feat(voxtral): STT-Satellit (Profil) + 2-Karten-GPU-Pinning

Neuer xtts/voxtral-Container (RVS<->vLLM-Realtime-WS, adaptiver Endpointer), hinter Compose-Profil 'voxtral' (braucht >=16GB VRAM, startet nicht im Default). Bestehende Satelliten auf die zwei 3060 gepinnt: whisper->GPU0, f5tts->GPU1, llama-swap->GPU0.

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

xtts/docker-compose.yml

@@ -30,7 +30,7 @@ services:
         reservations:
           devices:
             - driver: nvidia
-              count: 1
+              device_ids: ["1"]      # TTS-Rolle → GPU 1 (spaeter: Voxtral-TTS)
               capabilities: [gpu]
     volumes:
       - ./voices:/voices                         # WAV + TXT Referenz
@@ -68,7 +68,7 @@ services:
         reservations:
           devices:
             - driver: nvidia
-              count: 1
+              device_ids: ["0"]      # STT-Rolle → GPU 0 (spaeter: Voxtral-STT-3B)
               capabilities: [gpu]
     environment:
       - RVS_HOST=${RVS_HOST}
@@ -108,7 +108,7 @@ services:
         reservations:
           devices:
             - driver: nvidia
-              count: 1
+              device_ids: ["0"]      # LLM → GPU 0 (teilt sich mit dem kleinen STT)
               capabilities: [gpu]
     volumes:
       - ./models:/models                                   # HF-Download-Cache (persistent)
@@ -137,3 +137,56 @@ services:
       # Erster Load eines Modells kann ein GGUF ziehen (mehrere GB) — grosszuegig.
       - LLM_TIMEOUT_SEC=${LLM_TIMEOUT_SEC:-600}
     restart: unless-stopped
+
+  # ─── Voxtral STT (GPU, Realtime) — PROFIL "voxtral" ───────────
+  # Ersetzt whisper als STT sobald die 24-GB-Karte da ist. Startet NUR mit
+  #   docker compose --profile voxtral up -d
+  # (sonst kollidiert es mit whisper — beide wuerden stt_* beantworten).
+  #
+  # ⚠️ VRAM: Voxtral-Mini-4B-Realtime-2602 braucht >=16 GB (BF16, laut vLLM-
+  #    Rezept keine Quant). Laeuft NICHT auf der 3060 (12 GB) — erst 24-GB-Karte.
+  # ⚠️ vLLM: Version >=0.20.0 noetig. Entrypoint/Serve-Form beim ersten Lauf
+  #    gegen das offizielle Rezept pruefen (siehe voxtral/README.md).
+  voxtral-vllm:
+    image: vllm/vllm-openai:latest
+    container_name: aria-voxtral-vllm
+    profiles: ["voxtral"]
+    deploy:
+      resources:
+        reservations:
+          devices:
+            - driver: nvidia
+              count: 1
+              capabilities: [gpu]
+    volumes:
+      - ./hf-cache:/root/.cache/huggingface      # gleicher Modell-Cache wie whisper/f5
+    environment:
+      - VLLM_DISABLE_COMPILE_CACHE=1
+      - HUGGING_FACE_HUB_TOKEN=${HF_TOKEN:-}
+    # Serve-Command aus dem vLLM-Rezept (Voxtral-Mini-4B-Realtime-2602).
+    command:
+      - --model
+      - mistralai/Voxtral-Mini-4B-Realtime-2602
+      - --tokenizer-mode
+      - mistral
+      - --compilation_config
+      - '{"cudagraph_mode":"PIECEWISE"}'
+    restart: unless-stopped
+
+  # ─── Voxtral-Bridge — RVS <-> vLLM-Realtime-WS (CPU-Glue) ─────
+  voxtral-bridge:
+    build: ./voxtral
+    container_name: aria-voxtral-bridge
+    profiles: ["voxtral"]
+    depends_on:
+      - voxtral-vllm
+    environment:
+      - RVS_HOST=${RVS_HOST}
+      - RVS_PORT=${RVS_PORT:-443}
+      - RVS_TLS=${RVS_TLS:-true}
+      - RVS_TLS_FALLBACK=${RVS_TLS_FALLBACK:-true}
+      - RVS_TOKEN=${RVS_TOKEN}
+      - VOXTRAL_VLLM_URL=ws://voxtral-vllm:8000/v1/realtime
+      - VOXTRAL_MODEL=mistralai/Voxtral-Mini-4B-Realtime-2602
+      - VOXTRAL_LANGUAGE=${WHISPER_LANGUAGE:-de}
+    restart: unless-stopped