fix(voxtral): Halluzinations-Guard — kein Phantom-Text aus Stille/Blip

Stefans Repro: nach dem Senden ging sofort ein Passiv-Fenster auf (waehrend ARIA
noch arbeitete), und obwohl er nichts sagte, kam eine "Nachricht von ihm" — Voxtral
halluzinierte aus Fast-Nichts einen Fuellsatz. Der ging als Phantom-Turn ans Brain
und liess das Gespraech entgleisen (Antwort drauf, dann Konversation-Ende).

Ursache war eine Nebenwirkung des "Sprache erkannt"-Pings (9e78d75): der feuerte
beim ERSTEN Voice-Frame — also auch bei einem kurzen Geraeusch-Blip. Damit war der
App-No-Speech-Watchdog geloescht, der akustische Endpoint feuerte, und Voxtral
transkribierte den Blip → Halluzination. (Vorher haette der Watchdog den Blip
verworfen.)

Fix: voiced_frames-Zaehler (Endpointer-Frames mit echter Stimme). Erst ab
STREAM_MIN_VOICED_FRAMES (=2, ~400ms, env-tunebar) gilt es als Sprache:
- Der Speech-Ping feuert erst ab dieser Schwelle (ein Blip loescht den Watchdog
  also nicht mehr).
- _finalize transkribiert unter der Schwelle NICHT, sondern schickt ein leeres
  Endpoint (no-speech) → App re-armt still, kein Phantom-Turn. Manueller Stop
  (stream_end) ist ausgenommen (bewusst gesprochen, kurze Woerter ok).

Deploy: docker compose up -d --build voxtral-bridge.

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

xtts/voxtral/bridge.py

@@ -69,6 +69,10 @@ STREAM_SEMANTIC_BACKUP_FACTOR = 2.0
 STREAM_VOICE_FACTOR = 2.5
 STREAM_VOICE_RMS_MIN = 0.005
 STREAM_VOICE_RMS_MAX = 0.020
+# Mindest-Stimme (in ~200ms-Endpointer-Frames), ab der eine Aufnahme ueberhaupt
+# als Sprache gilt. Darunter = Stille / kurzer Geraeusch-Blip → KEIN Transkript
+# (Voxtral halluziniert aus Fast-Nichts sonst einen Fuellsatz). 2 ≈ 400ms.
+STREAM_MIN_VOICED_FRAMES = int(os.getenv("STREAM_MIN_VOICED_FRAMES", "2"))
 
 
 def pcm_s16le_to_float32(data: bytes) -> np.ndarray:
@@ -173,6 +177,9 @@ class StreamSession:
     # stt_partial, um "der User redet" zu erkennen — sonst cancelt er mitten im
     # Satz. Wir feuern EIN leeres stt_partial beim ersten Voice-Frame.
     speech_signaled: bool = False
+    # Anzahl Endpointer-Frames (~200ms) mit echter Stimme. Gate gegen Halluzination
+    # aus Stille/Blips: unter STREAM_MIN_VOICED_FRAMES wird nicht transkribiert.
+    voiced_frames: int = 0
     # Speaker-ID Gating (einmalig auf die ersten ~1.5s der Aufnahme)
     speaker_checked: bool = False
     speaker_match: Optional[bool] = None
@@ -366,14 +373,17 @@ class SessionManager:
         rms = self._tail_rms(sess)
         if rms >= self._voice_threshold(sess):
             sess.last_voice_at = now
-            # Einmalig der App melden, dass Sprache begonnen hat. Ohne Live-Partials
+            sess.voiced_frames += 1
-            # wuerde ihr No-Speech-Watchdog die Aufnahme sonst am Konversations-
+            # Einmalig der App melden, dass Sprache begonnen hat — aber ERST ab genug
-            # fenster canceln, obwohl der User noch redet (Stefans Reproduktion:
+            # echter Stimme (>= STREAM_MIN_VOICED_FRAMES). Ein einzelner Geraeusch-
-            # "beendet nach ~4s, obwohl ich weiterrede — nur im Ohr-Modus"). Ein
+            # Blip darf den No-Speech-Watchdog NICHT loeschen, sonst transkribiert
-            # leeres stt_partial reicht: die App setzt streamGotPartial=true und
+            # Voxtral das Fast-Nichts und HALLUZINIERT einen Phantom-Satz. Ohne Live-
-            # loescht den Watchdog. Nach der Speaker-ID-Pruefung (oben) → fremde
+            # Partials wuerde der Watchdog die Aufnahme sonst am Konversationsfenster
-            # Stimmen signalisieren NICHT.
+            # canceln, obwohl der User redet ("beendet nach ~4s"-Repro). Leeres
-            if not sess.speech_signaled and self._ws is not None:
+            # stt_partial: App setzt streamGotPartial=true + loescht den Watchdog.
+            # Nach der Speaker-ID-Pruefung (oben) → fremde Stimmen signalisieren NICHT.
+            if (not sess.speech_signaled and self._ws is not None
+                    and sess.voiced_frames >= STREAM_MIN_VOICED_FRAMES):
                 sess.speech_signaled = True
                 await _send(self._ws, "stt_partial", {
                     "requestId": sess.request_id,
@@ -390,6 +400,28 @@ class SessionManager:
         if sess.endpoint_sent:
             return
         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
+        # PHANTOM-Nachricht ans Brain geht und das Gespraech entgleisen laesst
+        # (Stefans Repro: "kam Nachricht von mir, obwohl ich nichts sagte"). Leeres
+        # Endpoint = no-speech → App re-armt still. Der manuelle Stop (stream_end)
+        # ist ausgenommen: dort hat der User bewusst gesprochen (kurze Woerter ok).
+        if reason != "stream_end" and sess.voiced_frames < STREAM_MIN_VOICED_FRAMES:
+            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)
+            if self._ws is not None:
+                nospeech = {"requestId": sess.request_id,
+                            "audioRequestId": sess.audio_request_id,
+                            "text": "", "reason": f"no_speech:{reason}",
+                            "durationS": 0.0, "sttMs": 0}
+                await _send(self._ws, "stt_endpoint", nospeech)
+                await _send(self._ws, "stt_stream_done", {
+                    "requestId": sess.request_id,
+                    "audioRequestId": sess.audio_request_id,
+                    "text": "", "reason": f"no_speech:{reason}"})
+            self.drop(sess.request_id)
+            return
         audio = pcm_s16le_to_float32(bytes(sess.pcm_buffer))
         t0 = time.time()
         try: