fix(voxtral): Phantom-Filter greift auch bei stream_end

Aus dem ai-box-Log gelernt: die realen Silence-Phantome ('Die Stadt hat eine
Fläche von 1,5 km²') kommen ALLE mit reason=stream_end — Passiv-/Wake-Fenster
enden auch per stream_end, wenn sie auf Stille zumachen. stream_end ist also
NICHT gleich 'manueller Stop mit bewusster Sprache'. Meine vorige Fassung nahm
stream_end aus → Phantome liefen durch.

Jetzt: (1) Pre-Guard greift auch bei stream_end, aber mit Schwelle voiced==0
(kurze bewusste Wörter am Button gehen durch, echte Stille nicht). (2) Phrase-
Filter gilt für ALLE reasons; das borderline-Band (wenig voiced_frames) schützt
echte, klar gesprochene Geo-Fragen. Gegen alle 3 Log-Fälle + reale Eingaben
verifiziert.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

xtts/voxtral/bridge.py

@@ -438,14 +438,21 @@ class SessionManager:
         sess.endpoint_sent = True
         # Halluzinations-Guard: zu wenig echte Stimme (Stille / kurzer Blip im
         # Passiv-/Wake-Fenster) → NICHT transkribieren. Voxtral (wie Whisper) baut
-        # aus Fast-Nichts gern einen Fuellsatz ("keine Ahnung" o.ae.), der dann als
+        # aus Fast-Nichts gern einen Fuellsatz ("Die Stadt hat eine Flaeche von
-        # PHANTOM-Nachricht ans Brain geht und das Gespraech entgleisen laesst
+        # 1,5 km2"), der dann als PHANTOM-Nachricht ans Brain geht und das Gespraech
-        # (Stefans Repro: "kam Nachricht von mir, obwohl ich nichts sagte"). Leeres
+        # entgleisen laesst (Stefans Repro: "kam Nachricht von mir, obwohl ich
-        # Endpoint = no-speech → App re-armt still. Der manuelle Stop (stream_end)
+        # nichts sagte"). Leeres Endpoint = no-speech → App re-armt still.
-        # ist ausgenommen: dort hat der User bewusst gesprochen (kurze Woerter ok).
+        #
-        if reason != "stream_end" and sess.voiced_frames < STREAM_MIN_VOICED_FRAMES:
+        # WICHTIG (aus dem ai-box-Log gelernt): die Phantome kommen mit
+        # reason=stream_end — Passiv-/Wake-Fenster enden AUCH per stream_end, wenn
+        # sie auf Stille zumachen. stream_end ist also NICHT gleich "manueller Stop".
+        # Deshalb greift der Guard jetzt auch bei stream_end, aber mit niedrigerer
+        # Schwelle (voiced==0 = gar keine Stimme), damit ein kurzes bewusstes Wort
+        # ('ja', 'stopp') am Aufnahme-Button noch durchgeht, echte Stille aber nicht.
+        _min_voiced = STREAM_MIN_VOICED_FRAMES if reason != "stream_end" else 1
+        if sess.voiced_frames < _min_voiced:
             logger.info("Stream %s: no-speech (voiced_frames=%d<%d, reason=%s) — leeres Endpoint",
-                        sess.request_id[:8], sess.voiced_frames, STREAM_MIN_VOICED_FRAMES, reason)
+                        sess.request_id[:8], sess.voiced_frames, _min_voiced, reason)
             if self._ws is not None:
                 nospeech = {"requestId": sess.request_id,
                             "audioRequestId": sess.audio_request_id,
@@ -472,12 +479,16 @@ class SessionManager:
 
         # Halluzinations-Filter (2. Netz): leeres/Artefakt-Transkript im borderline-
         # Band → als no-speech verwerfen statt ein Phantom ("Die Stadt hat eine
-        # Flaeche von 1,5 km2") ans Brain zu schicken. Manueller Stop (stream_end)
+        # Flaeche von 1,5 km2") ans Brain zu schicken. Gilt fuer ALLE reasons inkl.
-        # ist ausgenommen (bewusst gesprochen, auch kurze Woerter zaehlen).
+        # stream_end (dort kamen die realen Phantome!) — aber das borderline-Band
+        # (wenig voiced_frames) schuetzt echte, klar gesprochene Eingaben: eine echte
+        # Geografie-FRAGE hat normale Stimm-Energie (voiced_frames >> Schwelle) und
+        # geht durch; das Phantom aus Stille hat ~0 und wird verworfen. Ein leeres
+        # Transkript wird immer verworfen (nichts gesagt = nichts senden).
         _clean = final_text.strip(" .,!?…-\t\n\r")
         _borderline = sess.voiced_frames < STREAM_HALLUC_GUARD_FRAMES
         _is_phantom = (not _clean) or (_borderline and bool(_HALLUCINATION_RE.search(final_text)))
-        if reason != "stream_end" and _is_phantom:
+        if _is_phantom:
             logger.info("Stream %s: Halluzination verworfen (voiced_frames=%d<%d, %.1fs, text=%r)",
                         sess.request_id[:8], sess.voiced_frames, STREAM_HALLUC_GUARD_FRAMES,
                         duration_s, final_text[:80])