fix(voice): robusteres STT-Endpointing via akustische Stille (nicht nur semantisch)

Bug: die Spracherkennung bricht mal zu frueh ab (nach zwei Worten obwohl noch
gesprochen wird) und merkt mal gar nicht dass man aufgehoert hat.

Ursache: der Endpointer feuerte rein auf semantischer Stagnation (Whisper-
Transkript waechst endpoint_ms lang nicht). Das ist fragil — kurze Sprech-
Pausen oder beam_size=1-Instabilitaet → vorzeitiger Cut; Oszillation/
Halluzination → nie ein Endpoint.

Fix: akustische Stille als robustes Primaersignal. Jeder Tick (~200ms) misst
die RMS-Energie der letzten 300ms:
- Solange Sprach-Energie da ist, bleibt die Session am Leben (kein Cut mitten
  im Reden).
- Endpoint feuert wenn seit endpoint_ms keine Sprach-Energie mehr da ist.
- Semantischer Backstop (2x endpoint_ms) fuer laute Umgebungen (Auto), wo die
  Energie nie faellt — dort degradiert es sauber aufs bisherige Verhalten.

RMS-Threshold (0.012) gegen Stille/Sprache/Fahrgeraeusch verifiziert.
Konstanten oben in der Datei tunebar.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

xtts/whisper/bridge.py

@@ -69,6 +69,18 @@ STREAM_DEFAULT_HARD_CAP_MS = 60000    # nach 60s Audio: harter Cut egal was
 STREAM_MIN_AUDIO_MS = 600             # erst transkribieren wenn min 600ms Audio da
 STREAM_SESSION_TTL_S = 120            # tote Sessions nach 2 min aufraeumen
 
+# Akustisches Endpointing (ergaenzt die rein-semantische Stagnation).
+# Motivation: der reine „Transkript waechst nicht mehr"-Endpoint feuert zu
+# frueh (kurze Sprech-Pausen, beam_size=1-Instabilitaet) oder gar nicht
+# (Whisper oszilliert/halluziniert). Echte akustische Stille ist das robuste
+# „User hat aufgehoert"-Signal.
+STREAM_ENERGY_WINDOW_MS = 300         # RMS ueber die letzten 300ms Audio messen
+STREAM_VOICE_RMS_THRESHOLD = 0.012    # RMS darueber = Sprache (haelt Session am Leben)
+# Rein-semantischer Backstop: wenn die Energie NIE faellt (laute Umgebung,
+# z.B. Auto), endpointen wir trotzdem — aber erst nach diesem Faktor x
+# endpoint_ms, damit normales Sprechen mit Pausen nicht abgeschnitten wird.
+STREAM_SEMANTIC_BACKUP_FACTOR = 2.0
+
 
 class WhisperRunner:
     """Haelt das Whisper-Modell. Hot-Swap bei Konfig-Wechsel via ensure_loaded()."""
@@ -310,6 +322,7 @@ class StreamSession:
     last_partial: str = ""
     last_growth_at: float = 0.0
     last_transcribe_at: float = 0.0
+    last_voice_at: float = 0.0   # letzter Tick mit akustischer Sprach-Energie
     closed: bool = False       # nach stream_end gesetzt
     endpoint_sent: bool = False  # Endpoint nur einmal feuern
     # Speaker-ID Gating: bei aktiviertem Fingerprint pruefen wir die ersten
@@ -533,6 +546,35 @@ class SessionManager:
         if audio_ms < STREAM_MIN_AUDIO_MS:
             return
 
+        # Akustische Sprach-Aktivitaet JEDEN Tick (~200ms) messen — unabhaengig
+        # vom Transcribe-Throttle. Solange wirklich gesprochen wird, bleibt die
+        # Session am Leben, auch wenn Whisper gerade keinen neuen Text liefert.
+        if self._tail_rms(sess) >= STREAM_VOICE_RMS_THRESHOLD:
+            sess.last_voice_at = now
+
+        # Endpoint-Entscheidung JEDEN Tick, sobald ueberhaupt Text erkannt wurde:
+        #   (a) akustisch: seit endpoint_ms keine Sprach-Energie mehr → User ist
+        #       fertig. Das ist der robuste Primaerpfad gegen „hoert nach zwei
+        #       Worten auf" (waehrend echten Sprechens ist Energie da → kein Cut).
+        #   (b) semantisch (Backstop): Transkript stagniert deutlich laenger als
+        #       endpoint_ms — fuer laute Umgebungen wo die Energie nie faellt.
+        if sess.last_growth_at > 0.0 and not sess.endpoint_sent:
+            acoustic_silence_ms = (now - sess.last_voice_at) * 1000.0 if sess.last_voice_at > 0 else 0.0
+            semantic_silence_ms = (now - sess.last_growth_at) * 1000.0
+            acoustic_done = sess.last_voice_at > 0 and acoustic_silence_ms >= sess.endpoint_ms
+            semantic_done = semantic_silence_ms >= sess.endpoint_ms * STREAM_SEMANTIC_BACKUP_FACTOR
+            if acoustic_done or semantic_done:
+                logger.info(
+                    "Stream %s: Endpoint (%s) — akustisch %dms / semantisch %dms — Text=%r",
+                    sess.request_id[:8],
+                    "akustisch" if acoustic_done else "semantisch",
+                    int(acoustic_silence_ms), int(semantic_silence_ms),
+                    sess.last_partial[:80],
+                )
+                await self._finalize(sess, ws,
+                                     reason="endpoint" if acoustic_done else "endpoint_semantic")
+                return
+
         # Transcribe-Throttling
         since_last = (now - sess.last_transcribe_at) * 1000.0
         if since_last < STREAM_TRANSCRIBE_INTERVAL_MS:
@@ -568,18 +610,8 @@ class SessionManager:
             })
             await _debug_log(ws, "stream.partial",
                 f"id={sess.request_id[:12]} text={text[:80]!r}")
-        else:
+        # else: kein neuer Text — die Endpoint-Entscheidung (akustisch +
-            # Stagnation pruefen — Endpoint-Bedingung
+        # semantischer Backstop) laeuft oben pro Tick, hier nichts mehr zu tun.
-            if sess.last_growth_at == 0.0:
-                # Noch gar kein Text erkannt. Wenn der User gar nichts sagt
-                # springt Brain irgendwann aus eigenem Conversation-Window-
-                # Timeout in der App raus; wir machen hier nix.
-                return
-            silence_ms = (now - sess.last_growth_at) * 1000.0
-            if silence_ms >= sess.endpoint_ms and not sess.endpoint_sent:
-                logger.info("Stream %s: Endpoint nach %dms ohne neuen Text — Text=%r",
-                            sess.request_id[:8], int(silence_ms), sess.last_partial[:80])
-                await self._finalize(sess, ws, reason="endpoint")
 
     def _buffer_duration_ms(self, sess: StreamSession) -> float:
         # 16-bit s16le mono → 2 bytes pro Sample
@@ -588,6 +620,23 @@ class SessionManager:
             return 0.0
         return (samples / sess.sample_rate) * 1000.0
 
+    def _tail_rms(self, sess: StreamSession) -> float:
+        """RMS-Energie der letzten STREAM_ENERGY_WINDOW_MS des Audio-Buffers.
+        Dient als akustisches „redet noch / ist still"-Signal."""
+        win_bytes = int(sess.sample_rate * STREAM_ENERGY_WINDOW_MS / 1000) * 2
+        if win_bytes <= 0:
+            return 0.0
+        tail = sess.pcm_buffer[-win_bytes:]
+        if len(tail) < 2:
+            return 0.0
+        try:
+            arr = pcm_s16le_to_float32(bytes(tail))
+        except Exception:
+            return 0.0
+        if arr.size == 0:
+            return 0.0
+        return float(np.sqrt(np.mean(arr * arr)))
+
     async def _finalize(self, sess: StreamSession, ws, reason: str) -> None:
         """Endgueltige Transkription auf dem vollen Buffer (beam_size=5),
         feuert stt_endpoint + stt_stream_done, droppt Session."""