From 9e78d75149fa2c278e5976327072daa0f5a3c6cd Mon Sep 17 00:00:00 2001
From: duffyduck <info@hacker-net.de>
Date: Sat, 15 Aug 2026 14:15:21 +0200
Subject: [PATCH] =?UTF-8?q?fix(voxtral):=20"Sprache=20erkannt"-Ping=20?=
 =?UTF-8?q?=E2=80=94=20No-Speech-Watchdog=20schneidet=20nicht=20mehr=20ab?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

Im Ohr-Modus (Wake/Passiv/Barge) beendete die App die Aufnahme am Konversations-
fenster (~conv window), obwohl Stefan noch redete — nur dort, nicht beim normalen
Button. Ursache: der App-No-Speech-Watchdog cancelt, solange KEIN stt_partial kam
(streamGotPartial=false). Voxtral schickt aber seit dem Cutoff-Fix keine Live-
Partials mehr → streamGotPartial blieb immer false → Timer feuerte mitten im Satz.
Der normale Button nutzt noSpeechTimeoutMs=0 (Watchdog aus) → dort nie aufgefallen.

Fix: Voxtral-Bridge feuert EIN leeres stt_partial beim ersten Voice-Frame (nach
der Speaker-ID-Pruefung, fremde Stimmen signalisieren also nicht). Die App setzt
darauf streamGotPartial=true und loescht den Watchdog — bestehender Handler, keine
App-Aenderung. Der akustische Endpoint (Stille >= endpointMs) bleibt der einzige
Turn-Ende-Ausloeser.

Deploy: docker compose up -d --build voxtral-bridge (keine neue APK noetig).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
---
 xtts/voxtral/bridge.py | 19 +++++++++++++++++++
 1 file changed, 19 insertions(+)

diff --git a/xtts/voxtral/bridge.py b/xtts/voxtral/bridge.py
index b051148..ef75f1e 100644
--- a/xtts/voxtral/bridge.py
+++ b/xtts/voxtral/bridge.py
@@ -168,6 +168,11 @@ class StreamSession:
     noise_floor: float = 0.0
     closed: bool = False
     endpoint_sent: bool = False
+    # Einmaliges "Sprache erkannt"-Signal an die App gesendet? Voxtral schickt
+    # keine Live-Partials, aber der App-No-Speech-Watchdog wartet auf ein
+    # 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
     # Speaker-ID Gating (einmalig auf die ersten ~1.5s der Aufnahme)
     speaker_checked: bool = False
     speaker_match: Optional[bool] = None
@@ -361,6 +366,20 @@ 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
+            # wuerde ihr No-Speech-Watchdog die Aufnahme sonst am Konversations-
+            # fenster canceln, obwohl der User noch redet (Stefans Reproduktion:
+            # "beendet nach ~4s, obwohl ich weiterrede — nur im Ohr-Modus"). Ein
+            # leeres stt_partial reicht: die App setzt streamGotPartial=true und
+            # loescht den Watchdog. Nach der Speaker-ID-Pruefung (oben) → fremde
+            # Stimmen signalisieren NICHT.
+            if not sess.speech_signaled and self._ws is not None:
+                sess.speech_signaled = True
+                await _send(self._ws, "stt_partial", {
+                    "requestId": sess.request_id,
+                    "audioRequestId": sess.audio_request_id,
+                    "text": "",
+                })
         else:
             self._update_noise_floor(sess, rms)
         # Endpoint: hat der User schon gesprochen UND ist es seit endpoint_ms still?