fix: WebSocket max_size hochgedreht — voice_upload sprengte Default 1MB

Symptom: aria-whisper-bridge bekam beim ersten internen stt_request
(via voice_upload mit WAV als base64, ~2.4MB) den Frame zu Gesicht,
default ws-max ist 1MB → mit Close-Code 1009 abgewiesen → Verbindung
tot → naechster stt_request lief in Timeout → lokales Fallback.

Fixes:
- whisper-bridge: max_size=50*1024*1024 in websockets.connect()
  (gleicher Wert wie f5tts-bridge schon hat)
- RVS-Server: maxPayload=50*1024*1024 in WebSocketServer-Optionen,
  damit der Server die Frames nicht selbst auf 1MB cappt bevor er
  sie an die Bridge weiterleitet.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

.env.example

@@ -15,7 +15,7 @@ ARIA_AUTH_TOKEN=change-me-to-a-long-random-string
 # App, Bridge, Diagnostic und XTTS-Bridge verbinden sich hierueber.
 # Alle muessen den gleichen Host, Port und Token nutzen.
 
-# Hostname des RVS-Servers (z.B. rvs.example.de oder example.com)
+# Hostname des RVS-Servers (z.B. rvs.example.de oder mobil.hacker-net.de)
 RVS_HOST=rvs.example.de
 
 # Port auf dem der RVS laeuft (muss mit rvs/docker-compose.yml uebereinstimmen)

README.md

@@ -650,33 +650,6 @@ In der Diagnostic unter Einstellungen → Sprachausgabe:
 > **Tipp:** Fuer beste Ergebnisse: saubere Aufnahme, eine Stimme, kein Hintergrund,
 > 10-30 Sekunden Gesamtlaenge. Mehrere kurze Dateien werden zusammengefuegt.
 
-### Deutsches Fine-Tune (bessere Qualitaet auf Deutsch)
-
-Das Default-Modell `F5TTS_v1_Base` ist primaer auf Englisch + Chinesisch trainiert
-und liefert auf Deutsch merklich schwaechere Voice-Cloning-Qualitaet als XTTS es
-tat. Community-Fine-Tune von [aihpi](https://huggingface.co/aihpi/F5-TTS-German)
-auf dem Emilia-Dataset + Common Voice 19.0 funktioniert deutlich besser.
-
-**Konfiguration ueber Diagnostic → "F5-TTS Modell-Tuning (advanced)":**
-
-| Feld | Wert |
-|------|------|
-| Modell-Architektur | `F5TTS_Base` *(nicht v1_Base! Fine-Tune basiert auf der alten Architektur)* |
-| Custom Checkpoint | `hf://aihpi/F5-TTS-German/F5TTS_Base/model_365000.safetensors` |
-| Custom Vocab | `hf://aihpi/F5-TTS-German/vocab.txt` |
-| cfg_strength | `2.0` |
-| nfe_step | `32` |
-
-→ "Anwenden" klicken. Die `hf://`-Pfade werden einmalig automatisch runter-
-geladen (~3-5GB, landet im `xtts/hf-cache/`) und bei Container-Restart aus
-dem Cache wiederverwendet.
-
-> **Warnung zur BigVGAN-Variante** (`F5TTS_Base_bigvgan/model_295000.safetensors`):
-> funktioniert AKTUELL NICHT mit dieser Bridge. Die f5-tts Library laedt
-> per Default den Vocos-Vocoder, die BigVGAN-Weights sind damit inkompatibel
-> → Modell produziert NaN, App bleibt stumm. Nur die **Vocos-Variante
-> (F5TTS_Base/model_365000.safetensors)** nutzen.
-
 ---
 
 ## Docker Volumes

android/android/app/build.gradle

@@ -79,8 +79,8 @@ android {
         applicationId "com.ariacockpit"
         minSdkVersion rootProject.ext.minSdkVersion
         targetSdkVersion rootProject.ext.targetSdkVersion
-        versionCode 603
-        versionName "0.0.6.3"
+        versionCode 506
+        versionName "0.0.5.6"
         // Fallback fuer Libraries mit Product Flavors
         missingDimensionStrategy 'react-native-camera', 'general'
     }

android/android/app/src/main/java/com/ariacockpit/PcmStreamPlayerModule.kt

@@ -32,17 +32,11 @@ class PcmStreamPlayerModule(reactContext: ReactApplicationContext) : ReactContex
         private const val TAG = "PcmStreamPlayer"
         // Fallback wenn JS keinen Wert uebergibt.
         private const val DEFAULT_PREROLL_SECONDS = 3.5
-        // 0.0 = sofortige Wiedergabe — play() direkt beim ersten Chunk.
-        // Macht Sinn fuer F5-TTS weil Render so schnell ist dass ein Puffer
-        // unnoetig ist und bei kurzen Saetzen sogar stoeren kann.
-        private const val MIN_PREROLL_SECONDS = 0.0
+        private const val MIN_PREROLL_SECONDS = 0.5
         private const val MAX_PREROLL_SECONDS = 10.0
         // Stille am Stream-Anfang, damit AudioTrack sauber anfaehrt und die
         // ersten Samples nicht abgeschnitten werden (XTTS-Warmup + play()-Latenz).
-        private const val LEADING_SILENCE_SECONDS = 0.3
-        // Stille am Ende — puffert das Hardware-Flushen damit die letzten
-        // echten Samples garantiert ausgespielt werden bevor stop() kommt.
-        private const val TRAILING_SILENCE_SECONDS = 0.3
+        private const val LEADING_SILENCE_SECONDS = 0.2
     }
 
     override fun getName() = "PcmStreamPlayer"
@@ -65,12 +59,9 @@ class PcmStreamPlayerModule(reactContext: ReactApplicationContext) : ReactContex
             // Alte Session beenden falls vorhanden
             stopInternal()
 
-            // Nur NaN/Inf → Default. 0.0 ist gueltig (= sofortige Wiedergabe).
-            val prerollSec = if (prerollSeconds.isFinite() && prerollSeconds >= 0.0) {
-                prerollSeconds.coerceIn(MIN_PREROLL_SECONDS, MAX_PREROLL_SECONDS)
-            } else {
-                DEFAULT_PREROLL_SECONDS
-            }
+            val prerollSec = prerollSeconds
+                .coerceIn(MIN_PREROLL_SECONDS, MAX_PREROLL_SECONDS)
+                .let { if (it.isFinite() && it > 0) it else DEFAULT_PREROLL_SECONDS }
 
             val channelConfig = if (channels == 2) AudioFormat.CHANNEL_OUT_STEREO else AudioFormat.CHANNEL_OUT_MONO
             val encoding = AudioFormat.ENCODING_PCM_16BIT
@@ -112,9 +103,9 @@ class PcmStreamPlayerModule(reactContext: ReactApplicationContext) : ReactContex
                 val t = track ?: return@Thread
                 try {
                     // Leading-Silence in den Buffer — gibt AudioTrack Zeit anzufahren.
-                    val leadingBytes = ((sampleRate * channels * 2) * LEADING_SILENCE_SECONDS).toInt() and 0x7FFFFFFE
-                    if (leadingBytes > 0) {
-                        val silence = ByteArray(leadingBytes)
+                    val silenceBytes = ((sampleRate * channels * 2) * LEADING_SILENCE_SECONDS).toInt() and 0x7FFFFFFE
+                    if (silenceBytes > 0) {
+                        val silence = ByteArray(silenceBytes)
                         var silOff = 0
                         while (silOff < silence.size && !writerShouldStop) {
                             val w = t.write(silence, silOff, silence.size - silOff)
@@ -123,38 +114,18 @@ class PcmStreamPlayerModule(reactContext: ReactApplicationContext) : ReactContex
                         }
                         bytesBuffered += silence.size
                     }
-                    // Bei preroll=0: play() SOFORT nach Leading-Silence aufrufen,
-                    // nicht erst bei Ankunft des ersten echten Chunks. Android's
-                    // AudioTrack haelt den Play-State und wartet auf neue Samples.
-                    // So verschluckt es keine Worte wenn der erste Chunk erst
-                    // nach play()-Startup-Latenz eintrifft.
-                    if (prerollBytes == 0 && !playbackStarted) {
-                        try {
-                            t.play()
-                            playbackStarted = true
-                            Log.i(TAG, "Playback sofort gestartet (preroll=0, ${bytesBuffered}B silence)")
-                        } catch (e: Exception) {
-                            Log.w(TAG, "play() sofort failed: ${e.message}")
-                        }
-                    }
-                    mainLoop@ while (!writerShouldStop) {
-                        val data = queue.poll(50, java.util.concurrent.TimeUnit.MILLISECONDS)
-                        if (data == null) {
+                    while (!writerShouldStop) {
+                        val data = queue.poll(50, java.util.concurrent.TimeUnit.MILLISECONDS) ?: run {
                             if (endRequested) {
                                 // Falls wir vor Pre-Roll enden (kurzer Text): trotzdem abspielen
                                 if (!playbackStarted) {
-                                    try {
-                                        t.play()
-                                        playbackStarted = true
-                                        Log.i(TAG, "Playback gestartet VOR Pre-Roll (kurzer Text, ${bytesBuffered}B gepuffert)")
-                                    } catch (e: Exception) {
-                                        Log.w(TAG, "play() fallback failed: ${e.message}")
-                                    }
+                                    try { t.play() } catch (_: Exception) {}
+                                    playbackStarted = true
                                 }
-                                break@mainLoop
+                                return@Thread
                             }
-                            continue@mainLoop
-                        }
+                            null
+                        } ?: continue
 
                         // Pre-Roll Check: play() erst wenn genug gepuffert
                         if (!playbackStarted && bytesBuffered + data.size >= prerollBytes) {
@@ -175,19 +146,6 @@ class PcmStreamPlayerModule(reactContext: ReactApplicationContext) : ReactContex
                         }
                         bytesBuffered += data.size
                     }
-                    // Trailing-Silence damit die letzten echten Samples garantiert
-                    // durch das Hardware-Buffering kommen bevor stop() sie abschneidet
-                    val trailingBytes = ((sampleRate * channels * 2) * TRAILING_SILENCE_SECONDS).toInt() and 0x7FFFFFFE
-                    if (trailingBytes > 0 && !writerShouldStop) {
-                        val silence = ByteArray(trailingBytes)
-                        var silOff = 0
-                        while (silOff < silence.size && !writerShouldStop) {
-                            val w = t.write(silence, silOff, silence.size - silOff)
-                            if (w <= 0) break
-                            silOff += w
-                        }
-                        bytesBuffered += silence.size
-                    }
                 } catch (e: Exception) {
                     Log.w(TAG, "Writer-Thread Fehler: ${e.message}")
                 } finally {

android/package.json

@@ -1,6 +1,6 @@
 {
   "name": "aria-cockpit",
-  "version": "0.0.6.3",
+  "version": "0.0.5.6",
   "private": true,
   "scripts": {
     "android": "react-native run-android",

android/src/components/MessageText.tsx

@@ -1,90 +0,0 @@
-/**
- * MessageText — rendert Chat-Text mit Auto-Linkifizierung:
- *   - http(s)://... → tippbar, oeffnet im Browser
- *   - mailto: oder plain E-Mail → tippbar, oeffnet Mail-App
- *   - Telefonnummern → tippbar, oeffnet Android-Dialer
- *
- * Text ist durchgaengig markierbar/kopierbar (selectable).
- */
-
-import React from 'react';
-import { Text, Linking, TextStyle, StyleProp } from 'react-native';
-
-// Regex kombiniert URL | Email | Telefonnummer.
-// Gruppenreihenfolge ist wichtig fuer die Erkennung unten.
-//
-// URL: http://... oder https://... bis zum ersten Whitespace / Anfuehrungszeichen.
-// Email: simpler Standard-Match (kein RFC-kompatibel aber gut genug).
-// Telefon: internationale Form (+49..., 0049..., 0176...), darf Leerzeichen
-//         / Bindestriche / Schraegstriche / Klammern enthalten, mindestens 7
-//         Ziffern insgesamt. Vermeidet banale Zahlen (Uhrzeiten, Datum).
-const LINK_REGEX = new RegExp(
-  '(https?:\\/\\/[^\\s<>"]+)' +                                // 1: URL
-  '|([A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z]{2,})' +        // 2: Email
-  '|((?:\\+|00)\\d[\\d\\s()\\-\\/]{6,}\\d|0\\d{2,4}[\\s\\/\\-]?[\\d\\s\\-\\/]{5,}\\d)', // 3: Telefon
-  'g',
-);
-
-const LINK_STYLE = { color: '#0096FF', textDecorationLine: 'underline' } as TextStyle;
-
-interface Segment {
-  text: string;
-  kind: 'text' | 'url' | 'email' | 'phone';
-}
-
-function tokenize(raw: string): Segment[] {
-  const out: Segment[] = [];
-  let lastEnd = 0;
-  LINK_REGEX.lastIndex = 0;
-  let m: RegExpExecArray | null;
-  while ((m = LINK_REGEX.exec(raw)) !== null) {
-    if (m.index > lastEnd) {
-      out.push({ text: raw.slice(lastEnd, m.index), kind: 'text' });
-    }
-    if (m[1]) out.push({ text: m[1], kind: 'url' });
-    else if (m[2]) out.push({ text: m[2], kind: 'email' });
-    else if (m[3]) out.push({ text: m[3], kind: 'phone' });
-    lastEnd = LINK_REGEX.lastIndex;
-  }
-  if (lastEnd < raw.length) out.push({ text: raw.slice(lastEnd), kind: 'text' });
-  return out;
-}
-
-function onPress(seg: Segment) {
-  try {
-    if (seg.kind === 'url') {
-      Linking.openURL(seg.text);
-    } else if (seg.kind === 'email') {
-      Linking.openURL(`mailto:${seg.text}`);
-    } else if (seg.kind === 'phone') {
-      // Android-Dialer erwartet tel:-Schema ohne Leerzeichen/Bindestriche
-      const clean = seg.text.replace(/[\s\-\/()]/g, '');
-      Linking.openURL(`tel:${clean}`);
-    }
-  } catch {}
-}
-
-interface Props {
-  text: string;
-  style?: StyleProp<TextStyle>;
-}
-
-const MessageText: React.FC<Props> = ({ text, style }) => {
-  const segments = React.useMemo(() => tokenize(text), [text]);
-  return (
-    <Text style={style} selectable>
-      {segments.map((seg, i) => {
-        if (seg.kind === 'text') {
-          return <Text key={i}>{seg.text}</Text>;
-        }
-        return (
-          <Text key={i} style={LINK_STYLE} onPress={() => onPress(seg)}>
-            {seg.text}
-          </Text>
-        );
-      })}
-    </Text>
-  );
-};
-
-export default MessageText;

android/src/components/VoiceButton.tsx

@@ -93,24 +93,18 @@ const VoiceButton: React.FC<VoiceButtonProps> = ({
     }
   }, [isRecording]);
 
-  // VAD Silence Callback — Auto-Stop.
-  // WICHTIG: NICHT auf isRecording prüfen (Closure ist stale) — stattdessen
-  // audioService selber fragen. Empty deps → Listener wird EINMAL registriert.
-  // audioService garantiert jetzt dass der Callback pro Aufnahme nur einmal
-  // feuert (silenceFired-Latch).
-  const onCompleteRef = useRef(onRecordingComplete);
-  useEffect(() => { onCompleteRef.current = onRecordingComplete; }, [onRecordingComplete]);
+  // VAD Silence Callback — Auto-Stop
   useEffect(() => {
     const unsubSilence = audioService.onSilenceDetected(async () => {
-      if (audioService.getRecordingState() !== 'recording') return;
-      const result = await audioService.stopRecording();
+      if (!isRecording) return;
       setIsRecording(false);
+      const result = await audioService.stopRecording();
       if (result && result.durationMs > 500) {
-        onCompleteRef.current(result);
+        onRecordingComplete(result);
       }
     });
     return unsubSilence;
-  }, []);
+  }, [isRecording, onRecordingComplete]);
 
   // Auto-Start fuer Wake Word (extern getriggert)
   const startAutoRecording = useCallback(async () => {
@@ -142,35 +136,23 @@ const VoiceButton: React.FC<VoiceButtonProps> = ({
     }
   };
 
-  // Tap-to-Talk: Einmal tippen startet mit Auto-Stop.
-  // Guard gegen Doppel-Tap während asyncer Start/Stop.
-  const tapBusy = useRef(false);
+  // Tap-to-Talk: Einmal tippen startet mit Auto-Stop
   const handleTap = async () => {
-    if (disabled || tapBusy.current) return;
-    tapBusy.current = true;
-    try {
-      // Fragen WIR den Service, nicht den React-State (Closure kann stale sein)
-      const svcState = audioService.getRecordingState();
-      if (svcState === 'recording') {
-        // Aufnahme manuell stoppen
-        const result = await audioService.stopRecording();
-        setIsRecording(false);
-        if (result && result.durationMs > 300) {
-          onRecordingComplete(result);
-        }
-      } else if (svcState === 'idle') {
-        // Aufnahme mit Auto-Stop starten
-        const started = await audioService.startRecording(true);
-        if (started) {
-          isLongPress.current = false;
-          setIsRecording(true);
-        }
+    if (disabled) return;
+    if (isRecording) {
+      // Aufnahme manuell stoppen
+      setIsRecording(false);
+      const result = await audioService.stopRecording();
+      if (result && result.durationMs > 300) {
+        onRecordingComplete(result);
+      }
+    } else {
+      // Aufnahme mit Auto-Stop starten
+      const started = await audioService.startRecording(true);
+      if (started) {
+        isLongPress.current = false;
+        setIsRecording(true);
       }
-      // svcState === 'processing': Stopp in progress — nichts tun, User
-      // muss nochmal tippen wenn fertig. Aber wir blockieren mit tapBusy
-      // kurz damit der User's UI-Feedback synchron bleibt.
-    } finally {
-      tapBusy.current = false;
     }
   };
 

android/src/screens/ChatScreen.tsx

@@ -29,8 +29,7 @@ import updateService from '../services/updater';
 import VoiceButton from '../components/VoiceButton';
 import FileUpload, { FileData } from '../components/FileUpload';
 import CameraUpload, { PhotoData } from '../components/CameraUpload';
-import MessageText from '../components/MessageText';
-import { RecordingResult, loadConvWindowMs, loadTtsSpeed, TTS_SPEED_DEFAULT } from '../services/audio';
+import { RecordingResult, loadConvWindowMs } from '../services/audio';
 import Geolocation from '@react-native-community/geolocation';
 
 // --- Typen ---
@@ -104,8 +103,6 @@ const ChatScreen: React.FC = () => {
   const [showCameraUpload, setShowCameraUpload] = useState(false);
   const [gpsEnabled, setGpsEnabled] = useState(false);
   const [wakeWordActive, setWakeWordActive] = useState(false);
-  // Genauer State (off/armed/conversing) fuer UI-Feedback am Button
-  const [wakeWordState, setWakeWordState] = useState<'off' | 'armed' | 'conversing'>('off');
   const [fullscreenImage, setFullscreenImage] = useState<string | null>(null);
   const [searchQuery, setSearchQuery] = useState('');
   const [searchVisible, setSearchVisible] = useState(false);
@@ -119,13 +116,6 @@ const ChatScreen: React.FC = () => {
   const [ttsMuted, setTtsMuted] = useState(false);
   // Gerätelokale XTTS-Voice-Wahl (bevorzugt gegenueber dem globalen Default)
   const localXttsVoiceRef = useRef<string>('');
-  // Geraetelokale TTS-Wiedergabegeschwindigkeit (speed-Param an F5-TTS)
-  const ttsSpeedRef = useRef<number>(TTS_SPEED_DEFAULT);
-  // Spiegelung der TTS-Settings in einer Ref — damit die onMessage-Closure
-  // (useEffect mit []-deps) IMMER die aktuellen Werte sieht. Ohne Ref
-  // bliebe canPlay auf dem Mount-Initial-Wert haengen (mute ignoriert,
-  // oder AsyncStorage-Load nicht beruecksichtigt).
-  const ttsCanPlayRef = useRef<boolean>(true);
 
   const flatListRef = useRef<FlatList>(null);
   const messageIdCounter = useRef(0);
@@ -145,7 +135,6 @@ const ChatScreen: React.FC = () => {
       setTtsMuted(muted === 'true'); // default false
       const voice = await AsyncStorage.getItem('aria_xtts_voice');
       localXttsVoiceRef.current = voice || '';
-      ttsSpeedRef.current = await loadTtsSpeed();
     };
     loadTtsSettings();
     // Poll alle 2s um Settings-Aenderung mitzubekommen (einfache Loesung ohne Context)
@@ -156,19 +145,8 @@ const ChatScreen: React.FC = () => {
   // Wake Word: einmalig laden + Porcupine vorbereiten (wenn Access Key gesetzt)
   useEffect(() => {
     wakeWordService.loadFromStorage().catch(() => {});
-    const unsub = wakeWordService.onStateChange((s) => {
-      setWakeWordState(s);
-      setWakeWordActive(s !== 'off');
-    });
-    return () => unsub();
   }, []);
 
-  // ttsCanPlayRef live aktuell halten — Closure in onMessage unten liest
-  // darueber statt direkt ttsDeviceEnabled/ttsMuted (sonst stale).
-  useEffect(() => {
-    ttsCanPlayRef.current = ttsDeviceEnabled && !ttsMuted;
-  }, [ttsDeviceEnabled, ttsMuted]);
-
   const toggleMute = useCallback(() => {
     setTtsMuted(prev => {
       const next = !prev;
@@ -270,22 +248,15 @@ const ChatScreen: React.FC = () => {
       if (message.type === 'chat') {
         const sender = (message.payload.sender as string) || '';
 
-        // STT-Ergebnis: Transkribierten Text in die Sprach-Bubble schreiben.
-        // WICHTIG: Nur die ERSTE noch unaufgeloeste Aufnahme matchen — sonst
-        // wuerde bei zwei kurz hintereinander gesendeten Audios beide Bubbles
-        // den gleichen Text bekommen (Bug: zweite Antwort ueberschreibt erste).
+        // STT-Ergebnis: Transkribierten Text in die Sprach-Bubble schreiben
         if (sender === 'stt') {
           const sttText = (message.payload.text as string) || '';
           if (sttText) {
-            setMessages(prev => {
-              const idx = prev.findIndex(m =>
-                m.sender === 'user' && m.text.includes('Spracheingabe wird verarbeitet')
-              );
-              if (idx < 0) return prev;
-              const next = prev.slice();
-              next[idx] = { ...next[idx], text: `\uD83C\uDFA4 ${sttText}` };
-              return next;
-            });
+            setMessages(prev => prev.map(m =>
+              m.sender === 'user' && m.text.includes('Spracheingabe wird verarbeitet')
+                ? { ...m, text: `\uD83C\uDFA4 ${sttText}` }
+                : m
+            ));
           }
           return;
         }
@@ -328,12 +299,7 @@ const ChatScreen: React.FC = () => {
       }
 
       // TTS-Audio abspielen wenn vorhanden — respektiert geraetelokalen Mute/Disable
-      // WICHTIG: via Ref statt direkt state lesen, sonst ist's stale (Closure-Bug).
-      const canPlay = ttsCanPlayRef.current;
-      if (message.type === 'audio_pcm' || (message.type === 'audio' && message.payload.base64)) {
-        console.log('[Chat] audio-msg canPlay=%s (enabled=%s muted=%s)',
-                    canPlay, ttsDeviceEnabled, ttsMuted);
-      }
+      const canPlay = ttsDeviceEnabled && !ttsMuted;
       if (message.type === 'audio' && message.payload.base64) {
         const b64 = message.payload.base64 as string;
         const refId = (message.payload.messageId as string) || '';
@@ -473,7 +439,6 @@ const ChatScreen: React.FC = () => {
           durationMs: result.durationMs,
           mimeType: result.mimeType,
           voice: localXttsVoiceRef.current,
-          speed: ttsSpeedRef.current,
           ...(location && { location }),
         });
         // resume() wird durch onPlaybackFinished nach ARIAs Antwort getriggert.
@@ -495,12 +460,7 @@ const ChatScreen: React.FC = () => {
   // Wake Word Toggle Handler
   const toggleWakeWord = useCallback(async () => {
     if (wakeWordActive) {
-      // Vor Porcupine-Stop: eventuelle laufende Aufnahme abbrechen. Sonst
-      // bleibt audioService.recordingState=='recording' haengen und der
-      // normale Aufnahme-Button wirkt nicht mehr (startRecording lehnt
-      // ab weil "Aufnahme laeuft bereits").
-      try { await audioService.stopRecording(); } catch {}
-      await wakeWordService.stop();
+      wakeWordService.stop();
       setWakeWordActive(false);
     } else {
       const started = await wakeWordService.start();
@@ -586,13 +546,10 @@ const ChatScreen: React.FC = () => {
     };
     setMessages(prev => capMessages([...prev, userMsg]));
 
-    console.log('[Chat] sende mit voice=%s speed=%s',
-                localXttsVoiceRef.current || '(default)', ttsSpeedRef.current);
     // An RVS senden — mit geraetelokaler Voice (Bridge nutzt sie fuer die Antwort)
     rvs.send('chat', {
       text,
       voice: localXttsVoiceRef.current,
-      speed: ttsSpeedRef.current,
       ...(location && { location }),
     });
   }, [inputText, getCurrentLocation, pendingAttachments, sendPendingAttachments]);
@@ -702,7 +659,6 @@ const ChatScreen: React.FC = () => {
       rvs.send('chat', {
         text: messageText,
         voice: localXttsVoiceRef.current,
-        speed: ttsSpeedRef.current,
         ...(location && { location }),
       });
     }
@@ -777,10 +733,9 @@ const ChatScreen: React.FC = () => {
         ))}
         {/* Text (nicht anzeigen wenn nur "Anhang empfangen" und ein Bild da ist) */}
         {!(item.text === 'Anhang empfangen' && item.attachments?.some(a => a.type === 'image' && a.uri)) && (
-          <MessageText
-            text={item.text}
-            style={[styles.messageText, isUser ? styles.userText : styles.ariaText]}
-          />
+          <Text style={[styles.messageText, isUser ? styles.userText : styles.ariaText]}>
+            {item.text}
+          </Text>
         )}
         {/* Play-Button fuer ARIA-Nachrichten — Cache bevorzugt, sonst Bridge-TTS mit aktueller Engine */}
         {!isUser && item.text.length > 0 && (
@@ -795,7 +750,6 @@ const ChatScreen: React.FC = () => {
                 rvs.send('tts_request' as any, {
                   text: item.text,
                   voice: localXttsVoiceRef.current,
-                  speed: ttsSpeedRef.current,
                   messageId: item.messageId || '',
                 });
               }
@@ -1016,10 +970,7 @@ const ChatScreen: React.FC = () => {
               style={[styles.wakeWordBtn, wakeWordActive && styles.wakeWordBtnActive]}
               onPress={toggleWakeWord}
             >
-              <Text style={styles.wakeWordIcon}>
-                {wakeWordState === 'conversing' ? '🎙️' :
-                 wakeWordState === 'armed' ? '👂' : '🔇'}
-              </Text>
+              <Text style={styles.wakeWordIcon}>{wakeWordActive ? '👂' : '🔇'}</Text>
             </TouchableOpacity>
           </>
         )}

android/src/screens/SettingsScreen.tsx

@@ -35,10 +35,6 @@ import {
   CONV_WINDOW_MIN_SEC,
   CONV_WINDOW_MAX_SEC,
   CONV_WINDOW_STORAGE_KEY,
-  TTS_SPEED_DEFAULT,
-  TTS_SPEED_MIN,
-  TTS_SPEED_MAX,
-  TTS_SPEED_STORAGE_KEY,
 } from '../services/audio';
 import wakeWordService, {
   BUILTIN_KEYWORDS,
@@ -102,7 +98,6 @@ const SettingsScreen: React.FC = () => {
   const [ttsPrerollSec, setTtsPrerollSec] = useState<number>(TTS_PREROLL_DEFAULT_SEC);
   const [vadSilenceSec, setVadSilenceSec] = useState<number>(VAD_SILENCE_DEFAULT_SEC);
   const [convWindowSec, setConvWindowSec] = useState<number>(CONV_WINDOW_DEFAULT_SEC);
-  const [ttsSpeed, setTtsSpeed] = useState<number>(TTS_SPEED_DEFAULT);
   const [wakeAccessKey, setWakeAccessKey] = useState<string>('');
   const [wakeAccessKeyVisible, setWakeAccessKeyVisible] = useState(false);
   const [wakeKeyword, setWakeKeyword] = useState<string>(DEFAULT_KEYWORD);
@@ -158,12 +153,6 @@ const SettingsScreen: React.FC = () => {
         }
       }
     });
-    AsyncStorage.getItem(TTS_SPEED_STORAGE_KEY).then(saved => {
-      if (saved != null) {
-        const n = parseFloat(saved);
-        if (isFinite(n) && n >= TTS_SPEED_MIN && n <= TTS_SPEED_MAX) setTtsSpeed(n);
-      }
-    });
     AsyncStorage.getItem(WAKE_ACCESS_KEY_STORAGE).then(saved => {
       if (saved) setWakeAccessKey(saved);
     });
@@ -811,38 +800,6 @@ const SettingsScreen: React.FC = () => {
                 <Text style={styles.prerollButtonText}>+0.5</Text>
               </TouchableOpacity>
             </View>
-
-            <Text style={[styles.toggleLabel, {marginTop: 24}]}>Sprechgeschwindigkeit</Text>
-            <Text style={styles.toggleHint}>
-              Wie schnell ARIA spricht. 1.0 = Normal. Niedriger = langsamer, hoeher = schneller.
-              Wird an F5-TTS als speed-Param uebergeben und pro Geraet gespeichert.
-              Default: {TTS_SPEED_DEFAULT.toFixed(1)}x.
-            </Text>
-            <View style={styles.prerollRow}>
-              <TouchableOpacity
-                style={styles.prerollButton}
-                onPress={() => {
-                  const next = Math.max(TTS_SPEED_MIN, Math.round((ttsSpeed - 0.1) * 10) / 10);
-                  setTtsSpeed(next);
-                  AsyncStorage.setItem(TTS_SPEED_STORAGE_KEY, String(next));
-                }}
-                disabled={ttsSpeed <= TTS_SPEED_MIN}
-              >
-                <Text style={styles.prerollButtonText}>−0.1</Text>
-              </TouchableOpacity>
-              <Text style={styles.prerollValue}>{ttsSpeed.toFixed(1)} x</Text>
-              <TouchableOpacity
-                style={styles.prerollButton}
-                onPress={() => {
-                  const next = Math.min(TTS_SPEED_MAX, Math.round((ttsSpeed + 0.1) * 10) / 10);
-                  setTtsSpeed(next);
-                  AsyncStorage.setItem(TTS_SPEED_STORAGE_KEY, String(next));
-                }}
-                disabled={ttsSpeed >= TTS_SPEED_MAX}
-              >
-                <Text style={styles.prerollButtonText}>+0.1</Text>
-              </TouchableOpacity>
-            </View>
           </View>
         )}
 

android/src/services/audio.ts

@@ -92,24 +92,6 @@ export const CONV_WINDOW_MIN_SEC = 3.0;
 export const CONV_WINDOW_MAX_SEC = 20.0;
 export const CONV_WINDOW_STORAGE_KEY = 'aria_conv_window_sec';
 
-// TTS-Wiedergabegeschwindigkeit — wird pro Geraet gespeichert und an die
-// Bridge mitgegeben (speed-Param im F5-TTS infer()). 1.0 = normal.
-export const TTS_SPEED_DEFAULT = 1.0;
-export const TTS_SPEED_MIN = 0.1;
-export const TTS_SPEED_MAX = 5.0;
-export const TTS_SPEED_STORAGE_KEY = 'aria_tts_speed';
-
-export async function loadTtsSpeed(): Promise<number> {
-  try {
-    const raw = await AsyncStorage.getItem(TTS_SPEED_STORAGE_KEY);
-    if (raw != null) {
-      const n = parseFloat(raw);
-      if (isFinite(n) && n >= TTS_SPEED_MIN && n <= TTS_SPEED_MAX) return n;
-    }
-  } catch {}
-  return TTS_SPEED_DEFAULT;
-}
-
 export async function loadConvWindowMs(): Promise<number> {
   try {
     const raw = await AsyncStorage.getItem(CONV_WINDOW_STORAGE_KEY);
@@ -143,7 +125,7 @@ const MAX_RECORDING_MS = 120000;
 // Pre-Roll: Wie lange Audio im AudioTrack-Buffer liegt bevor play() startet.
 // Einstellbar via Diagnostic/Settings (Key: aria_tts_preroll_sec).
 export const TTS_PREROLL_DEFAULT_SEC = 3.5;
-export const TTS_PREROLL_MIN_SEC = 0;     // 0 = sofort abspielen (F5-TTS ist schnell genug)
+export const TTS_PREROLL_MIN_SEC = 1.0;
 export const TTS_PREROLL_MAX_SEC = 6.0;
 export const TTS_PREROLL_STORAGE_KEY = 'aria_tts_preroll_sec';
 
@@ -196,8 +178,6 @@ class AudioService {
   private lastSpeechTime: number = 0;
   private vadTimer: ReturnType<typeof setInterval> | null = null;
   private maxDurationTimer: ReturnType<typeof setTimeout> | null = null;
-  // Latch damit der Silence-Callback pro Aufnahme genau einmal feuert
-  private silenceFired: boolean = false;
   private noSpeechTimer: ReturnType<typeof setTimeout> | null = null;
 
   constructor() {
@@ -307,47 +287,33 @@ class AudioService {
       // Andere Apps waehrend der Aufnahme pausieren (Musik, Videos etc.)
       AudioFocus?.requestExclusive().catch(() => {});
 
-      // VAD aktivieren — Stille-Dauer aus AsyncStorage (Settings-konfigurierbar).
-      // WICHTIG: jeder Trigger (VAD-Stille / Max-Dauer / No-Speech-Window)
-      // disable SOFORT den VAD-Flag und clear den Timer, BEVOR die Listener
-      // gefeuert werden. Sonst feuert das setInterval weiter alle 200ms und
-      // ruft stopRecording parallel auf → audio-recorder-player crasht.
+      // VAD aktivieren — Stille-Dauer aus AsyncStorage (Settings-konfigurierbar)
       this.vadEnabled = autoStop;
-      this.silenceFired = false;
-      const fireSilenceOnce = (reason: string) => {
-        if (this.silenceFired) return;
-        this.silenceFired = true;
-        this.vadEnabled = false;
-        if (this.vadTimer) { clearInterval(this.vadTimer); this.vadTimer = null; }
-        if (this.maxDurationTimer) { clearTimeout(this.maxDurationTimer); this.maxDurationTimer = null; }
-        if (this.noSpeechTimer) { clearTimeout(this.noSpeechTimer); this.noSpeechTimer = null; }
-        console.log('[Audio] Silence-Fire: %s', reason);
-        this.silenceListeners.forEach(cb => {
-          try { cb(); } catch (e) { console.warn('[Audio] silence listener err:', e); }
-        });
-      };
       if (autoStop) {
         const vadSilenceMs = await loadVadSilenceMs();
-        console.log('[Audio] startRecording: autoStop=true, VAD-Stille=%dms, MAX=%dms',
-                    vadSilenceMs, MAX_RECORDING_MS);
+        console.log('[Audio] VAD-Stille:', vadSilenceMs, 'ms');
         this.vadTimer = setInterval(() => {
           const silenceDuration = Date.now() - this.lastSpeechTime;
           if (silenceDuration >= vadSilenceMs) {
-            fireSilenceOnce(`VAD ${silenceDuration}ms Stille (Schwelle=${vadSilenceMs}ms)`);
+            console.log(`[Audio] VAD: ${silenceDuration}ms Stille — Auto-Stop`);
+            this.silenceListeners.forEach(cb => cb());
           }
         }, 200);
         // Notbremse: Nach MAX_RECORDING_MS zwangsweise stoppen
         this.maxDurationTimer = setTimeout(() => {
-          fireSilenceOnce(`Max-Dauer ${MAX_RECORDING_MS}ms`);
+          console.warn(`[Audio] Max-Dauer ${MAX_RECORDING_MS}ms erreicht — Zwangs-Stop`);
+          this.silenceListeners.forEach(cb => cb());
         }, MAX_RECORDING_MS);
       }
 
       // Conversation-Window: Wenn der User innerhalb noSpeechTimeoutMs nicht
-      // anfaengt zu sprechen → Aufnahme abbrechen (Speech-Gate verwirft sie).
+      // anfaengt zu sprechen → Aufnahme abbrechen (Speech-Gate verwirft sie),
+      // ChatScreen erkennt das und beendet die Konversation.
       if (noSpeechTimeoutMs > 0) {
         this.noSpeechTimer = setTimeout(() => {
           if (!this.speechDetected && this.recordingState === 'recording') {
-            fireSilenceOnce(`Conversation-Window ${noSpeechTimeoutMs}ms ohne Sprache`);
+            console.log(`[Audio] Conversation-Window ${noSpeechTimeoutMs}ms ohne Sprache — Stop`);
+            this.silenceListeners.forEach(cb => cb());
           }
         }, noSpeechTimeoutMs);
       }
@@ -460,13 +426,7 @@ class AudioService {
 
   /** Einen PCM-Chunk aus einer audio_pcm Nachricht empfangen.
    *  silent=true → nur cachen, nicht abspielen (z.B. wenn TTS geraetelokal gemutet).
-   *  Gibt bei final=true den Cache-Pfad zurueck (file://) oder '' wenn nicht gecached.
-   *
-   *  Wrapper serialisiert aufeinanderfolgende Chunk-Calls via Promise-Queue —
-   *  sonst gabs bei kurzen Streams einen Race: final-Chunk konnte `end()` rufen
-   *  BEVOR der vorherige `start()` im Native-Modul fertig war. Der Writer-
-   *  Thread sah dann endRequested=true ohne jemals Chunks zu verarbeiten. */
-  private _pcmChunkQueue: Promise<any> = Promise.resolve();
+   *  Gibt bei final=true den Cache-Pfad zurueck (file://) oder '' wenn nicht gecached. */
   async handlePcmChunk(payload: {
     base64: string;
     sampleRate?: number;
@@ -475,37 +435,12 @@ class AudioService {
     chunk?: number;
     final?: boolean;
     silent?: boolean;
-  }): Promise<string> {
-    const p = this._pcmChunkQueue.then(() => this._handlePcmChunkImpl(payload)).catch(err => {
-      console.warn('[Audio] handlePcmChunk queued err:', err);
-      return '';
-    });
-    // Chain only on the side effect — callers still get the per-call result
-    this._pcmChunkQueue = p;
-    return p;
-  }
-
-  private async _handlePcmChunkImpl(payload: {
-    base64: string;
-    sampleRate?: number;
-    channels?: number;
-    messageId?: string;
-    chunk?: number;
-    final?: boolean;
-    silent?: boolean;
   }): Promise<string> {
     const silent = !!payload.silent;
     if (!silent && !PcmStreamPlayer) {
       console.warn('[Audio] PcmStreamPlayer Native Module nicht verfuegbar');
       return '';
     }
-    // Debug-Log bei Chunk 0 eines neuen Streams — damit man im adb logcat
-    // sieht warum der Auto-Playback greift oder nicht.
-    if ((payload.chunk ?? 0) === 0 && !this.pcmStreamActive) {
-      console.log('[Audio] PCM-Stream start: silent=%s messageId=%s sr=%s ch=%s',
-                  silent, payload.messageId || '(none)',
-                  payload.sampleRate, payload.channels);
-    }
 
     const messageId = payload.messageId || '';
     const sampleRate = payload.sampleRate || 24000;

android/src/services/updater.ts

@@ -29,11 +29,6 @@ class UpdateService {
   private downloading = false;
 
   constructor() {
-    // Beim Start alte APK-Reste aus dem Cache wegraeumen — wenn diese App
-    // laeuft, sind frueher heruntergeladene APKs entweder schon installiert
-    // oder unvollstaendig gewesen. Spart sonst pro Update 20-30MB auf dem Handy.
-    this.cleanupOldApks().catch(() => {});
-
     // Auf update_available Nachrichten lauschen
     rvs.onMessage((msg: RVSMessage) => {
       if (msg.type === 'update_available' as any) {
@@ -50,30 +45,6 @@ class UpdateService {
     });
   }
 
-  /** Raeumt alte heruntergeladene APK-Dateien aus dem Cache auf. */
-  private async cleanupOldApks(): Promise<void> {
-    try {
-      const files = await RNFS.readDir(RNFS.CachesDirectoryPath);
-      const apks = files.filter(f => /\.apk$/i.test(f.name));
-      let freed = 0;
-      for (const f of apks) {
-        try {
-          const size = parseInt(f.size as any, 10) || 0;
-          await RNFS.unlink(f.path);
-          freed += size;
-          console.log(`[Update] Alte APK geloescht: ${f.name} (${(size / 1024 / 1024).toFixed(1)}MB)`);
-        } catch (err: any) {
-          console.warn(`[Update] APK-Loeschen fehlgeschlagen: ${f.name} (${err?.message || err})`);
-        }
-      }
-      if (apks.length > 0) {
-        console.log(`[Update] Cleanup fertig: ${apks.length} APKs entfernt, ${(freed / 1024 / 1024).toFixed(1)}MB freigegeben`);
-      }
-    } catch (err: any) {
-      console.warn(`[Update] Cleanup-Fehler: ${err?.message || err}`);
-    }
-  }
-
   /** Bei App-Start Update pruefen */
   checkForUpdate(): void {
     if (this.checking) return;
@@ -140,10 +111,6 @@ class UpdateService {
         });
       });
 
-      // Vor dem Schreiben alte APKs im Cache wegraeumen — falls mehrere
-      // Updates in einer Session gezogen werden
-      await this.cleanupOldApks();
-
       // Base64 als APK-Datei speichern
       const destPath = `${RNFS.CachesDirectoryPath}/${apkData.fileName}`;
       await RNFS.writeFile(destPath, apkData.base64, 'base64');

android/src/services/wakeword.ts

@@ -17,7 +17,6 @@
  */
 
 import AsyncStorage from '@react-native-async-storage/async-storage';
-import { ToastAndroid } from 'react-native';
 
 type WakeWordCallback = () => void;
 type StateCallback = (state: WakeWordState) => void;
@@ -81,61 +80,27 @@ class WakeWordService {
 
     // Laufende Instanz stoppen
     await this.disposePorcupine();
-    if (!this.accessKey) {
-      console.warn('[WakeWord] configure: kein Access Key gesetzt');
-      return false;
-    }
+    if (!this.accessKey) return false;
 
     // Neu initialisieren
-    const ok = await this.initPorcupine();
-    if (!ok) {
-      ToastAndroid.show(
-        `Wake-Word "${this.keyword}" konnte nicht initialisiert werden — Logs pruefen`,
-        ToastAndroid.LONG,
-      );
-    }
-    return ok;
+    return this.initPorcupine();
   }
 
   private async initPorcupine(): Promise<boolean> {
     if (this.initInProgress) return this.initInProgress;
     this.initInProgress = (async () => {
       try {
-        const porcupineRN = require('@picovoice/porcupine-react-native');
-        const { PorcupineManager, BuiltInKeywords } = porcupineRN;
-        // Manche Porcupine-Versionen wollen das BuiltInKeywords-Enum (Objekt
-        // mit keys wie JARVIS, COMPUTER, HEY_GOOGLE), andere akzeptieren
-        // den String direkt. Mappen mit Fallback auf String:
-        const enumKey = this.keyword.toUpperCase().replace(/\s+/g, '_');
-        const kw = (BuiltInKeywords && BuiltInKeywords[enumKey]) || this.keyword;
-        console.log('[WakeWord] Porcupine init: keyword=%s (resolved=%s)',
-                    this.keyword, typeof kw === 'string' ? kw : '[enum]');
+        const { PorcupineManager } = require('@picovoice/porcupine-react-native');
+        // Built-In Keyword-Identifier sind lower-case strings im SDK
         this.porcupine = await PorcupineManager.fromBuiltInKeywords(
           this.accessKey,
-          [kw],
-          (keywordIndex: number) => {
-            console.log('[WakeWord] Porcupine callback fired (index=%d)', keywordIndex);
-            this.onWakeDetected().catch(err =>
-              console.warn('[WakeWord] onWakeDetected crashed:', err));
-          },
-          // Error handler (wenn Porcupine im Background-Thread crashed,
-          // z.B. beim Audio-Engine-Konflikt mit audio-recorder-player)
-          (error: any) => {
-            console.warn('[WakeWord] Porcupine runtime error:', error?.message || error);
-            // Nicht in Loop crashen — state zurueck auf off damit der User
-            // mit dem Aufnahme-Button wieder normal arbeiten kann
-            this.setState('off');
-            this.disposePorcupine().catch(() => {});
-          },
+          [this.keyword],
+          (_keywordIndex: number) => this.onWakeDetected(),
         );
-        console.log('[WakeWord] Porcupine init OK (keyword=%s, manager=%s)',
-                    this.keyword, this.porcupine ? 'created' : 'NULL');
+        console.log('[WakeWord] Porcupine init OK (keyword=%s)', this.keyword);
         return true;
-      } catch (err: any) {
-        console.warn('[WakeWord] Porcupine init fehlgeschlagen:', err?.message || err);
-        console.warn('[WakeWord] err details:', JSON.stringify({
-          name: err?.name, code: err?.code, stack: err?.stack?.slice(0, 200),
-        }));
+      } catch (err) {
+        console.warn('[WakeWord] Porcupine init fehlgeschlagen:', err);
         this.porcupine = null;
         return false;
       } finally {
@@ -161,27 +126,14 @@ class WakeWordService {
       try {
         await this.porcupine.start();
         console.log('[WakeWord] armed — warte auf Wake Word "%s"', this.keyword);
-        ToastAndroid.show(`Lausche auf "${this.keyword}"`, ToastAndroid.SHORT);
         this.setState('armed');
         return true;
-      } catch (err: any) {
-        console.warn('[WakeWord] Porcupine start fehlgeschlagen — Fallback Direkt-Konversation:',
-                     err?.message || err);
-        ToastAndroid.show(
-          `Wake-Word-Start failed: ${err?.message || err}`,
-          ToastAndroid.LONG,
-        );
+      } catch (err) {
+        console.warn('[WakeWord] Porcupine start fehlgeschlagen — Fallback Direkt-Konversation:', err);
       }
-    } else {
-      // Kein Porcupine init → User explicit informieren
-      console.warn('[WakeWord] Porcupine nicht initialisiert — Access Key fehlt? Fallback Direkt-Aufnahme');
-      ToastAndroid.show(
-        'Wake-Word nicht aktiv — direkte Aufnahme startet (Mikro hoert mit)',
-        ToastAndroid.LONG,
-      );
     }
-    // Fallback: direkt in die Konversation (Mikro AKTIV, nicht passive)
-    console.log('[WakeWord] Direkt-Aufnahme startet (kein Wake-Word)');
+    // Fallback: direkt in die Konversation
+    console.log('[WakeWord] Konversation startet sofort (kein Wake-Word)');
     this.setState('conversing');
     setTimeout(() => {
       if (this.state === 'conversing') {
@@ -203,7 +155,6 @@ class WakeWordService {
   /** Wake-Word getriggert: Porcupine pausieren, Konversation starten. */
   private async onWakeDetected(): Promise<void> {
     console.log('[WakeWord] Wake-Word "%s" erkannt!', this.keyword);
-    ToastAndroid.show(`Wake-Word "${this.keyword}" erkannt — sprich jetzt`, ToastAndroid.SHORT);
     if (this.porcupine) {
       try { await this.porcupine.stop(); } catch {}
     }
@@ -226,7 +177,6 @@ class WakeWordService {
       try {
         await this.porcupine.start();
         console.log('[WakeWord] Konversation zu Ende — zurueck zu armed');
-        ToastAndroid.show(`Lausche wieder auf "${this.keyword}"`, ToastAndroid.SHORT);
         this.setState('armed');
         return;
       } catch (err) {
@@ -234,7 +184,6 @@ class WakeWordService {
       }
     }
     console.log('[WakeWord] Konversation zu Ende — Ohr aus');
-    ToastAndroid.show('Mikro aus', ToastAndroid.SHORT);
     this.setState('off');
   }
 

bridge/aria_bridge.py

@@ -541,16 +541,9 @@ class ARIABridge:
         # Wird fuer die direkt folgende ARIA-Antwort genutzt und dann zurueckgesetzt.
         # So kann jedes Geraet seine bevorzugte Stimme bekommen (pro Request).
         self._next_voice_override: Optional[str] = None
-        # Gleiche Logik fuer die Wiedergabegeschwindigkeit (F5-TTS speed-Param,
-        # App-Setting aria_tts_speed, 1.0 = normal).
-        self._next_speed_override: Optional[float] = None
         # STT-Requests die aktuell auf Antwort von der whisper-bridge (Gamebox) warten.
         # requestId → Future mit dem Text (oder None bei Fehler).
         self._pending_stt: dict[str, asyncio.Future] = {}
-        # whisper-bridge service_status: True wenn ready, False/None wenn loading/unbekannt.
-        # Beeinflusst das Timeout fuer stt_request — bei "loading" warten wir laenger,
-        # weil das Modell beim ersten Request noch ~1-2 Min runtergeladen werden kann.
-        self._remote_stt_ready: bool = False
 
     def initialize(self) -> None:
         """Initialisiert alle Komponenten.
@@ -914,12 +907,6 @@ class ARIABridge:
             logger.info("[core] Nutze Voice-Override: %s", self._next_voice_override)
             self._next_voice_override = None
 
-        # Speed ebenfalls aus App-Override nehmen (fallback 1.0)
-        xtts_speed = self._next_speed_override or 1.0
-        if self._next_speed_override:
-            logger.info("[core] Nutze Speed-Override: %.2fx", self._next_speed_override)
-            self._next_speed_override = None
-
         tts_text = tts_text_preview or text
         if not tts_text:
             logger.info("[core] TTS-Text leer nach Cleanup — uebersprungen")
@@ -935,15 +922,13 @@ class ARIABridge:
                 "payload": {
                     "text": tts_text,
                     "voice": xtts_voice,
-                    "speed": xtts_speed,
                     "language": "de",
                     "requestId": xtts_request_id,
                     "messageId": message_id,
                 },
                 "timestamp": int(asyncio.get_event_loop().time() * 1000),
             })
-            logger.info("[core] XTTS-Request gesendet (voice=%s, speed=%.2fx): '%s'",
-                        xtts_voice or "default", xtts_speed, tts_text[:60])
+            logger.info("[core] XTTS-Request gesendet (%s): '%s'", xtts_voice or "default", tts_text[:60])
         except Exception as e:
             logger.error("[core] XTTS-Request fehlgeschlagen: %s — kein Audio", e)
 
@@ -1174,13 +1159,6 @@ class ARIABridge:
             if voice_override:
                 self._next_voice_override = voice_override
                 logger.info("[rvs] Voice-Override fuer naechste Antwort: %s", voice_override)
-            # Speed-Override (TTS-Wiedergabegeschwindigkeit, pro Geraet)
-            try:
-                speed = float(payload.get("speed", 0) or 0)
-                if 0.1 <= speed <= 5.0:
-                    self._next_speed_override = speed
-            except (TypeError, ValueError):
-                pass
             if text:
                 logger.info("[rvs] App-Chat: '%s'", text[:80])
                 await self.send_to_core(text, source="app")
@@ -1233,14 +1211,8 @@ class ARIABridge:
             if not text:
                 return
             tts_text = clean_text_for_tts(text) or text
-            # Voice + Speed aus App-Payload gewinnen, sonst global/default
+            # Voice aus App-Payload gewinnt, sonst global
             xtts_voice = payload.get("voice", "") or getattr(self, 'xtts_voice', '')
-            try:
-                xtts_speed = float(payload.get("speed", 0) or 0)
-                if not (0.1 <= xtts_speed <= 5.0):
-                    xtts_speed = 1.0
-            except (TypeError, ValueError):
-                xtts_speed = 1.0
             try:
                 xtts_request_id = str(uuid.uuid4())
                 if message_id:
@@ -1250,7 +1222,6 @@ class ARIABridge:
                     "payload": {
                         "text": tts_text,
                         "voice": xtts_voice,
-                        "speed": xtts_speed,
                         "language": "de",
                         "requestId": xtts_request_id,
                         "messageId": message_id,
@@ -1449,12 +1420,6 @@ class ARIABridge:
             if voice_override:
                 self._next_voice_override = voice_override
                 logger.info("[rvs] Voice-Override (via Audio): %s", voice_override)
-            try:
-                speed = float(payload.get("speed", 0) or 0)
-                if 0.1 <= speed <= 5.0:
-                    self._next_speed_override = speed
-            except (TypeError, ValueError):
-                pass
             logger.info("[rvs] Audio empfangen: %s, %dms, %dKB",
                         mime_type, duration_ms, len(audio_b64) // 1365)
             asyncio.create_task(self._process_app_audio(audio_b64, mime_type))
@@ -1477,41 +1442,13 @@ class ARIABridge:
                 future.set_result(text)
             return
 
-        elif msg_type == "service_status":
-            # Gamebox-Bridges (whisper / f5tts) melden ihren Lade-Status.
-            # Wir nutzen das fuer den dynamischen STT-Timeout: solange whisper
-            # im 'loading' steckt, geben wir der Bridge mehr Zeit (Modell-Download
-            # kann 1-2 Min dauern), statt nach 45s lokal zu fallbacken.
-            svc = payload.get("service", "")
-            state = payload.get("state", "")
-            if svc == "whisper":
-                was_ready = self._remote_stt_ready
-                self._remote_stt_ready = (state == "ready")
-                if self._remote_stt_ready != was_ready:
-                    logger.info("[rvs] whisper-bridge -> %s", state)
-            return
-
-        elif msg_type == "config_request":
-            # Eine andere Bridge (whisper/f5tts) bittet um die aktuelle Voice-
-            # Config — passiert wenn sie sich connected, weil sie sonst die
-            # Diagnostic-Settings nicht kennt. Wir broadcasten die persistierte
-            # Config (auch beim normalen Connect von aria-bridge selber, aber
-            # da war eventuell die andere Bridge noch nicht connected).
-            requester = payload.get("service", "?")
-            logger.info("[rvs] config_request von %s — broadcaste Voice-Config", requester)
-            asyncio.create_task(self._broadcast_persisted_config())
-            return
-
         else:
             logger.debug("[rvs] Unbekannter Typ: %s", msg_type)
 
     # STT-Orchestrierung: zuerst Remote (Gamebox), Fallback lokal.
-    # Zwei Timeouts:
-    #   ready=True   → 45s reicht selbst fuer lange Audios
-    #   ready=False  → 300s, weil das Modell evtl. noch heruntergeladen wird
-    #                  (large-v3 ~3GB, kann auf der Gamebox 1-2 Min dauern).
-    _STT_REMOTE_TIMEOUT_READY_S = 45.0
-    _STT_REMOTE_TIMEOUT_LOADING_S = 300.0
+    # Timeout grosszuegig gewaehlt, damit auch ein erstmaliger Modell-Load
+    # auf der Gamebox (bis ~30s bei large-v3) durchgeht.
+    _STT_REMOTE_TIMEOUT_S = 45.0
 
     async def _process_app_audio(self, audio_b64: str, mime_type: str) -> None:
         """App-Audio → STT → aria-core. Primaer via whisper-bridge (RVS), Fallback lokal."""
@@ -1577,12 +1514,7 @@ class ARIABridge:
             if not ok:
                 logger.warning("[rvs] stt_request konnte nicht gesendet werden — skip Remote")
                 return None
-            timeout_s = (self._STT_REMOTE_TIMEOUT_READY_S
-                         if self._remote_stt_ready
-                         else self._STT_REMOTE_TIMEOUT_LOADING_S)
-            logger.info("[rvs] STT-Timeout %ds (whisper-bridge %s)",
-                        int(timeout_s), "ready" if self._remote_stt_ready else "loading")
-            return await asyncio.wait_for(future, timeout=timeout_s)
+            return await asyncio.wait_for(future, timeout=self._STT_REMOTE_TIMEOUT_S)
         except asyncio.TimeoutError:
             logger.warning("[rvs] Remote-STT Timeout (%.0fs)", self._STT_REMOTE_TIMEOUT_S)
             return None

diagnostic/index.html

@@ -136,34 +136,6 @@
     </div>
   </div>
 
-  <!-- Voice-Preview Modal -->
-  <div id="voice-preview-modal" style="display:none;position:fixed;inset:0;z-index:1000;background:rgba(0,0,0,0.7);align-items:center;justify-content:center;">
-    <div style="background:#1A1A2E;border:1px solid #2A2A3E;border-radius:10px;padding:20px;max-width:560px;width:90%;display:flex;flex-direction:column;gap:12px;">
-      <div style="display:flex;align-items:center;justify-content:space-between;">
-        <h3 style="margin:0;color:#fff;">Stimmen-Preview: <span id="voice-preview-name">—</span></h3>
-        <button onclick="closeVoicePreview()" style="background:none;border:none;color:#8888AA;font-size:22px;cursor:pointer;">&times;</button>
-      </div>
-      <textarea id="voice-preview-text" rows="4"
-        style="background:#0D0D1A;border:1px solid #2A2A3E;border-radius:6px;padding:10px;color:#fff;font-size:13px;resize:vertical;"></textarea>
-
-      <div style="display:flex;align-items:center;gap:10px;font-size:12px;color:#8888AA;">
-        <span style="min-width:120px;">Geschwindigkeit:</span>
-        <button onclick="adjustPreviewSpeed(-0.1)" class="btn secondary" style="padding:4px 10px;font-size:12px;">−0.1</button>
-        <span id="voice-preview-speed-value" style="min-width:52px;text-align:center;color:#fff;font-weight:600;">1.0 x</span>
-        <button onclick="adjustPreviewSpeed(0.1)" class="btn secondary" style="padding:4px 10px;font-size:12px;">+0.1</button>
-        <span style="color:#555570;font-size:11px;">(nur fuer dieses Modal, wird nicht gespeichert)</span>
-      </div>
-
-      <div style="display:flex;gap:8px;align-items:center;">
-        <button id="voice-preview-play" onclick="playVoicePreview()" class="btn primary" style="padding:8px 16px;">
-          ▶ Abspielen
-        </button>
-        <span id="voice-preview-status" style="color:#8888AA;font-size:11px;flex:1;"></span>
-      </div>
-      <audio id="voice-preview-audio" controls style="width:100%;display:none;"></audio>
-    </div>
-  </div>
-
   <!-- Disk-Space Warnung (dynamisch gesetzt) -->
   <div id="disk-banner" style="display:none;position:sticky;top:0;z-index:500;padding:10px 14px;border-radius:0;margin:-16px -16px 12px -16px;font-size:13px;">
     <div style="display:flex;align-items:center;gap:10px;flex-wrap:wrap;">
@@ -497,25 +469,23 @@
               Hardcoded Defaults: F5TTS_v1_Base, cfg_strength=2.5, nfe_step=32.
             </div>
 
-            <label style="color:#8888AA;font-size:12px;">
-              Modell-Architektur (F5TTS_v1_Base = Default multilingual, F5TTS_Base = fuer die meisten Fine-Tunes):
-            </label>
+            <label style="color:#8888AA;font-size:12px;">Modell-ID:</label>
             <input type="text" id="diag-f5tts-model"
               placeholder="F5TTS_v1_Base"
               style="background:#1E1E2E;color:#fff;border:1px solid #2A2A3E;border-radius:6px;padding:6px 10px;font-size:13px;">
 
             <label style="color:#8888AA;font-size:12px;">
-              Custom Checkpoint — HF-Pfad (hf://user/repo/file) oder lokaler Container-Pfad. Leer = Default.
+              Custom Checkpoint (HF-Repo "user/repo" oder Container-Pfad, leer = Default):
             </label>
             <input type="text" id="diag-f5tts-ckpt"
-              placeholder="z.B. hf://aihpi/F5-TTS-German/F5TTS_Base/model_365000.safetensors"
+              placeholder="z.B. aoxo/F5-TTS-German"
               style="background:#1E1E2E;color:#fff;border:1px solid #2A2A3E;border-radius:6px;padding:6px 10px;font-size:13px;">
 
             <label style="color:#8888AA;font-size:12px;">
-              Custom Vocab — muss zum Checkpoint passen. Leer = Default.
+              Custom Vocab (passend zum Checkpoint, optional):
             </label>
             <input type="text" id="diag-f5tts-vocab"
-              placeholder="z.B. hf://aihpi/F5-TTS-German/vocab.txt"
+              placeholder="leer = Default"
               style="background:#1E1E2E;color:#fff;border:1px solid #2A2A3E;border-radius:6px;padding:6px 10px;font-size:13px;">
 
             <div style="display:flex;gap:12px;">
@@ -958,24 +928,6 @@
           return;
         }
 
-        if (msg.type === 'voice_preview_audio') {
-          const statusEl = document.getElementById('voice-preview-status');
-          const audio = document.getElementById('voice-preview-audio');
-          const playBtn = document.getElementById('voice-preview-play');
-          if (playBtn) playBtn.disabled = false;
-          if (msg.error) {
-            if (statusEl) statusEl.textContent = '❌ Fehler: ' + msg.error;
-            return;
-          }
-          if (msg.base64 && audio) {
-            audio.src = 'data:audio/wav;base64,' + msg.base64;
-            audio.style.display = 'block';
-            audio.play().catch(() => {});
-            if (statusEl) statusEl.textContent = '✅ fertig';
-          }
-          return;
-        }
-
         if (msg.type === 'voice_ready') {
           const v = msg.payload?.voice || '';
           const err = msg.payload?.error;
@@ -1625,75 +1577,16 @@
       html += '<div style="display:flex;flex-direction:column;gap:4px;">';
       for (const v of voices) {
         const esc = (s) => String(s).replace(/[&<>"']/g, c => ({ "&":"&amp;", "<":"&lt;", ">":"&gt;", '"':"&quot;", "'":"&#39;" }[c]));
-        const jsName = esc(v.name).replace(/'/g, "\\'");
         html += `<div style="display:flex;align-items:center;gap:8px;background:#1E1E2E;border-radius:4px;padding:4px 8px;font-size:12px;">`
               + `<span style="flex:1;color:#E0E0F0;">${esc(v.name)}</span>`
               + `<span style="color:#555570;font-size:10px;">${(v.size/1024).toFixed(0)}KB</span>`
-              + `<button class="btn secondary" onclick="openVoicePreview('${jsName}')" style="padding:2px 8px;font-size:12px;" title="Stimme anhoeren">▶</button>`
-              + `<button class="btn secondary" onclick="deleteXttsVoice('${jsName}')" style="padding:2px 8px;font-size:10px;color:#FF6B6B;" title="Stimme loeschen">X</button>`
+              + `<button class="btn secondary" onclick="deleteXttsVoice('${esc(v.name).replace(/'/g, "\\'")}')" style="padding:2px 8px;font-size:10px;color:#FF6B6B;" title="Stimme loeschen">X</button>`
               + `</div>`;
       }
       html += '</div>';
       box.innerHTML = html;
     }
 
-    // ── Voice Preview Modal ─────────────────────────
-    const VOICE_PREVIEW_DEFAULT = 'Hallo, ich bin ARIA. Das hier ist ein kleiner Test damit du meine Stimme beurteilen kannst.';
-    const PREVIEW_SPEED_DEFAULT = 1.0;
-    const PREVIEW_SPEED_MIN = 0.1;
-    const PREVIEW_SPEED_MAX = 5.0;
-    let currentPreviewVoice = '';
-    let currentPreviewSpeed = PREVIEW_SPEED_DEFAULT;
-
-    function _refreshPreviewSpeedLabel() {
-      const el = document.getElementById('voice-preview-speed-value');
-      if (el) el.textContent = currentPreviewSpeed.toFixed(1) + ' x';
-    }
-
-    function adjustPreviewSpeed(delta) {
-      const next = Math.round((currentPreviewSpeed + delta) * 10) / 10;
-      if (next < PREVIEW_SPEED_MIN || next > PREVIEW_SPEED_MAX) return;
-      currentPreviewSpeed = next;
-      _refreshPreviewSpeedLabel();
-    }
-
-    function openVoicePreview(name) {
-      currentPreviewVoice = name;
-      // Speed bei jedem Oeffnen zuruecksetzen — bewusst kein persist
-      currentPreviewSpeed = PREVIEW_SPEED_DEFAULT;
-      _refreshPreviewSpeedLabel();
-      document.getElementById('voice-preview-name').textContent = name;
-      // Text bei jedem Oeffnen zuruecksetzen
-      document.getElementById('voice-preview-text').value = VOICE_PREVIEW_DEFAULT;
-      document.getElementById('voice-preview-status').textContent = '';
-      const audio = document.getElementById('voice-preview-audio');
-      audio.style.display = 'none';
-      audio.src = '';
-      document.getElementById('voice-preview-modal').style.display = 'flex';
-    }
-
-    function closeVoicePreview() {
-      document.getElementById('voice-preview-modal').style.display = 'none';
-      const audio = document.getElementById('voice-preview-audio');
-      try { audio.pause(); } catch {}
-    }
-
-    function playVoicePreview() {
-      const text = (document.getElementById('voice-preview-text').value || '').trim();
-      if (!text) {
-        document.getElementById('voice-preview-status').textContent = 'Text leer';
-        return;
-      }
-      document.getElementById('voice-preview-status').textContent = '⏳ Rendere...';
-      document.getElementById('voice-preview-play').disabled = true;
-      send({
-        action: 'preview_voice',
-        voice: currentPreviewVoice,
-        text,
-        speed: currentPreviewSpeed,
-      });
-    }
-
     function deleteXttsVoice(name) {
       if (!confirm(`Stimme "${name}" endgueltig loeschen?`)) return;
       send({ action: 'xtts_delete_voice', name });

diagnostic/server.js

@@ -653,9 +653,6 @@ function connectRVS(forcePlain) {
           log("info", "rvs", `service_status ${svc} ${state}${model ? ` (${model})` : ""}`);
         }
         broadcast({ type: "service_status", payload: msg.payload });
-      } else if (msg.type === "audio_pcm" && msg.payload && _previewPending.size > 0) {
-        // PCM-Chunks einer laufenden Voice-Preview — sammeln + WAV bauen
-        _handlePreviewChunk(msg.payload);
       } else {
         log("debug", "rvs", `Nachricht: ${JSON.stringify(msg).slice(0, 150)}`);
       }
@@ -1442,14 +1439,19 @@ wss.on("connection", (ws) => {
           xttsVoice: msg.xttsVoice || "",
         };
         if (msg.whisperModel !== undefined) voiceConfig.whisperModel = msg.whisperModel;
-        // F5-TTS Tuning-Felder — immer mit dem vom User gesendeten Wert setzen,
-        // auch leeren String. Leer = "reset auf Hard-Default". Sonst merkt die
-        // Bridge nicht dass der User den Wert loeschen wollte (absent key war
-        // vorher 'keep current' semantik → BigVGAN blieb drin obwohl User
-        // leer eingetragen hatte).
-        if (msg.f5ttsModel !== undefined)     voiceConfig.f5ttsModel = msg.f5ttsModel || "";
-        if (msg.f5ttsCkptFile !== undefined)  voiceConfig.f5ttsCkptFile = msg.f5ttsCkptFile || "";
-        if (msg.f5ttsVocabFile !== undefined) voiceConfig.f5ttsVocabFile = msg.f5ttsVocabFile || "";
+        // F5-TTS Tuning-Felder — leere Strings entfernen damit der Default greift
+        if (msg.f5ttsModel !== undefined) {
+          if (msg.f5ttsModel) voiceConfig.f5ttsModel = msg.f5ttsModel;
+          else delete voiceConfig.f5ttsModel;
+        }
+        if (msg.f5ttsCkptFile !== undefined) {
+          if (msg.f5ttsCkptFile) voiceConfig.f5ttsCkptFile = msg.f5ttsCkptFile;
+          else delete voiceConfig.f5ttsCkptFile;
+        }
+        if (msg.f5ttsVocabFile !== undefined) {
+          if (msg.f5ttsVocabFile) voiceConfig.f5ttsVocabFile = msg.f5ttsVocabFile;
+          else delete voiceConfig.f5ttsVocabFile;
+        }
         if (msg.f5ttsCfgStrength !== undefined && !isNaN(msg.f5ttsCfgStrength)) {
           voiceConfig.f5ttsCfgStrength = msg.f5ttsCfgStrength;
         }
@@ -1468,8 +1470,6 @@ wss.on("connection", (ws) => {
         handleSaveTriggers(ws, msg.triggers || []);
       } else if (msg.action === "test_tts") {
         handleTestTTS(ws, msg.text || "Test");
-      } else if (msg.action === "preview_voice") {
-        handleVoicePreview(ws, msg.voice || "", msg.text || "Hallo.", msg.speed);
       } else if (msg.action === "check_tts") {
         handleCheckTTS(ws);
       } else if (msg.action === "check_desktop") {
@@ -1642,98 +1642,6 @@ async function handleSaveTriggers(clientWs, triggers) {
 }
 
 // ── TTS Diagnose (XTTS) ───────────────────────────────
-// ── Voice Preview ────────────────────────────────────────
-// Sammelt audio_pcm Chunks einer Preview-Anfrage, baut am Ende eine WAV
-// und schickt sie base64-kodiert an den Browser-Client.
-//
-// Map requestId → { clientWs, chunks: [Buffer], sampleRate, channels }
-const _previewPending = new Map();
-
-function _buildWavFromPcm(pcmBuf, sampleRate, channels) {
-  const bitsPerSample = 16;
-  const byteRate = sampleRate * channels * bitsPerSample / 8;
-  const blockAlign = channels * bitsPerSample / 8;
-  const dataSize = pcmBuf.length;
-  const header = Buffer.alloc(44);
-  header.write("RIFF", 0);
-  header.writeUInt32LE(36 + dataSize, 4);
-  header.write("WAVE", 8);
-  header.write("fmt ", 12);
-  header.writeUInt32LE(16, 16);            // subchunk1 size
-  header.writeUInt16LE(1, 20);             // PCM
-  header.writeUInt16LE(channels, 22);
-  header.writeUInt32LE(sampleRate, 24);
-  header.writeUInt32LE(byteRate, 28);
-  header.writeUInt16LE(blockAlign, 32);
-  header.writeUInt16LE(bitsPerSample, 34);
-  header.write("data", 36);
-  header.writeUInt32LE(dataSize, 40);
-  return Buffer.concat([header, pcmBuf]);
-}
-
-function _handlePreviewChunk(payload) {
-  const reqId = payload?.requestId || "";
-  const entry = _previewPending.get(reqId);
-  if (!entry) return;
-  if (payload.base64) {
-    try { entry.chunks.push(Buffer.from(payload.base64, "base64")); } catch {}
-  }
-  if (!entry.sampleRate && payload.sampleRate) entry.sampleRate = payload.sampleRate;
-  if (!entry.channels && payload.channels) entry.channels = payload.channels;
-  if (payload.final) {
-    _previewPending.delete(reqId);
-    try {
-      const pcm = Buffer.concat(entry.chunks);
-      const wav = _buildWavFromPcm(pcm, entry.sampleRate || 24000, entry.channels || 1);
-      const b64 = wav.toString("base64");
-      if (entry.clientWs && entry.clientWs.readyState === 1) {
-        entry.clientWs.send(JSON.stringify({
-          type: "voice_preview_audio",
-          base64: b64,
-          size: wav.length,
-        }));
-      }
-    } catch (err) {
-      if (entry.clientWs && entry.clientWs.readyState === 1) {
-        entry.clientWs.send(JSON.stringify({
-          type: "voice_preview_audio",
-          error: err.message,
-        }));
-      }
-    }
-  }
-}
-
-async function handleVoicePreview(clientWs, voice, text, speed) {
-  try {
-    // Speed clampen — Browser-Slider ist 0.1-5.0
-    let spd = parseFloat(speed);
-    if (!isFinite(spd) || spd < 0.1 || spd > 5.0) spd = 1.0;
-    const requestId = crypto.randomUUID();
-    _previewPending.set(requestId, { clientWs, chunks: [], sampleRate: 0, channels: 0 });
-    // Timeout safety net
-    setTimeout(() => {
-      if (_previewPending.has(requestId)) {
-        _previewPending.delete(requestId);
-        if (clientWs && clientWs.readyState === 1) {
-          clientWs.send(JSON.stringify({
-            type: "voice_preview_audio",
-            error: "Timeout (60s) — keine Antwort vom f5tts-bridge",
-          }));
-        }
-      }
-    }, 60000);
-    log("info", "server", `Voice-Preview: voice="${voice}" speed=${spd.toFixed(1)}x text="${text.slice(0, 60)}"`);
-    sendToRVS_raw({
-      type: "xtts_request",
-      payload: { text, language: "de", requestId, voice, speed: spd },
-      timestamp: Date.now(),
-    });
-  } catch (err) {
-    clientWs.send(JSON.stringify({ type: "voice_preview_audio", error: err.message }));
-  }
-}
-
 async function handleTestTTS(clientWs, text) {
   try {
     log("info", "server", `TTS-Test via XTTS: "${text}"`);

issue.md

@@ -70,34 +70,22 @@
 - [x] VAD-Stille einstellbar in App-Settings (1.0-8.0s, Default 2.8s)
 - [x] MAX_RECORDING auf 120s — laengere Erklaerungen moeglich
 - [x] App: Audioausgabe hoert nicht mehr mitten im Satz auf (playbackHeadPosition wait + Stop-Race fix)
-- [x] F5-TTS: Referenz-WAV-Preprocessing — Loudness-Normalisierung -16 LUFS + Silence-Trim + 10s Clip fuer konsistente Cloning-Quali
-- [x] F5-TTS: deutsches Fine-Tune (aihpi/F5-TTS-German, Vocos-Variante) via hf:// Pfad in Diagnostic konfigurierbar
-- [x] Whisper transkribiert Voice-Uploads nicht mehr mit hardcoded "small" — aktuelles Modell wird behalten, kein unnoetiger Modell-Swap
-- [x] RVS/WebSocket maxPayload 50MB: voice_upload mit WAV als base64 sprengt kein Frame-Limit mehr
-- [x] Dynamischer STT-Timeout in aria-bridge: 300s waehrend whisper-bridge 'loading', 45s wenn 'ready'
-- [x] service_status Broadcasts: f5tts/whisper melden Lade-Status, Banner in Diagnostic (unten rechts) + App (oben)
-- [x] config_request Pattern: Bridges fragen beim Connect die aktuelle Voice-Config an, aria-bridge antwortet
-- [x] F5-TTS Tuning via Diagnostic (Modell-ID, Checkpoint, cfg_strength, nfe_step) statt ENV-Vars — Hot-Reload bei Modell-Wechsel
-- [x] Conversation-Window: Gespraechsmodus endet nach X Sekunden Stille (1.0-20.0s, Default 8s, einstellbar in Settings)
-- [x] Porcupine Wake-Word-Integration in der App (Built-In Keywords + Custom spaeter, per Geraet einstellbar)
-- [x] HF-Cache als Bind-Mount statt Docker Volume — kein .vhdx-Bloat auf Docker Desktop / Windows
-- [x] cleanup-windows.ps1 / .bat: VHDX-Cleanup via diskpart (ohne Hyper-V) mit Self-Elevation
-- [x] App Mute-/Auto-Playback-Bug: Closure-Bug geloest (ttsCanPlayRef live-gespiegelt, nicht mehr stale)
-- [x] App Zombie-Recording: Ohr-aus kill laufende Aufnahme damit der Aufnahme-Button weiter funktioniert
-- [x] App Text-Rendering: Nachrichten selektierbar + Autolink fuer URLs/E-Mails/Telefonnummern (Browser/Mail/Dialer)
-- [x] TTS-Wiedergabegeschwindigkeit pro Geraet einstellbar (Settings → 0.5-2.0x in 0.1-Schritten, Default 1.0)
-- [x] Diagnostic: Voice-Preview-Modal (Play-Icon vor Delete-X, Textfeld mit Default, WAV im Browser abspielen)
 
 ## Offen
 
 ### Bugs
-- [ ] App: Wake-Word "jarvis" triggert nicht zuverlaessig (Porcupine-Debugging via ADB-Logcat ausstehend)
-- [ ] App: Stuerzt beim Lauschen ab, eventuell bei Nebengeraeuschen (Porcupine + Mic-Race, errorCallback haelt's jetzt zurueck — Dauertest ausstehend)
+- [ ] NO_REPLY wird als "NO" im Chat angezeigt — sollte still verworfen werden (Token nicht gesaeubert)
 
 ### App Features
+- [ ] Wake Word on-device (Porcupine "ARIA" Keyword, Phase 2 — passives Lauschen)
 - [ ] Chat-History zuverlaessiger laden (AsyncStorage Race Condition)
 - [ ] Background Audio Service (TTS auch bei minimierter App)
 
+### TTS / Audio
+- [ ] Audio-Normalisierung (Lautstaerke zwischen Saetzen/Chunks angleichen)
+- [ ] F5-TTS: Streaming-Inferenz testen (nativ statt satzweise) wenn ein passendes Backend kommt
+- [ ] F5-TTS: Optional Deepspeed-Beschleunigung pruefen
+
 ### Architektur
 - [ ] Bilder: Claude Vision direkt nutzen (aktuell nur Dateipfad an ARIA)
 - [ ] Auto-Compacting und Memory/Brain Verwaltung (SQLite?)

rvs/server.js

@@ -22,7 +22,6 @@ const ALLOWED_TYPES = new Set([
   "voice_preload", "voice_ready",
   "stt_request", "stt_response",
   "service_status",
-  "config_request",
 ]);
 
 // Token-Raum: token -> { clients: Set<ws> }

xtts/.env.example

@@ -4,7 +4,7 @@
 # ════════════════════════════════════════════════
 
 # RVS Verbindung (gleiche Daten wie auf der ARIA-VM)
-RVS_HOST=example.com
+RVS_HOST=mobil.hacker-net.de
 RVS_PORT=444
 RVS_TLS=true
 RVS_TLS_FALLBACK=true

xtts/.gitignore

@@ -1,7 +1,3 @@
-# HuggingFace Model-Cache (Whisper + F5-TTS, geteilt zwischen den
-# beiden Bridges via Bind-Mount, kann mehrere GB werden)
-hf-cache/
-
 # Voice-Samples (lokal, gehoert nicht ins Repo)
 voices/
 

xtts/docker-compose.yml

@@ -31,11 +31,11 @@ services:
               capabilities: [gpu]
     volumes:
       - ./voices:/voices                         # WAV + TXT Referenz
-      - ./hf-cache:/root/.cache/huggingface      # HF-Cache als Bind-Mount.
-                                                 # Direkt sichtbar im xtts/hf-cache/,
-                                                 # einfach manuell zu loeschen, kein
-                                                 # Docker-Desktop .vhdx Bloat.
-                                                 # Wird mit whisper-bridge geteilt.
+                                                 # KEIN HF-Cache-Mount mehr —
+                                                 # Modell wird beim Start neu
+                                                 # gezogen. Diagnostic zeigt
+                                                 # "TTS laedt..." Banner bis
+                                                 # service_status: ready kommt.
     environment:
       # Bootstrap-only — alle anderen F5-TTS-Settings (Modell, cfg_strength,
       # nfe_step, Custom-Checkpoint) kommen ueber Diagnostic via RVS-config.
@@ -77,9 +77,6 @@ services:
       - WHISPER_DEVICE=${WHISPER_DEVICE:-cuda}
       - WHISPER_COMPUTE_TYPE=${WHISPER_COMPUTE_TYPE:-float16}
       - WHISPER_LANGUAGE=${WHISPER_LANGUAGE:-de}
-    volumes:
-      - ./hf-cache:/root/.cache/huggingface      # gleicher Cache wie f5tts-bridge —
-                                                 # ein Modell muss nur einmal pro
-                                                 # Maschine geladen werden, kein
-                                                 # Re-Download bei Container-Restart.
+    # KEIN HF-Cache-Mount — Whisper-Modell wird beim Start neu gezogen.
+    # Wechsel via Diagnostic triggert ebenso Re-Download.
     restart: unless-stopped

xtts/f5tts/bridge.py

@@ -73,12 +73,6 @@ VOICES_DIR = Path(os.getenv("VOICES_DIR", "/voices"))
 
 PCM_CHUNK_BYTES = 8192   # ~170ms @ 24kHz mono s16
 TARGET_SR = 24000        # F5-TTS native
-# F5-TTS hat ein 12s Hard-Limit fuer Referenz-Audio. Laengere WAVs werden
-# vom Modell stumm abgeschnitten — aber unser ref_text bleibt lang und passt
-# dann nicht mehr zum gekuerzten Audio (Quali leidet, warmup-Render ist
-# unnoetig lange). Wir clippen explizit auf 10s + re-transkribieren den Text
-# damit beide synchron bleiben.
-REF_MAX_SECONDS = 10.0
 
 # Wird in einer Uebergangsphase als "ungueltige Referenz" erkannt (alte voices,
 # die hochgeladen wurden bevor die whisper-bridge online war). Bei Erkennung
@@ -99,33 +93,6 @@ def _get_f5tts_cls():
     return _F5TTS_cls
 
 
-def _resolve_hf_path(p: str) -> str:
-    """Wenn p mit 'hf://' anfaengt → aus HuggingFace Hub runterladen,
-    lokalen Pfad zurueckgeben. Sonst unveraendert.
-
-    Format: hf://user/repo/path/to/file.ext
-    Beispiel: hf://aihpi/F5-TTS-German/F5TTS_Base/model_365000.safetensors
-    """
-    if not p or not p.startswith("hf://"):
-        return p
-    try:
-        from huggingface_hub import hf_hub_download
-        rest = p[5:]
-        parts = rest.split("/", 2)
-        if len(parts) < 3:
-            logger.warning("Ungueltiges hf:// Format: %s (erwarte hf://user/repo/path)", p)
-            return p
-        repo_id = f"{parts[0]}/{parts[1]}"
-        filename = parts[2]
-        logger.info("HF-Download: %s aus %s", filename, repo_id)
-        local = hf_hub_download(repo_id=repo_id, filename=filename)
-        logger.info("HF-Download fertig: %s", local)
-        return local
-    except Exception as e:
-        logger.exception("HF-Download fehlgeschlagen fuer %s: %s", p, e)
-        return p
-
-
 class F5Runner:
     """Haelt das F5-TTS-Modell. Synthese laeuft im Executor (blocking).
 
@@ -149,16 +116,14 @@ class F5Runner:
 
     def _load_blocking(self) -> None:
         cls = _get_f5tts_cls()
-        ckpt_resolved = _resolve_hf_path(self.ckpt_file) if self.ckpt_file else ""
-        vocab_resolved = _resolve_hf_path(self.vocab_file) if self.vocab_file else ""
         logger.info("Lade F5-TTS '%s' (device=%s, ckpt=%s)...",
-                    self.model_id, F5TTS_DEVICE, ckpt_resolved or "default")
+                    self.model_id, F5TTS_DEVICE, self.ckpt_file or "default")
         self._load_started_at = time.time()
         kwargs = {"model": self.model_id, "device": F5TTS_DEVICE}
-        if ckpt_resolved:
-            kwargs["ckpt_file"] = ckpt_resolved
-        if vocab_resolved:
-            kwargs["vocab_file"] = vocab_resolved
+        if self.ckpt_file:
+            kwargs["ckpt_file"] = self.ckpt_file
+        if self.vocab_file:
+            kwargs["vocab_file"] = self.vocab_file
         self.model = cls(**kwargs)
         elapsed = time.time() - self._load_started_at
         logger.info("F5-TTS geladen in %.1fs (cfg_strength=%.1f, nfe=%d)",
@@ -175,31 +140,10 @@ class F5Runner:
 
     async def update_config(self, payload: dict) -> None:
         """Liest f5tts*-Felder aus einem config-Broadcast.
-        Bei Modell-relevantem Wechsel wird neu geladen.
-
-        Semantik:
-          - key fehlt in payload     → aktuellen Wert behalten
-          - key da, nicht-leerer str → diesen Wert nehmen
-          - key da, leerer string    → RESET auf Hard-Default (User hat Feld
-                                       in Diagnostic geleert und Apply geklickt)
-        """
-        if "f5ttsModel" in payload:
-            v = (payload.get("f5ttsModel") or "").strip()
-            new_model = v if v else DEFAULT_F5TTS_MODEL
-        else:
-            new_model = self.model_id
-
-        if "f5ttsCkptFile" in payload:
-            v = payload.get("f5ttsCkptFile") or ""
-            new_ckpt = v.strip() if isinstance(v, str) else ""
-        else:
-            new_ckpt = self.ckpt_file
-
-        if "f5ttsVocabFile" in payload:
-            v = payload.get("f5ttsVocabFile") or ""
-            new_vocab = v.strip() if isinstance(v, str) else ""
-        else:
-            new_vocab = self.vocab_file
+        Bei Modell-relevantem Wechsel wird neu geladen."""
+        new_model = (payload.get("f5ttsModel") or "").strip() or self.model_id
+        new_ckpt = payload.get("f5ttsCkptFile", self.ckpt_file) or ""
+        new_vocab = payload.get("f5ttsVocabFile", self.vocab_file) or ""
         try:
             new_cfg = float(payload.get("f5ttsCfgStrength", self.cfg_strength))
         except (TypeError, ValueError):
@@ -237,8 +181,7 @@ class F5Runner:
         else:
             logger.info("F5-TTS Live-Config: cfg_strength=%.2f nfe=%d", new_cfg, new_nfe)
 
-    def _infer_blocking(self, gen_text: str, ref_wav: str, ref_text: str,
-                        speed: float = 1.0) -> tuple[np.ndarray, int]:
+    def _infer_blocking(self, gen_text: str, ref_wav: str, ref_text: str) -> tuple[np.ndarray, int]:
         wav, sr, _ = self.model.infer(
             ref_file=ref_wav,
             ref_text=ref_text,
@@ -247,7 +190,6 @@ class F5Runner:
             seed=-1,
             cfg_strength=self.cfg_strength,
             nfe_step=self.nfe_step,
-            speed=speed,
         )
         # F5-TTS gibt float32 1D-Array — auf 24kHz sample-rate standard
         if not isinstance(wav, np.ndarray):
@@ -256,11 +198,10 @@ class F5Runner:
             wav = wav.squeeze()
         return wav.astype(np.float32), int(sr)
 
-    async def synthesize(self, gen_text: str, ref_wav: str, ref_text: str,
-                         speed: float = 1.0) -> tuple[np.ndarray, int]:
+    async def synthesize(self, gen_text: str, ref_wav: str, ref_text: str) -> tuple[np.ndarray, int]:
         await self.ensure_loaded()
         loop = asyncio.get_event_loop()
-        return await loop.run_in_executor(None, self._infer_blocking, gen_text, ref_wav, ref_text, speed)
+        return await loop.run_in_executor(None, self._infer_blocking, gen_text, ref_wav, ref_text)
 
 
 # ── Helpers ─────────────────────────────────────────────────
@@ -292,15 +233,7 @@ def split_sentences(text: str, max_len: int = 350) -> list[str]:
 
 
 def float_to_pcm16(wav: np.ndarray) -> bytes:
-    """Float32 (-1..+1) → int16 little-endian bytes.
-
-    F5-TTS generiert gelegentlich NaN/Inf bei Instabilitaeten — ohne sanitize
-    waere der Cast zu int16 undefiniert (RuntimeWarning + kaputter Sound).
-    """
-    nan_count = int(np.isnan(wav).sum() + np.isinf(wav).sum())
-    if nan_count > 0:
-        logger.warning("F5-TTS Output enthaelt %d NaN/Inf samples — ersetze mit 0", nan_count)
-        wav = np.nan_to_num(wav, nan=0.0, posinf=1.0, neginf=-1.0)
+    """Float32 (-1..+1) → int16 little-endian bytes."""
     wav = np.clip(wav, -1.0, 1.0)
     pcm = (wav * 32767.0).astype(np.int16)
     return pcm.tobytes()
@@ -315,51 +248,32 @@ def voice_paths(name: str) -> tuple[Path, Path]:
     return VOICES_DIR / f"{safe}.wav", VOICES_DIR / f"{safe}.txt"
 
 
-def normalize_ref_wav(src_wav: Path, max_seconds: float = REF_MAX_SECONDS) -> tuple[Path, bool]:
-    """Bringt die Referenz-WAV in F5-TTS-freundliche Form:
+def ensure_24k_mono_wav(src_wav: Path) -> Path:
+    """F5-TTS moechte 24kHz mono als Referenz — ffmpeg konvertiert inplace.
 
-      * 24kHz mono
-      * max max_seconds Dauer
-      * Stille am Anfang + Ende abgeschnitten (silenceremove-Filter)
-      * Lautheit auf -16 LUFS normalisiert (loudnorm-Filter) damit
-        das Modell konsistente Amplituden sieht
-
-    F5-TTS reagiert empfindlich auf leise / verrauschte / zerhackte
-    Referenzen. Konsistente, saubere Input-Lautheit hilft der Quali.
-
-    Returns:
-        (path, was_modified) — was_modified=True wenn die Datei wirklich
-        geaendert wurde (Caller sollte dann den passenden .txt invalidieren).
+    Wenn das File schon passt, wird nichts geaendert. Sonst wird es
+    reingeschrieben (Original wird ueberschrieben).
     """
+    try:
+        info = sf.info(str(src_wav))
+        if info.samplerate == TARGET_SR and info.channels == 1:
+            return src_wav
+    except Exception:
+        pass
     tmp_out = src_wav.with_suffix(".conv.wav")
-    # silenceremove am Anfang: bis -50dB gesprochen wird
-    # silenceremove am Ende: ueber -50dB rein, dann 0.5s stille als Cutoff
-    # loudnorm: EBU R128, Ziel -16 LUFS
-    af = ("silenceremove=start_periods=1:start_duration=0.05:start_threshold=-50dB,"
-          "silenceremove=stop_periods=1:stop_duration=0.5:stop_threshold=-50dB,"
-          "loudnorm=I=-16:TP=-1.5:LRA=11")
     cmd = ["ffmpeg", "-y", "-i", str(src_wav),
-           "-af", af,
-           "-ar", str(TARGET_SR), "-ac", "1",
-           "-t", str(max_seconds),
-           "-f", "wav", str(tmp_out)]
+           "-ar", str(TARGET_SR), "-ac", "1", "-f", "wav", str(tmp_out)]
     r = subprocess.run(cmd, capture_output=True, timeout=30)
     if r.returncode != 0:
-        logger.warning("ffmpeg-Normalisierung von %s fehlgeschlagen: %s",
-                       src_wav, r.stderr.decode(errors="replace")[:300])
+        logger.warning("ffmpeg-Konvertierung von %s fehlgeschlagen: %s",
+                       src_wav, r.stderr.decode(errors="replace")[:200])
         try:
             tmp_out.unlink()
         except OSError:
             pass
-        return src_wav, False
+        return src_wav
     os.replace(tmp_out, src_wav)
-    try:
-        info = sf.info(str(src_wav))
-        logger.info("Referenz-WAV normalisiert: %s (%.1fs, %dHz mono, -16 LUFS, silence getrimmt)",
-                    src_wav.name, info.duration, info.samplerate)
-    except Exception:
-        logger.info("Referenz-WAV normalisiert: %s", src_wav.name)
-    return src_wav, True
+    return src_wav
 
 
 async def _send(ws, mtype: str, payload: dict) -> None:
@@ -398,10 +312,7 @@ async def request_transcription(ws, wav_path: Path, language: str = "de") -> Opt
             "requestId": request_id,
             "audio": audio_b64,
             "mimeType": "audio/wav",
-            # KEIN hardcoded model — whisper-bridge nimmt das bereits
-            # geladene. Sonst wuerde hier ein Swap auf 'small' passieren und
-            # danach muesste das in Diagnostic konfigurierte Modell (z.B.
-            # large-v3) wieder geladen werden → doppelter Download.
+            "model": "small",  # klein reicht fuer Voice-Referenz
             "language": language,
         })
         return await asyncio.wait_for(fut, timeout=_STT_TIMEOUT_S)
@@ -424,9 +335,9 @@ _tts_queue: asyncio.Queue[tuple] = asyncio.Queue()
 async def _tts_worker(ws, runner: F5Runner) -> None:
     """Serialisiert Synthesen — GPU kann sonst OOM gehen."""
     while True:
-        text, voice, request_id, message_id, language, speed = await _tts_queue.get()
+        text, voice, request_id, message_id, language = await _tts_queue.get()
         try:
-            await _do_tts(ws, runner, text, voice, request_id, message_id, language, speed)
+            await _do_tts(ws, runner, text, voice, request_id, message_id, language)
         except Exception:
             logger.exception("TTS-Worker Fehler")
         finally:
@@ -434,26 +345,10 @@ async def _tts_worker(ws, runner: F5Runner) -> None:
 
 
 async def _do_tts(ws, runner: F5Runner, text: str, voice: str,
-                  request_id: str, message_id: str, language: str,
-                  speed: float = 1.0) -> None:
+                  request_id: str, message_id: str, language: str) -> None:
     t0 = time.time()
     ref_wav_path, ref_txt_path = voice_paths(voice) if voice else (None, None)
 
-    # WAV zu lang? F5-TTS limitiert intern auf 12s, dann passt der txt nicht
-    # mehr zum Audio. Wir clippen explizit auf 10s und invalidieren den txt,
-    # damit er on-the-fly passend zum gekuerzten Audio neu transkribiert wird.
-    if voice and ref_wav_path and ref_wav_path.exists():
-        try:
-            info = sf.info(str(ref_wav_path))
-            if info.duration > REF_MAX_SECONDS + 0.5:
-                logger.info("Voice '%s' WAV ist %.1fs (>%.0fs) → clippen + txt neu",
-                            voice, info.duration, REF_MAX_SECONDS)
-                _, modified = normalize_ref_wav(ref_wav_path)
-                if modified and ref_txt_path and ref_txt_path.exists():
-                    ref_txt_path.unlink()
-        except Exception as e:
-            logger.warning("Konnte WAV-Dauer nicht pruefen: %s", e)
-
     # Legacy-Platzhalter erkennen → behandeln als "kein txt" und neu transkribieren
     if voice and ref_txt_path and ref_txt_path.exists():
         try:
@@ -507,14 +402,13 @@ async def _do_tts(ws, runner: F5Runner, text: str, voice: str,
             ref_wav_str, ref_text = str(pair[0]), pair[1].read_text(encoding="utf-8").strip()
 
     sentences = split_sentences(text)
-    logger.info("F5-TTS: %d Satz(e), voice=%s, speed=%.2fx (%s)",
-                len(sentences), voice or "default", speed, ref_wav_str)
+    logger.info("F5-TTS: %d Satz(e), voice=%s (%s)", len(sentences), voice or "default", ref_wav_str)
 
     chunk_index = 0
     pcm_sr = TARGET_SR
     for i, sent in enumerate(sentences):
         try:
-            wav, sr = await runner.synthesize(sent, ref_wav_str, ref_text, speed)
+            wav, sr = await runner.synthesize(sent, ref_wav_str, ref_text)
             pcm_sr = sr
             pcm_bytes = float_to_pcm16(wav)
             # Erste PCM-Chunk des allerersten Satzes bekommt Fade-In (maskiert
@@ -597,9 +491,8 @@ async def handle_voice_upload(ws, payload: dict) -> None:
         size_kb = wav_path.stat().st_size / 1024
         logger.info("Voice WAV gespeichert: %s (%.0fKB)", wav_path, size_kb)
 
-        # Auf 24kHz mono clippen auf 10s (F5-TTS Hard-Limit ist 12s,
-        # kuerzer = schnellerer Warmup + Text+Audio bleiben aligned)
-        normalize_ref_wav(wav_path)
+        # Auf 24kHz mono normalisieren (falls App in anderem Format liefert)
+        ensure_24k_mono_wav(wav_path)
 
         # Transkription ueber whisper-bridge anfragen
         logger.info("Transkribiere '%s' via whisper-bridge...", name)
@@ -720,30 +613,22 @@ async def run_loop(runner: F5Runner) -> None:
                 tls_fallback_tried = False
 
                 # Status-Broadcast: erst loading, dann ready nach erfolgreichem Load.
-                # Plus: config_request damit wir die persistierte Diagnostic-Config
-                # bekommen, falls aria-bridge ihre nicht von alleine sendet.
+                # Modell wird hier (nicht ausserhalb der Schleife) gestartet damit
+                # der Loading-Status auch wirklich uebertragen werden kann.
                 async def _load_with_status():
+                    if runner.model is not None:
+                        await _broadcast_status(ws, "ready",
+                                                model=runner.model_id,
+                                                loadSeconds=runner.last_load_seconds)
+                        return
+                    await _broadcast_status(ws, "loading", model=runner.model_id)
                     try:
-                        if runner.model is not None:
-                            logger.info("Initial: broadcaste ready (Modell schon im RAM: %s)", runner.model_id)
-                            await _broadcast_status(ws, "ready",
-                                                    model=runner.model_id,
-                                                    loadSeconds=runner.last_load_seconds)
-                        else:
-                            logger.info("Initial: broadcaste loading + lade Modell '%s'", runner.model_id)
-                            await _broadcast_status(ws, "loading", model=runner.model_id)
-                            await runner.ensure_loaded()
-                            await _broadcast_status(ws, "ready",
-                                                    model=runner.model_id,
-                                                    loadSeconds=runner.last_load_seconds)
-                        logger.info("Initial: sende config_request an aria-bridge")
-                        await _send(ws, "config_request", {"service": "f5tts"})
+                        await runner.ensure_loaded()
+                        await _broadcast_status(ws, "ready",
+                                                model=runner.model_id,
+                                                loadSeconds=runner.last_load_seconds)
                     except Exception as e:
-                        logger.exception("Initial-Load crashed: %s", e)
-                        try:
-                            await _broadcast_status(ws, "error", error=str(e)[:200])
-                        except Exception:
-                            pass
+                        await _broadcast_status(ws, "error", error=str(e)[:200])
                 asyncio.create_task(_load_with_status())
 
                 # TTS-Worker fuer diese Verbindung starten
@@ -759,19 +644,12 @@ async def run_loop(runner: F5Runner) -> None:
                         payload = msg.get("payload", {}) or {}
 
                         if mtype == "xtts_request":
-                            try:
-                                speed = float(payload.get("speed") or 1.0)
-                            except (TypeError, ValueError):
-                                speed = 1.0
-                            if not (0.1 <= speed <= 5.0):
-                                speed = 1.0
                             await _tts_queue.put((
                                 payload.get("text", ""),
                                 payload.get("voice", "") or "",
                                 payload.get("requestId", ""),
                                 payload.get("messageId", ""),
                                 payload.get("language", "de"),
-                                speed,
                             ))
                         elif mtype == "voice_upload":
                             asyncio.create_task(handle_voice_upload(ws, payload))

xtts/whisper/bridge.py

@@ -143,11 +143,7 @@ async def handle_stt_request(ws, payload: dict, runner: WhisperRunner) -> None:
     request_id = payload.get("requestId", "")
     audio_b64 = payload.get("audio", "")
     mime_type = payload.get("mimeType", "audio/mp4")
-    # Modell-Auswahl:
-    #   payload.model gesetzt  → nimm das (aria-bridge sendet's basierend auf Config)
-    #   sonst + Modell geladen → behalt das aktuelle (kein sinnloser Swap)
-    #   sonst                  → fallback auf ENV-Default
-    model = payload.get("model") or (runner.model_size if runner.model is not None else WHISPER_MODEL)
+    model = payload.get("model") or WHISPER_MODEL
     language = payload.get("language") or WHISPER_LANGUAGE
 
     if not audio_b64:
@@ -224,26 +220,15 @@ async def run_loop(runner: WhisperRunner) -> None:
                 retry_s = 2
                 tls_fallback_tried = False
 
-                # Initialer Status-Broadcast — uebertont alten "ready"-State
-                # im App/Diagnostic Banner (sonst denkt der User noch alles ist
-                # gut von vorher). Wenn Modell schon geladen → ready, sonst
-                # loading mit aktuellem (Default-)Namen.
-                # Plus: config_request an aria-bridge — wir wissen nicht ob
-                # sie auch grad reconnected hat oder schon laenger online ist.
-                async def _initial_handshake():
-                    try:
-                        if runner.model is not None:
-                            logger.info("Initial: broadcaste ready (Modell schon im RAM: %s)", runner.model_size)
-                            await _broadcast_status(ws, "ready", model=runner.model_size)
-                        else:
-                            init_model = runner.model_size or WHISPER_MODEL
-                            logger.info("Initial: broadcaste loading (model=%s)", init_model)
-                            await _broadcast_status(ws, "loading", model=init_model)
-                        logger.info("Initial: sende config_request an aria-bridge")
-                        await _send(ws, "config_request", {"service": "whisper"})
-                    except Exception as e:
-                        logger.exception("Initial-Handshake crashed: %s", e)
-                asyncio.create_task(_initial_handshake())
+                # KEIN initialer Preload. Der aria-bridge broadcastet kurz nach
+                # RVS-Connect die persistierte Config (whisperModel) — wir laden
+                # erst wenn der drinsteht, sonst wuerde 2x geladen werden
+                # (small als ENV-Default + dann das echte Modell).
+                # Wenn ein stt_request schneller kommt als die Config: ensure_loaded
+                # im Handler greift dann ein und laedt das angeforderte Modell.
+                if runner.model is not None:
+                    # Wir sind reconnectet — Modell schon im RAM, einfach 'ready'
+                    asyncio.create_task(_broadcast_status(ws, "ready", model=runner.model_size))
 
                 async for raw in ws:
                     try: