\bд\.": "дом",
+    r"\bкв\.": "квартира",
+    r"\bпр-т\b": "проспект",
+    r"\bпер\.": "переулок",
+    r"\bкорп\.": "корпус",
+    r"\bстр\.": "строение",
+    r"\bпод\.": "подъезд",
+    r"\bэт\.": "этаж",
+}
+
+LATIN = {
+    "a": "а", "b": "бэ", "c": "цэ", "d": "дэ", "e": "е", "f": "эф", "g": "гэ", "h": "аш",
+    "i": "и", "j": "йот", "k": "ка", "l": "эль", "m": "эм", "n": "эн", "o": "о", "p": "пэ",
+    "q": "ку", "r": "эр", "s": "эс", "t": "тэ", "u": "у", "v": "вэ", "w": "дубль вэ",
+    "x": "икс", "y": "игрек", "z": "зэт",
+}
+
+# Окончание порядкового числительного в записи «5-й», «5-я», «5-е» задаёт род.
+_ORDINAL = re.compile(r"\b(\d+)-(й|я|е|го|му|м|х)\b")
+_NUMBER = re.compile(r"\d+")
+
+
+def _ordinal(number: int, suffix: str) -> str:
+    word = num2words(number, lang="ru", to="ordinal")  # мужской род: «пятый»
+    if suffix == "я":
+        return re.sub(r"(ый|ой)$", "ая", re.sub(r"ий$", "ья" if word.endswith("тий") else "яя", word))
+    if suffix == "е":
+        return re.sub(r"(ый|ой)$", "ое", re.sub(r"ий$", "ье" if word.endswith("тий") else "ее", word))
+    return word
+
+
+def normalize(text: str) -> str:
+    """Вернуть текст, который синтез произнесёт без пропусков. Пустой — если говорить нечего."""
+    for pattern, full in ABBREVIATIONS.items():
+        text = re.sub(pattern, full, text, flags=re.IGNORECASE)
+
+    text = _ORDINAL.sub(lambda m: _ordinal(int(m.group(1)), m.group(2)), text)
+    # «47Б», «14B» — буква корпуса или квартиры прилипает к числу.
+    text = re.sub(r"(\d+)([A-Za-zА-Яа-я])\b", r"\1 \2", text)
+    text = _NUMBER.sub(lambda m: num2words(int(m.group()), lang="ru"), text)
+    text = re.sub(r"[A-Za-z]", lambda m: f" {LATIN[m.group().lower()]} ", text)
+    return re.sub(r"\s+", " ", text).strip()
+
+
+_SENTENCE_END = re.compile(r"(?<=[.!?…])\s+")
+
+
+def sentences(text: str) -> list[str]:
+    """Реплика по предложениям: синтез стартует с первого, не дожидаясь остальных."""
+    return [part for part in (piece.strip() for piece in _SENTENCE_END.split(text)) if part]
+
+
+#: Предложение, которое **звучит** длиннее этого, режется по запятым. Первый звук
+#: ждёт синтеза первого куска целиком: адрес одним предложением — 4 с звука и ~450 мс
+#: синтеза, первая часть «Улица Ленина, дом четырнадцать» — вдвое быстрее.
+#: Длина меряется по произносимому тексту: «14» в записи — два символа, в звуке —
+#: «четырнадцать».
+LONG_SENTENCE = 40
+MIN_CHUNK = 25
+
+
+def speech_chunks(text: str) -> list[str]:
+    """Куски для синтеза: предложения, а длинные — ещё и по запятым.
+
+    Следующий кусок синтезируется, пока играет предыдущий: синтез в 10 раз быстрее
+    реального времени, и стыка не слышно. Совсем короткие куски приклеиваются
+    к соседним — отдельно синтезированное «дом» звучит обрывком.
+    """
+    chunks: list[str] = []
+    for sentence in sentences(text):
+        if len(normalize(sentence)) <= LONG_SENTENCE:
+            chunks.append(sentence)
+            continue
+        parts = [part.strip() for part in re.split(r"(?<=,)\s+", sentence) if part.strip()]
+        current = ""
+        for index, part in enumerate(parts):
+            current = f"{current} {part}".strip()
+            last = index == len(parts) - 1
+            # Номер не отрывается от улицы: «Ленина» / «четырнадцать» звучит как
+            # два факта, и оператор расслышит улицу, но потеряет дом.
+            number_follows = not last and parts[index + 1][:1].isdigit()
+            if last or (len(normalize(current)) >= MIN_CHUNK and not number_follows):
+                chunks.append(current)
+                current = ""
+    return chunks