fix(voxtral): willkuerliche Abbrueche — semantischen Endpoint + Live-Partials raus

Ursache: Voxtral-3B transkribiert den ganzen wachsenden Buffer (~5-6s bei langen Aufnahmen). Diese Partial-Latenz war groesser als der semantische Endpoint-Timeout (4.8s) → 'Text waechst nicht mehr' feuerte faelschlich → Abbruch nach 20-40s. Fix: keine Live-Partials mehr, kein semantischer Endpoint — Turn-Ende rein akustisch (Stille-VAD), transkribiert wird nur EINMAL im _finalize. max_new_tokens 512->4096 (512 schnitt lange Diktate ab).

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

xtts/voxtral/bridge.py

@@ -121,7 +121,9 @@ class VoxtralRunner:
             )
             inputs = inputs.to(VOXTRAL_DEVICE, dtype=torch.bfloat16)
             with torch.no_grad():
-                outputs = model.generate(**inputs, max_new_tokens=512)
+                # hoch genug fuer lange Diktate (stoppt eh am EOS); 512 hat
+                # mehrminutige Aufnahmen abgeschnitten.
+                outputs = model.generate(**inputs, max_new_tokens=4096)
             trimmed = outputs[:, inputs.input_ids.shape[1]:]
             text = proc.batch_decode(trimmed, skip_special_tokens=True)
             return (text[0] if text else "").strip()
@@ -284,40 +286,20 @@ class SessionManager:
             return
         if self._buffer_ms(sess) < STREAM_MIN_AUDIO_MS:
             return
-        # adaptive akustische Sprach-Aktivitaet
+        # Adaptive akustische Sprach-Aktivitaet (M0.1). KEINE Live-Partials mehr:
+        # Voxtral-3B transkribiert den ganzen WACHSENDEN Buffer und braucht dafuer
+        # bei langen Aufnahmen 5-6 s — zu langsam fuer Live-Text, UND diese Latenz
+        # hat den semantischen Endpoint faelschlich ausgeloest (Partial-Latenz >
+        # Timeout → willkuerliche Abbrueche nach 20-40 s). Deshalb: Turn-Ende rein
+        # AKUSTISCH, transkribiert wird nur EINMAL im _finalize.
         rms = self._tail_rms(sess)
         if rms >= self._voice_threshold(sess):
             sess.last_voice_at = now
         else:
             self._update_noise_floor(sess, rms)
-        # Endpoint-Entscheidung, sobald Text erkannt wurde
-        if sess.last_growth_at > 0.0:
-            ac_sil = (now - sess.last_voice_at) * 1000.0 if sess.last_voice_at > 0 else 0.0
-            se_sil = (now - sess.last_growth_at) * 1000.0
-            ac_done = sess.last_voice_at > 0 and ac_sil >= sess.endpoint_ms
-            se_done = se_sil >= sess.endpoint_ms * STREAM_SEMANTIC_BACKUP_FACTOR
-            if ac_done or se_done:
-                await self._finalize(sess, "endpoint" if ac_done else "endpoint_semantic")
-                return
-        # Partial-Transkription (throttled)
-        if (now - sess.last_transcribe_at) * 1000.0 < STREAM_TRANSCRIBE_INTERVAL_MS:
-            return
-        sess.last_transcribe_at = now
-        audio = pcm_s16le_to_float32(bytes(sess.pcm_buffer))
-        try:
-            text = (await self.runner.transcribe(audio, sess.language)).strip()
-        except Exception:
-            logger.exception("Stream %s: Partial-Transcribe crashed", sess.request_id[:8])
-            return
-        if text and text != sess.last_partial:
-            sess.last_partial = text
-            sess.last_growth_at = now
-            if self._ws is not None:
-                await _send(self._ws, "stt_partial", {
-                    "requestId": sess.request_id,
-                    "audioRequestId": sess.audio_request_id,
-                    "text": text,
-                })
+        # Endpoint: hat der User schon gesprochen UND ist es seit endpoint_ms still?
+        if sess.last_voice_at > 0 and (now - sess.last_voice_at) * 1000.0 >= sess.endpoint_ms:
+            await self._finalize(sess, "endpoint")
 
     async def _finalize(self, sess: StreamSession, reason: str) -> None:
         if sess.endpoint_sent: