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/vad.py

@@ -0,0 +1,114 @@
+"""Потоковый VAD: где оператор начал говорить и где закончил.
+
+Silero VAD, окно 32 мс при 16 кГц, меньше миллисекунды на окно (docs/LATENCY.md).
+Основная задержка не в модели, а в endpointing: фраза считается законченной
+после 600 мс тишины. Ниже 400 мс режет на паузах внутри фразы («улица...
+эээ... Ленина»), выше 800 мс ощущается как тормоз — не подбирать заново
+(docs/arch/STACK.md).
+"""
+
+from collections import deque
+from dataclasses import dataclass
+from pathlib import Path
+
+import numpy as np
+
+RATE = 16_000
+WINDOW = 512  # 32 мс
+CONTEXT = 64  # хвост предыдущего окна: так модель обучалась, без него точность падает
+WINDOW_MS = WINDOW * 1000 // RATE
+
+
+@dataclass
+class SpeechStarted:
+    """Оператор заговорил. Если звонящий в этот момент говорит — это barge-in."""
+
+
+@dataclass
+class SpeechEnded:
+    audio: np.ndarray  # float32, 16 кГц, с предзахватом начала фразы
+
+
+class StreamingVad:
+    def __init__(
+        self,
+        model_path: Path,
+        *,
+        start_threshold: float = 0.5,
+        end_threshold: float = 0.35,
+        endpointing_ms: int = 600,
+        min_speech_ms: int = 64,
+        preroll_ms: int = 200,
+        max_utterance_ms: int = 20_000,
+    ) -> None:
+        import onnxruntime as ort
+
+        options = ort.SessionOptions()
+        options.intra_op_num_threads = 1  # окно — доли миллисекунды, потоки только мешают
+        self._session = ort.InferenceSession(
+            str(model_path), sess_options=options, providers=["CPUExecutionProvider"]
+        )
+        # Порог начала выше порога конца: гистерезис, чтобы фраза не рвалась
+        # на каждом тихом слоге.
+        self.start_threshold = start_threshold
+        self.end_threshold = end_threshold
+        self.endpointing_ms = endpointing_ms
+        self.min_speech_ms = min_speech_ms
+        self.max_utterance_ms = max_utterance_ms
+
+        self._state = np.zeros((2, 1, 128), dtype=np.float32)
+        self._context = np.zeros(CONTEXT, dtype=np.float32)
+        self._pending = np.zeros(0, dtype=np.float32)
+        # Предзахват: первые звуки фразы звучат до того, как VAD уверится,
+        # что это речь. Без него «Назовите» распознаётся как «зовите».
+        self._preroll: deque[np.ndarray] = deque(maxlen=max(1, preroll_ms // WINDOW_MS))
+        self._speech: list[np.ndarray] = []
+        self._voiced_ms = 0
+        self._silence_ms = 0
+        self._in_speech = False
+
+    @property
+    def in_speech(self) -> bool:
+        return self._in_speech
+
+    def _probability(self, window: np.ndarray) -> float:
+        frame = np.concatenate([self._context, window])[None, :]
+        output, self._state = self._session.run(
+            None, {"input": frame, "state": self._state, "sr": np.array(RATE, dtype=np.int64)}
+        )
+        self._context = window[-CONTEXT:]
+        return float(output[0][0])
+
+    def push(self, pcm16: bytes) -> list[SpeechStarted | SpeechEnded]:
+        """Кадр PCM16 16 кГц любой длины → события."""
+        samples = np.frombuffer(pcm16, dtype=np.int16).astype(np.float32) / 32768
+        self._pending = np.concatenate([self._pending, samples])
+        events: list[SpeechStarted | SpeechEnded] = []
+
+        while len(self._pending) >= WINDOW:
+            window, self._pending = self._pending[:WINDOW], self._pending[WINDOW:]
+            probability = self._probability(window)
+
+            if not self._in_speech:
+                self._preroll.append(window)
+                self._voiced_ms = self._voiced_ms + WINDOW_MS if probability >= self.start_threshold else 0
+                if self._voiced_ms >= self.min_speech_ms:
+                    self._in_speech = True
+                    self._speech = list(self._preroll)
+                    self._silence_ms = 0
+                    events.append(SpeechStarted())
+                continue
+
+            self._speech.append(window)
+            self._silence_ms = self._silence_ms + WINDOW_MS if probability < self.end_threshold else 0
+            too_long = len(self._speech) * WINDOW_MS >= self.max_utterance_ms
+            if self._silence_ms >= self.endpointing_ms or too_long:
+                # Хвост тишины распознаванию не нужен, но короткий запас оставляем:
+                # конец последнего слова бывает тише порога.
+                keep = len(self._speech) - max(0, self._silence_ms - 200) // WINDOW_MS
+                events.append(SpeechEnded(audio=np.concatenate(self._speech[:keep])))
+                self._in_speech = False
+                self._speech = []
+                self._voiced_ms = 0
+                self._preroll.clear()
+        return events