release: bump version to 0.2.3.3

Fuer Voxtral/modernes CUDA: --upgrade-driver zieht einen neueren nvidia-driver aus trixie-backports, baut das DKMS-Modul (Kernel-Header sind da), und weist auf den noetigen Reboot hin. Ohne den Flag bleibt der laufende 550er unangetastet. Fallback-Hinweis auf NVIDIAs CUDA-Repo, falls backports nichts Neueres hat.

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

ai-box/README.md

@@ -0,0 +1,63 @@
+# ai-box — KI-Box (gpubox) Bootstrap
+
+Macht aus einem frisch installierten **Debian Trixie** (headless, nur SSH) einen
+startklaren GPU-Satelliten-Host für den `xtts`-Stack (STT/TTS/LLM).
+
+## Was das Script tut
+
+1. Basis-Pakete (curl, gnupg, git …)
+2. `contrib non-free non-free-firmware` aktivieren (Trixie-**deb822**-Format berücksichtigt)
+3. **NVIDIA-Treiber** installieren (`nvidia-driver` + firmware)
+4. **Docker** Engine + Compose-Plugin
+5. **NVIDIA Container Toolkit** + Docker-Runtime auf NVIDIA konfigurieren
+6. `xtts/.env` aus `.env.example` anlegen (RVS_TOKEN optional gleich setzen)
+7. **GPU-im-Container-Test** (`docker run --gpus all … nvidia-smi`)
+8. optional (`--up`): den `xtts`-Stack hochziehen
+
+Alles **idempotent** — mehrfach ausführbar.
+
+## Ablauf
+
+```bash
+git clone <repo> ARIA-AGENT
+cd ARIA-AGENT/ai-box
+
+sudo ./bootstrap.sh
+# → Wenn der Treiber frisch installiert wurde: einmal neu starten, dann nochmal:
+sudo reboot
+# … nach dem Boot:
+cd ARIA-AGENT/ai-box
+sudo ./bootstrap.sh --up --token <DEIN_RVS_TOKEN>
+```
+
+Der Treiber-Reboot ist normal (Kernel-Modul wird erst beim Boot geladen). Beim
+zweiten Lauf überspringt das Script alles Erledigte und macht nur noch den
+GPU-Test + Stack-Start.
+
+## Optionen
+
+| Option | Wirkung |
+|---|---|
+| `--up` | am Ende `docker compose up -d --build` (Default-Profil) |
+| `--token <TOK>` | `RVS_TOKEN` in `xtts/.env` eintragen (auch via `RVS_TOKEN=…` env) |
+| `--rvs-host <H>` | `RVS_HOST` setzen |
+
+## Wichtig
+
+- **Stimm-Daten** (nicht in git): falls von der alten Box noch vorhanden,
+  `xtts/voice-id/` (Speaker-Fingerprint) + `xtts/voices/` (F5-Referenz) herkopieren.
+  Sonst egal — in der App neu anlegen: Stimme neu enrollen (ohne Fingerprint läuft
+  die Speaker-ID fail-open, alles geht durch) + F5-Voice-Referenz neu hochladen.
+- **Voxtral bleibt aus** auf der 3060 (braucht ≥16 GB VRAM). Das Default-Profil
+  fährt Whisper (mit dem M0.1-Fix) + F5-TTS + lokales LLM. Voxtral erst mit der
+  24-GB-Karte: `docker compose stop whisper-bridge && docker compose --profile voxtral up -d --build`.
+- **Erster Start lädt Modelle** (mehrere GB via HuggingFace nach `xtts/hf-cache`
+  + `xtts/models`) — genug Platz (1 TB NVMe ✓) und etwas Geduld.
+
+## Verifizieren
+
+```bash
+nvidia-smi                                   # Host sieht die GPU
+docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi   # Container auch
+docker logs -f aria-whisper-bridge           # "RVS verbunden" + service_status ready
+```

ai-box/bootstrap.sh

@@ -0,0 +1,277 @@
+#!/usr/bin/env bash
+#
+# ARIA KI-Box (gpubox) Bootstrap — frisches Debian Trixie → startklarer
+# GPU-Satelliten-Host fuer den xtts-Stack (Voxtral/Whisper STT, F5-TTS, lokales LLM).
+#
+# Ablauf nach `git clone`:
+#   cd ARIA-AGENT/ai-box
+#   sudo ./bootstrap.sh                 # richtet Treiber + Docker + NVIDIA-Toolkit ein
+#   # (falls Treiber frisch installiert: einmal `sudo reboot`, dann Script erneut)
+#   sudo ./bootstrap.sh --up            # dazu: xtts-Stack (Whisper+F5+LLM) hochziehen
+#
+# Optionen:
+#   --up            am Ende den xtts-Stack starten (Default-Profil, OHNE voxtral)
+#   --upgrade-driver  NVIDIA-Treiber aus trixie-backports (modernes CUDA fuer Voxtral).
+#                     Danach REBOOT noetig. Default-Bootstrap laesst 550 unangetastet.
+#   --token <TOK>   RVS_TOKEN in xtts/.env eintragen (alternativ: env RVS_TOKEN=...)
+#   --rvs-host <H>  RVS_HOST setzen (Default aus .env.example)
+#
+# IDEMPOTENT: bereits erledigte Schritte werden uebersprungen. Nach dem
+# Treiber-Reboot einfach nochmal ausfuehren — der Rest laeuft dann durch.
+#
+set -euo pipefail
+
+# ── CLI ──
+DO_UP=0
+DO_UPGRADE_DRIVER=0
+RVS_TOKEN_ARG="${RVS_TOKEN:-}"
+RVS_HOST_ARG="${RVS_HOST:-}"
+while [[ $# -gt 0 ]]; do
+  case "$1" in
+    --up) DO_UP=1; shift ;;
+    --upgrade-driver) DO_UPGRADE_DRIVER=1; shift ;;
+    --token) RVS_TOKEN_ARG="${2:-}"; shift 2 ;;
+    --rvs-host) RVS_HOST_ARG="${2:-}"; shift 2 ;;
+    -h|--help) grep '^#' "$0" | sed 's/^# \{0,1\}//'; exit 0 ;;
+    *) echo "Unbekannte Option: $1"; exit 1 ;;
+  esac
+done
+
+# ── Log-Helfer ──
+c_g="\033[1;32m"; c_y="\033[1;33m"; c_r="\033[1;31m"; c_b="\033[1;34m"; c_0="\033[0m"
+STEP=0
+step() { STEP=$((STEP+1)); echo -e "\n${c_b}[${STEP}] $*${c_0}"; }
+ok()   { echo -e "  ${c_g}✓${c_0} $*"; }
+warn() { echo -e "  ${c_y}!${c_0} $*"; }
+die()  { echo -e "${c_r}✗ $*${c_0}" >&2; exit 1; }
+
+SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
+REPO_ROOT="$(cd "$SCRIPT_DIR/.." && pwd)"
+XTTS_DIR="$REPO_ROOT/xtts"
+
+# ── Preflight ──
+[[ "$(id -u)" -eq 0 ]] || die "Bitte als root ausfuehren (sudo ./bootstrap.sh)."
+command -v apt-get >/dev/null || die "Kein apt-get — dieses Script ist fuer Debian/Trixie."
+export DEBIAN_FRONTEND=noninteractive
+
+echo -e "${c_b}=== ARIA KI-Box Bootstrap ===${c_0}"
+echo "Repo:  $REPO_ROOT"
+echo "xtts:  $XTTS_DIR"
+
+# ── 1. Basis-Pakete ──
+step "Basis-Pakete"
+apt-get update -qq
+apt-get install -y -qq ca-certificates curl gnupg git lsb-release >/dev/null
+ok "ca-certificates, curl, gnupg, git"
+
+# ── 2. non-free Repos aktivieren (Trixie deb822 + Legacy) ──
+step "APT-Komponenten (contrib non-free non-free-firmware)"
+# Ergaenzt die drei Komponenten in JEDER Components:-Zeile einer deb822-Datei —
+# pro Zeile nur was fehlt, reihenfolge-robust, idempotent. Die Adressen pruefen
+# ganze Woerter (non-free-firmware zaehlt NICHT als non-free).
+add_components() {
+  sed -i -E '/^[Cc]omponents:/{
+    /(^|[[:space:]])contrib([[:space:]]|$)/!s/$/ contrib/
+    /(^|[[:space:]])non-free([[:space:]]|$)/!s/$/ non-free/
+    /(^|[[:space:]])non-free-firmware([[:space:]]|$)/!s/$/ non-free-firmware/
+  }' "$1"
+}
+ENABLED_ANY=0
+shopt -s nullglob
+for f in /etc/apt/sources.list.d/*.sources; do
+  grep -qE '^[Cc]omponents:' "$f" || continue
+  b="$(md5sum "$f")"; add_components "$f"; a="$(md5sum "$f")"
+  if [[ "$b" != "$a" ]]; then ENABLED_ANY=1; ok "aktualisiert: $(basename "$f")"; fi
+done
+shopt -u nullglob
+# Legacy /etc/apt/sources.list (deb-Zeilen)
+if [[ -f /etc/apt/sources.list ]] && grep -qE '^deb ' /etc/apt/sources.list; then
+  if ! grep -qE '^deb .*[[:space:]]non-free([[:space:]]|$)' /etc/apt/sources.list; then
+    sed -i -E '/^deb .*debian/ s/$/ contrib non-free non-free-firmware/' /etc/apt/sources.list
+    ENABLED_ANY=1; ok "aktualisiert: sources.list"
+  fi
+fi
+[[ $ENABLED_ANY -eq 0 ]] && ok "non-free schon aktiv"
+apt-get update -qq   # immer neu einlesen, damit der Kandidat sicher da ist
+
+# ── 2b. (opt-in) Treiber-Upgrade via trixie-backports — fuer Voxtral/modernes CUDA ──
+# Der Trixie-Standardtreiber (550, CUDA 12.4) ist zu alt fuer den modernen Stack
+# (torch 2.13, vLLM). Backports bringt einen neueren, apt-verwalteten Treiber.
+# NUR mit --upgrade-driver, damit ein laufendes Setup nicht ungewollt angefasst wird.
+if [[ "$DO_UPGRADE_DRIVER" -eq 1 ]]; then
+  step "NVIDIA-Treiber-Upgrade (trixie-backports)"
+  BP_FILE="/etc/apt/sources.list.d/backports.sources"
+  if ! grep -rqs "trixie-backports" /etc/apt/sources.list /etc/apt/sources.list.d/ 2>/dev/null; then
+    cat > "$BP_FILE" <<'EOF'
+Types: deb
+URIs: http://deb.debian.org/debian
+Suites: trixie-backports
+Components: main contrib non-free non-free-firmware
+Signed-By: /usr/share/keyrings/debian-archive-keyring.gpg
+EOF
+    ok "trixie-backports hinzugefuegt"
+  else
+    ok "trixie-backports bereits aktiv"
+  fi
+  apt-get update
+  apt-get install -y linux-headers-amd64 || true
+  apt-get install -y "linux-headers-$(uname -r)" || true
+  if apt-get install -y -t trixie-backports nvidia-driver; then
+    dkms autoinstall >/dev/null 2>&1 || true
+    NEWV="$(dpkg-query -W -f='${Version}' nvidia-driver 2>/dev/null || echo '?')"
+    ok "nvidia-driver aus backports installiert: ${NEWV}"
+    echo
+    echo -e "${c_y}==> REBOOT noetig, damit der neue Treiber laedt:${c_0}"
+    echo -e "${c_y}    sudo reboot   &&   danach:  cd ai-box && sudo ./bootstrap.sh --up --token <TOKEN>${c_0}"
+    echo -e "${c_y}    (nvidia-smi zeigt dann die neue Version + CUDA-Level)${c_0}"
+    exit 0
+  else
+    warn "backports-Install fehlgeschlagen — 550er bleibt aktiv."
+    warn "Alternative fuer den neuesten Treiber: NVIDIAs CUDA-Repo fuer debian13"
+    warn "  (developer.download.nvidia.com/compute/cuda/repos/debian13/x86_64) → Paket 'cuda-drivers'."
+    die "Treiber-Upgrade nicht moeglich — siehe oben."
+  fi
+fi
+
+# ── 3. NVIDIA-Treiber ──
+step "NVIDIA-Treiber"
+if nvidia-smi >/dev/null 2>&1; then
+  ok "Treiber aktiv: $(nvidia-smi --query-gpu=name --format=csv,noheader | paste -sd', ')"
+  DRIVER_ACTIVE=1
+else
+  if dpkg -l | grep -q '^ii  nvidia-driver '; then
+    warn "Treiber installiert, aber nvidia-smi antwortet nicht → REBOOT noetig."
+    DRIVER_ACTIVE=0
+  else
+    # KEIN separater Kandidaten-Check — die apt-cache-Ausgabe ist locale-/pipe-
+    # fragil (hat faelschlich "kein Kandidat" gemeldet). Der Install IST der Test:
+    # direkt installieren; schlaegt er fehl, einmal volles apt-get update + Retry,
+    # dann erst mit Diagnose abbrechen.
+    # Kernel-Header ZUERST — sonst ueberspringt DKMS den Modulbau ("No kernel
+    # headers were found") und nvidia-smi kann spaeter nicht mit dem Treiber reden.
+    warn "Kernel-Header + nvidia-driver installieren (DKMS-Build, dauert)…"
+    apt-get install -y linux-headers-amd64 || true
+    apt-get install -y "linux-headers-$(uname -r)" || true
+    if ! apt-get install -y nvidia-driver firmware-misc-nonfree; then
+      warn "Install fehlgeschlagen — volles 'apt-get update' + zweiter Versuch…"
+      apt-get update
+      if ! apt-get install -y nvidia-driver firmware-misc-nonfree; then
+        echo
+        warn "nvidia-driver liess sich nicht installieren. Aktive Quellen:"
+        grep -rhE '^[Cc]omponents:' /etc/apt/sources.list.d/*.sources 2>/dev/null | sed 's/^/     /' || true
+        grep -E '^deb ' /etc/apt/sources.list 2>/dev/null | sed 's/^/     /' || true
+        die "Pruefe 'apt-cache policy nvidia-driver' + Netz/non-free."
+      fi
+    fi
+    # Falls nvidia-kernel-dkms schon (ohne Header) installiert war: Modul jetzt bauen.
+    dkms autoinstall >/dev/null 2>&1 || true
+    ok "nvidia-driver + Kernel-Modul installiert"
+    DRIVER_ACTIVE=0
+  fi
+fi
+
+# ── 4. Docker Engine + Compose-Plugin ──
+step "Docker"
+if command -v docker >/dev/null 2>&1; then
+  ok "Docker vorhanden: $(docker --version)"
+else
+  warn "Installiere Docker (offizielles get.docker.com)…"
+  curl -fsSL https://get.docker.com | sh >/dev/null
+  systemctl enable --now docker >/dev/null 2>&1 || true
+  ok "Docker installiert: $(docker --version)"
+fi
+if docker compose version >/dev/null 2>&1; then
+  ok "Compose-Plugin: $(docker compose version | head -1)"
+else
+  warn "Compose-Plugin fehlt — installiere docker-compose-plugin…"
+  apt-get install -y -qq docker-compose-plugin >/dev/null || \
+    warn "Konnte docker-compose-plugin nicht via apt holen — get.docker.com bringt es normalerweise mit."
+fi
+
+# ── 5. NVIDIA Container Toolkit ──
+step "NVIDIA Container Toolkit"
+NCT_LIST="/etc/apt/sources.list.d/nvidia-container-toolkit.list"
+NCT_KEY="/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg"
+if ! dpkg -l | grep -q '^ii  nvidia-container-toolkit '; then
+  [[ -f "$NCT_KEY" ]] || curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey \
+    | gpg --dearmor -o "$NCT_KEY"
+  if [[ ! -f "$NCT_LIST" ]]; then
+    curl -fsSL https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list \
+      | sed "s#deb https://#deb [signed-by=${NCT_KEY}] https://#g" > "$NCT_LIST"
+  fi
+  apt-get update -qq
+  apt-get install -y -qq nvidia-container-toolkit >/dev/null
+  ok "nvidia-container-toolkit installiert"
+else
+  ok "nvidia-container-toolkit vorhanden"
+fi
+# Docker-Runtime auf NVIDIA konfigurieren (idempotent)
+if ! grep -q '"nvidia"' /etc/docker/daemon.json 2>/dev/null; then
+  nvidia-ctk runtime configure --runtime=docker >/dev/null
+  systemctl restart docker
+  ok "Docker-Runtime auf NVIDIA konfiguriert + Docker neugestartet"
+else
+  ok "Docker-Runtime bereits NVIDIA-konfiguriert"
+fi
+
+# ── 6. xtts/.env vorbereiten ──
+step "xtts/.env"
+if [[ -f "$XTTS_DIR/.env" ]]; then
+  ok ".env existiert bereits (unangetastet)"
+else
+  cp "$XTTS_DIR/.env.example" "$XTTS_DIR/.env"
+  ok ".env aus .env.example erstellt"
+fi
+if [[ -n "$RVS_TOKEN_ARG" ]]; then
+  sed -i -E "s#^RVS_TOKEN=.*#RVS_TOKEN=${RVS_TOKEN_ARG}#" "$XTTS_DIR/.env"
+  ok "RVS_TOKEN eingetragen"
+fi
+if [[ -n "$RVS_HOST_ARG" ]]; then
+  sed -i -E "s#^RVS_HOST=.*#RVS_HOST=${RVS_HOST_ARG}#" "$XTTS_DIR/.env"
+  ok "RVS_HOST=${RVS_HOST_ARG} eingetragen"
+fi
+if grep -q '^RVS_TOKEN=dein_token_hier' "$XTTS_DIR/.env"; then
+  warn "RVS_TOKEN ist noch der Platzhalter — vor dem Start setzen:"
+  warn "   nano $XTTS_DIR/.env   (oder: sudo ./bootstrap.sh --token <TOKEN>)"
+fi
+warn "Stimm-Daten (nicht in git): falls von der alten Box noch vorhanden, xtts/voice-id/"
+warn "   + xtts/voices/ herkopieren. Sonst egal — in der App neu anlegen:"
+warn "   Sprache neu enrollen (Speaker-ID, sonst fail-open) + F5-Referenz neu hochladen."
+
+# ── 7. GPU-im-Container verifizieren ──
+step "GPU-im-Container Test"
+if [[ "${DRIVER_ACTIVE:-0}" -eq 1 ]]; then
+  if docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi >/dev/null 2>&1; then
+    ok "Docker sieht die GPU — KI-Box ist einsatzbereit."
+    GPU_READY=1
+  else
+    warn "Host-Treiber ok, aber Container sieht die GPU nicht — Toolkit/Runtime pruefen."
+    GPU_READY=0
+  fi
+else
+  warn "Treiber noch nicht aktiv → Test uebersprungen."
+  echo
+  echo -e "${c_y}==> REBOOT noetig, dann Script erneut ausfuehren:${c_0}"
+  echo -e "${c_y}    sudo reboot   &&   (nach dem Boot)   sudo ./bootstrap.sh${c_0}"
+  exit 0
+fi
+
+# ── 8. Optional: xtts-Stack hochziehen ──
+if [[ $DO_UP -eq 1 && "${GPU_READY:-0}" -eq 1 ]]; then
+  step "xtts-Stack starten (Default-Profil: Whisper + F5 + LLM — OHNE voxtral)"
+  warn "Erster Start laedt Modelle (mehrere GB via HuggingFace) — kann dauern."
+  ( cd "$XTTS_DIR" && docker compose up -d --build )
+  ok "Stack laeuft. Logs:  docker logs -f aria-whisper-bridge"
+  echo
+  echo "  voxtral (STT via Voxtral) braucht >=16 GB VRAM → erst mit der 24-GB-Karte:"
+  echo "     cd $XTTS_DIR && docker compose stop whisper-bridge && docker compose --profile voxtral up -d --build"
+fi
+
+# ── Abschluss ──
+echo
+echo -e "${c_g}=== Fertig. KI-Box startklar. ===${c_0}"
+if [[ $DO_UP -eq 0 ]]; then
+  echo "Naechster Schritt — Stack starten:"
+  echo "   cd $XTTS_DIR && docker compose up -d --build"
+  echo "oder direkt:  sudo ./bootstrap.sh --up"
+fi

android/android/app/build.gradle

@@ -79,8 +79,8 @@ android {
         applicationId "com.ariacockpit"
         minSdkVersion rootProject.ext.minSdkVersion
         targetSdkVersion rootProject.ext.targetSdkVersion
-        versionCode 20300
-        versionName "0.2.3.0"
+        versionCode 20303
+        versionName "0.2.3.3"
         // Fallback fuer Libraries mit Product Flavors
         missingDimensionStrategy 'react-native-camera', 'general'
     }

android/package.json

@@ -1,6 +1,6 @@
 {
   "name": "aria-cockpit",
-  "version": "0.2.3.0",
+  "version": "0.2.3.3",
   "private": true,
   "scripts": {
     "android": "react-native run-android",

android/src/screens/ChatScreen.tsx

@@ -50,7 +50,7 @@ import VoiceButton from '../components/VoiceButton';
 import FileUpload, { FileData } from '../components/FileUpload';
 import CameraUpload, { PhotoData } from '../components/CameraUpload';
 import MessageText from '../components/MessageText';
-import { loadConvWindowMs, loadTtsSpeed, TTS_SPEED_DEFAULT, loadSttEndpointMs } from '../services/audio';
+import { loadConvWindowMs, loadTtsSpeed, TTS_SPEED_DEFAULT, loadSttEndpointMs, loadMaxRecordingMs } from '../services/audio';
 import Geolocation from '@react-native-community/geolocation';
 
 // --- Typen ---
@@ -93,6 +93,9 @@ interface ChatMessage {
    *  gespiegelt damit wir die EXAKT richtige Placeholder-Bubble ersetzen,
    *  auch wenn mehrere Aufnahmen parallel offen sind. */
   audioRequestId?: string;
+  /** Laenge der Sprachaufnahme in Sekunden (aus dem stt_endpoint) — fuer die
+   *  Dauer-Anzeige an der Voice-Bubble. */
+  durationS?: number;
   /** Skill-Created-Bubble: ARIA hat einen neuen Skill angelegt */
   skillCreated?: {
     name: string;
@@ -184,6 +187,14 @@ function stripSystemHints(text: string): string {
   }
   return out;
 }
+/** Sekunden → "M:SS" fuer die Sprachnachricht-Dauer. */
+function formatDur(sec: number): string {
+  const s = Math.max(0, Math.round(sec));
+  const m = Math.floor(s / 60);
+  const r = s % 60;
+  return `${m}:${r.toString().padStart(2, '0')}`;
+}
+
 const DEFAULT_ATTACHMENT_DIR = `${RNFS.DocumentDirectoryPath}/chat_attachments`;
 const STORAGE_PATH_KEY = 'aria_attachment_storage_path';
 
@@ -1668,7 +1679,9 @@ const ChatScreen: React.FC = () => {
         location: location || null,
         noSpeechTimeoutMs: windowMs,
         endpointMs: await loadSttEndpointMs(),
-        hardCapMs: 60000,
+        // Notbremse 5 min (nicht 1 min) — der Stille-Endpoint beendet normale
+        // Turns eh sofort; der Cap darf lange Diktate nicht mitten drin kappen.
+        hardCapMs: await loadMaxRecordingMs(),
         projectId: focusedProjectIdRef.current,
       });
       import('../services/logger').then(m => m.reportAppDebug('wake.cb', `startStreamingRecording returned ok=${ok}`)).catch(()=>{});
@@ -1696,6 +1709,13 @@ const ChatScreen: React.FC = () => {
       if (ev.text && ev.text.trim()) {
         console.log('[Chat] STT-Endpoint: %r (reason=%s, %dms, %.1fs Audio)',
                     ev.text.slice(0, 80), ev.reason, ev.sttMs, ev.durationS);
+        // Aufnahme-Dauer an die passende Voice-Bubble haengen (Anzeige). Der
+        // spaetere STT-Text-Update spreadet die Message, die Dauer bleibt.
+        if (ev.audioRequestId && typeof ev.durationS === 'number' && ev.durationS > 0) {
+          const dur = ev.durationS;
+          setMessages(prev => prev.map(m =>
+            m.audioRequestId === ev.audioRequestId ? { ...m, durationS: dur } : m));
+        }
         // Wenn passive lauschend: User hat tatsaechlich was gesagt → uebergang
         // zu 'conversing' damit der normale Flow greift (TTS, resume, etc.)
         if (wakeWordService.getState() === 'listening') {
@@ -1771,7 +1791,8 @@ const ChatScreen: React.FC = () => {
         location: location || null,
         noSpeechTimeoutMs: windowMs,
         endpointMs: await loadSttEndpointMs(),
-        hardCapMs: 60000,
+        // Notbremse 5 min (s.o.) — lange Diktate nicht bei 1 min abschneiden.
+        hardCapMs: await loadMaxRecordingMs(),
         projectId: focusedProjectIdRef.current,
       });
       if (ok) {
@@ -2255,7 +2276,7 @@ const ChatScreen: React.FC = () => {
       // die Session auch app-seitig haben wir +2s Toleranz.
       noSpeechTimeoutMs: 0,
       endpointMs: await loadSttEndpointMs(),
-      hardCapMs: 300000,
+      hardCapMs: await loadMaxRecordingMs(),
       projectId: focusedProjectIdRef.current,
     });
     if (!ok) {
@@ -2647,6 +2668,16 @@ const ChatScreen: React.FC = () => {
                   {att.serverPath ? '(tippen zum Laden)' : '(nicht verfuegbar)'}
                 </Text>
               </TouchableOpacity>
+            ) : att.type === 'audio' ? (
+              <View style={styles.attachmentFile}>
+                <Text style={styles.attachmentFileIcon}>{'🎙'}</Text>
+                <Text style={styles.attachmentFileName} numberOfLines={1}>
+                  {att.name || 'Sprachaufnahme'}
+                </Text>
+                {typeof item.durationS === 'number' && item.durationS > 0 ? (
+                  <Text style={styles.attachmentFileSize}>{formatDur(item.durationS)}</Text>
+                ) : null}
+              </View>
             ) : (
               <TouchableOpacity
                 style={styles.attachmentFile}

android/src/screens/SettingsScreen.tsx

@@ -67,6 +67,10 @@ import {
   CONV_WINDOW_MIN_SEC,
   CONV_WINDOW_MAX_SEC,
   CONV_WINDOW_STORAGE_KEY,
+  STT_ENDPOINT_DEFAULT_MS,
+  STT_ENDPOINT_MIN_MS,
+  STT_ENDPOINT_MAX_MS,
+  STT_ENDPOINT_STORAGE_KEY,
   MAX_RECORDING_DEFAULT_SEC,
   MAX_RECORDING_MIN_SEC,
   MAX_RECORDING_MAX_SEC,
@@ -195,6 +199,9 @@ const SettingsScreen: React.FC = () => {
   const [ttsEnabled, setTtsEnabled] = useState(true);
   const [ttsPrerollSec, setTtsPrerollSec] = useState<number>(TTS_PREROLL_DEFAULT_SEC);
   const [vadSilenceSec, setVadSilenceSec] = useState<number>(VAD_SILENCE_DEFAULT_SEC);
+  // Aktive Streaming-Pausen-Toleranz (STT_ENDPOINT) — der "Stille-Toleranz"-Regler
+  // steuert jetzt DIESEN Wert (der alte vadSilenceSec war der tote Legacy-dB-Pfad).
+  const [sttEndpointSec, setSttEndpointSec] = useState<number>(STT_ENDPOINT_DEFAULT_MS / 1000);
   const [convWindowSec, setConvWindowSec] = useState<number>(CONV_WINDOW_DEFAULT_SEC);
   const [maxRecordingSec, setMaxRecordingSec] = useState<number>(MAX_RECORDING_DEFAULT_SEC);
   // null = automatisch (adaptive Baseline), sonst manueller dB-Override
@@ -306,6 +313,14 @@ const SettingsScreen: React.FC = () => {
         }
       }
     });
+    AsyncStorage.getItem(STT_ENDPOINT_STORAGE_KEY).then(saved => {
+      if (saved != null) {
+        const n = parseInt(saved, 10);
+        if (isFinite(n) && n >= STT_ENDPOINT_MIN_MS && n <= STT_ENDPOINT_MAX_MS) {
+          setSttEndpointSec(n / 1000);
+        }
+      }
+    });
     AsyncStorage.getItem(MAX_RECORDING_STORAGE_KEY).then(saved => {
       if (saved != null) {
         const n = parseFloat(saved);
@@ -1655,30 +1670,30 @@ const SettingsScreen: React.FC = () => {
         <Text style={styles.toggleHint}>
           Wie lange du eine Sprechpause machen darfst, bevor die Aufnahme
           automatisch beendet und gesendet wird. Hoeher = mehr Zeit zum
-          Nachdenken; niedriger = schnelleres Senden.
-          Default: {VAD_SILENCE_DEFAULT_SEC.toFixed(1)}s.
+          Nachdenken (z.B. im Auto); niedriger = schnelleres Senden.
+          Default: {(STT_ENDPOINT_DEFAULT_MS / 1000).toFixed(1)}s.
         </Text>
         <View style={styles.prerollRow}>
           <TouchableOpacity
             style={styles.prerollButton}
             onPress={() => {
-              const next = Math.max(VAD_SILENCE_MIN_SEC, Math.round((vadSilenceSec - 0.5) * 10) / 10);
-              setVadSilenceSec(next);
-              AsyncStorage.setItem(VAD_SILENCE_STORAGE_KEY, String(next));
+              const next = Math.max(STT_ENDPOINT_MIN_MS / 1000, Math.round((sttEndpointSec - 0.5) * 10) / 10);
+              setSttEndpointSec(next);
+              AsyncStorage.setItem(STT_ENDPOINT_STORAGE_KEY, String(Math.round(next * 1000)));
             }}
-            disabled={vadSilenceSec <= VAD_SILENCE_MIN_SEC}
+            disabled={sttEndpointSec <= STT_ENDPOINT_MIN_MS / 1000}
           >
             <Text style={styles.prerollButtonText}>−0.5</Text>
           </TouchableOpacity>
-          <Text style={styles.prerollValue}>{vadSilenceSec.toFixed(1)} s</Text>
+          <Text style={styles.prerollValue}>{sttEndpointSec.toFixed(1)} s</Text>
           <TouchableOpacity
             style={styles.prerollButton}
             onPress={() => {
-              const next = Math.min(VAD_SILENCE_MAX_SEC, Math.round((vadSilenceSec + 0.5) * 10) / 10);
-              setVadSilenceSec(next);
-              AsyncStorage.setItem(VAD_SILENCE_STORAGE_KEY, String(next));
+              const next = Math.min(STT_ENDPOINT_MAX_MS / 1000, Math.round((sttEndpointSec + 0.5) * 10) / 10);
+              setSttEndpointSec(next);
+              AsyncStorage.setItem(STT_ENDPOINT_STORAGE_KEY, String(Math.round(next * 1000)));
             }}
-            disabled={vadSilenceSec >= VAD_SILENCE_MAX_SEC}
+            disabled={sttEndpointSec >= STT_ENDPOINT_MAX_MS / 1000}
           >
             <Text style={styles.prerollButtonText}>+0.5</Text>
           </TouchableOpacity>
@@ -1749,56 +1764,10 @@ const SettingsScreen: React.FC = () => {
           </TouchableOpacity>
         </View>
 
-        <View style={{flexDirection: 'row', alignItems: 'center', marginTop: 24, gap: 8}}>
-          <Text style={styles.toggleLabel}>Stille-Pegel (dB)</Text>
-          <TouchableOpacity onPress={() => setShowVadInfo(true)} style={styles.infoBtn}>
-            <Text style={styles.infoBtnText}>i</Text>
-          </TouchableOpacity>
-        </View>
-        <Text style={styles.toggleHint}>
-          Welcher Mikro-Pegel als "Stille" gilt. Standard: automatisch (Baseline aus
-          den ersten 500ms). Manuell setzen wenn Auto nicht zuverlaessig greift.
-        </Text>
-        <View style={styles.prerollRow}>
-          <TouchableOpacity
-            style={styles.prerollButton}
-            onPress={() => {
-              const next = vadSilenceDb == null
-                ? VAD_SILENCE_DB_DEFAULT - 1
-                : Math.max(VAD_SILENCE_DB_MIN, vadSilenceDb - 1);
-              setVadSilenceDb(next);
-              AsyncStorage.setItem(VAD_SILENCE_DB_OVERRIDE_KEY, String(next));
-            }}
-          >
-            <Text style={styles.prerollButtonText}>−1</Text>
-          </TouchableOpacity>
-          <Text style={styles.prerollValue}>
-            {vadSilenceDb == null ? 'auto' : `${vadSilenceDb} dB`}
-          </Text>
-          <TouchableOpacity
-            style={styles.prerollButton}
-            onPress={() => {
-              const next = vadSilenceDb == null
-                ? VAD_SILENCE_DB_DEFAULT + 1
-                : Math.min(VAD_SILENCE_DB_MAX, vadSilenceDb + 1);
-              setVadSilenceDb(next);
-              AsyncStorage.setItem(VAD_SILENCE_DB_OVERRIDE_KEY, String(next));
-            }}
-          >
-            <Text style={styles.prerollButtonText}>+1</Text>
-          </TouchableOpacity>
-        </View>
-        {vadSilenceDb != null && (
-          <TouchableOpacity
-            onPress={() => {
-              setVadSilenceDb(null);
-              AsyncStorage.removeItem(VAD_SILENCE_DB_OVERRIDE_KEY);
-            }}
-            style={{alignSelf: 'center', marginTop: 8, paddingVertical: 6, paddingHorizontal: 12}}
-          >
-            <Text style={{color: '#0096FF', fontSize: 13}}>↻ Auf automatisch zuruecksetzen</Text>
-          </TouchableOpacity>
-        )}
+        {/* "Stille-Pegel (dB)"-Regler entfernt: der aktive Streaming-STT nutzt
+            einen adaptiven Rausch-Boden (automatisch), ein manueller dB-Wert war
+            wirkungslos. Rauschen-als-Wort verhindert das STT-Modell selbst
+            (no_speech_prob-Filter), nicht die dB-Schwelle. */}
       </View>
 
       <Modal

android/src/services/ariaView.ts

@@ -0,0 +1,104 @@
+/**
+ * ariaView — Empfaenger der von ARIA komponierten RAEUMLICHEN Ansichten (M1).
+ *
+ * Fluss: ARIA ruft im Brain `present_view` → Brain-Event `aria_view` → Bridge →
+ * RVS `aria_view` → hier gepuffert → WorkspaceCanvas rendert Orb + Karten, die
+ * auf der Flaeche materialisieren.
+ *
+ * Der Service haelt pro Projekt die AKTUELLE View-Spec, damit eine spaet
+ * gemountete Canvas-Kachel sofort den Ist-Stand bekommt. Muster wie
+ * services/codeFile.ts (Singleton, rvs.onMessage).
+ *
+ * Die Karten-Typen sind bewusst offen (string), damit spaetere Renderer (vnc,
+ * chart, file …) ohne Service-Aenderung dazukommen. Der jeweilige Client-Renderer
+ * entscheidet, was er mit einem unbekannten Typ macht (i.d.R. ignorieren).
+ */
+
+import rvs, { RVSMessage } from './rvs';
+
+export type OrbState = 'idle' | 'listening' | 'thinking' | 'speaking' | 'working';
+
+export interface ViewMarker {
+  lat: number;
+  lon: number;
+  label?: string;
+}
+
+export interface ViewCard {
+  type: 'text' | 'image' | 'map' | 'code' | 'list' | string;
+  title?: string;
+  md?: string;        // text/list
+  src?: string;       // image
+  markers?: ViewMarker[]; // map
+  path?: string;      // code
+  lang?: string;      // code
+  // Zukuenftige Kartenfelder ohne Service-Aenderung:
+  [k: string]: any;
+}
+
+export interface ViewSpec {
+  cards: ViewCard[];
+  orb?: OrbState;
+  title?: string;
+}
+
+export interface AriaView {
+  projectId: string;
+  view: ViewSpec;
+  clientMsgId?: string;
+  ts: number;
+}
+
+type ViewSub = (v: AriaView) => void;
+
+class AriaViewService {
+  private views = new Map<string, AriaView>();
+  private subs: ViewSub[] = [];
+
+  constructor() {
+    rvs.onMessage((m) => this.onMessage(m));
+  }
+
+  private onMessage(m: RVSMessage): void {
+    if (m.type !== 'aria_view') return;
+    const p = (m.payload || {}) as any;
+    const raw = (p.view || {}) as any;
+    const cards: ViewCard[] = Array.isArray(raw.cards) ? raw.cards : [];
+    if (cards.length === 0) return; // leere Ansicht ignorieren
+    const view: ViewSpec = {
+      cards,
+      orb: raw.orb || 'speaking',
+      title: raw.title || '',
+    };
+    const projectId: string = p.projectId || '';
+    const entry: AriaView = {
+      projectId,
+      view,
+      clientMsgId: p.clientMsgId || '',
+      ts: Date.now(),
+    };
+    this.views.set(projectId, entry);
+    this.subs.forEach((cb) => {
+      try { cb(entry); } catch {}
+    });
+  }
+
+  /** Aktuelle Ansicht eines Projekts (leer = Hauptchat). */
+  getView(projectId: string): AriaView | undefined {
+    return this.views.get(projectId || '');
+  }
+
+  /** Registriert einen Listener fuer neue Ansichten. */
+  subscribe(cb: ViewSub): () => void {
+    this.subs.push(cb);
+    return () => { this.subs = this.subs.filter((s) => s !== cb); };
+  }
+
+  /** Ansicht eines Projekts verwerfen (z.B. wenn der User sie wegwischt). */
+  clear(projectId: string): void {
+    this.views.delete(projectId || '');
+  }
+}
+
+const ariaView = new AriaViewService();
+export default ariaView;

android/src/services/audio.ts

@@ -1145,7 +1145,7 @@ class AudioService {
         speed: typeof opts.speed === 'number' ? opts.speed : 1.0,
         interrupted: !!opts.interrupted,
         location: opts.location || null,
-        endpointMs: typeof opts.endpointMs === 'number' ? opts.endpointMs : 1500,
+        endpointMs: typeof opts.endpointMs === 'number' ? opts.endpointMs : STT_ENDPOINT_DEFAULT_MS,
         hardCapMs: typeof opts.hardCapMs === 'number' ? opts.hardCapMs : 60000,
         sampleRate: 16000,
         projectId: opts.projectId || '',

android/src/services/gpsTracking.ts

@@ -145,6 +145,17 @@ class GpsTrackingService {
     // liefert im Hintergrund keine Updates (nur Heartbeat sendet alte Werte).
     const bgEnabled = await isBackgroundGpsEnabled();
     if (bgEnabled) {
+      // Ohne ACCESS_BACKGROUND_LOCATION liefert watchPosition im Hintergrund
+      // NICHTS (Android 10+) → der Foreground-Service allein bringt nichts, und
+      // genau der Fall "Ankunft waehrend der Fahrt, Screen aus" faellt durch.
+      // Deshalb erst die Permission sicherstellen (oeffnet ggf. die Android-
+      // Settings fuer "Immer erlauben"), DANN den Location-Foreground-Service
+      // hochziehen — der haelt den Prozess wach, sodass watchPosition + der
+      // 60s-Heartbeat auch unter Doze weiterlaufen.
+      const bgOk = await ensureBackgroundLocationPermission();
+      if (!bgOk) {
+        console.warn('[gps-track] Background-Permission fehlt — Tracking nur im Vordergrund zuverlaessig');
+      }
       try { await acquireBackgroundAudio('location'); } catch {}
     }
     try {

android/src/workspace/AriaViewCanvas.tsx

@@ -0,0 +1,175 @@
+/**
+ * AriaViewCanvas — die pannbare Flaeche, auf der ARIAs komponierte Ansicht
+ * (aria_view) MATERIALISIERT: Orb oben, darunter die Karten. Erscheint als
+ * Overlay ueber dem Chat, sobald ARIA present_view aufruft ("sag was → Orb denkt
+ * → Karte fliegt rein"). Der erste, greifbare Vorgeschmack aufs generative
+ * Cockpit (M1).
+ *
+ * Bedienung (NoMachine-Prinzip): 2-Finger halten + schieben bewegt die Welt,
+ * Pinch zoomt. Ein-Finger-Touch geht an die Karten durch (Scrollen). Die Welt
+ * traegt gerenderte/gestreamte Inhalte — interaktive native Panels rasten
+ * spaeter bei Scale 1 ein (Chat bleibt separat darunter).
+ *
+ * Geraete-agnostisch gehalten: liest nur die ViewSpec, damit ein spaeterer Web-/
+ * AR-Renderer dieselbe Spec konsumieren kann.
+ */
+
+import React from 'react';
+import { StyleSheet, Text, TouchableOpacity, View } from 'react-native';
+import Animated, {
+  FadeInDown,
+  useAnimatedStyle,
+  useSharedValue,
+  withTiming,
+} from 'react-native-reanimated';
+import { Gesture, GestureDetector } from 'react-native-gesture-handler';
+import { ViewSpec } from '../services/ariaView';
+import Orb from './Orb';
+import CardView from './CardView';
+
+const MIN_SCALE = 0.5;
+const MAX_SCALE = 3;
+
+interface Props {
+  view: ViewSpec;
+  onClose: () => void;
+}
+
+const AriaViewCanvas: React.FC<Props> = ({ view, onClose }) => {
+  const tx = useSharedValue(0);
+  const ty = useSharedValue(0);
+  const scale = useSharedValue(1);
+  const savedTx = useSharedValue(0);
+  const savedTy = useSharedValue(0);
+  const savedScale = useSharedValue(1);
+
+  const pan = Gesture.Pan()
+    .minPointers(2)
+    .maxPointers(2)
+    .onUpdate((e) => {
+      tx.value = savedTx.value + e.translationX;
+      ty.value = savedTy.value + e.translationY;
+    })
+    .onEnd(() => {
+      savedTx.value = tx.value;
+      savedTy.value = ty.value;
+    });
+
+  const pinch = Gesture.Pinch()
+    .onUpdate((e) => {
+      const next = savedScale.value * e.scale;
+      scale.value = Math.max(MIN_SCALE, Math.min(MAX_SCALE, next));
+    })
+    .onEnd(() => {
+      savedScale.value = scale.value;
+    });
+
+  const composed = Gesture.Simultaneous(pan, pinch);
+
+  const worldStyle = useAnimatedStyle(() => ({
+    transform: [
+      { translateX: tx.value },
+      { translateY: ty.value },
+      { scale: scale.value },
+    ],
+  }));
+
+  const resetCamera = () => {
+    tx.value = withTiming(0);
+    ty.value = withTiming(0);
+    scale.value = withTiming(1);
+    savedTx.value = 0;
+    savedTy.value = 0;
+    savedScale.value = 1;
+  };
+
+  const cards = Array.isArray(view.cards) ? view.cards : [];
+
+  return (
+    <View style={styles.overlay}>
+      <GestureDetector gesture={composed}>
+        <Animated.View style={[styles.world, worldStyle]}>
+          <View style={styles.orbWrap}>
+            <Orb state={view.orb} size={110} />
+          </View>
+          {!!view.title && <Text style={styles.worldTitle}>{view.title}</Text>}
+          <View style={styles.cards}>
+            {cards.map((c, i) => (
+              <Animated.View
+                key={i}
+                entering={FadeInDown.duration(420).delay(120 + i * 90)}
+              >
+                <CardView card={c} />
+              </Animated.View>
+            ))}
+          </View>
+        </Animated.View>
+      </GestureDetector>
+
+      {/* Steuerung — ausserhalb des Transforms, immer bei Scale 1 bedienbar */}
+      <View style={styles.topBar} pointerEvents="box-none">
+        <TouchableOpacity style={styles.iconBtn} onPress={resetCamera}>
+          <Text style={styles.icon}>⤢</Text>
+        </TouchableOpacity>
+        <TouchableOpacity style={styles.iconBtn} onPress={onClose}>
+          <Text style={styles.icon}>✕</Text>
+        </TouchableOpacity>
+      </View>
+      <View style={styles.hintWrap} pointerEvents="none">
+        <Text style={styles.hint}>2 Finger: schieben · Pinch: zoomen</Text>
+      </View>
+    </View>
+  );
+};
+
+const styles = StyleSheet.create({
+  overlay: {
+    ...StyleSheet.absoluteFillObject,
+    backgroundColor: 'rgba(6,6,16,0.94)',
+    zIndex: 50,
+  },
+  world: {
+    ...StyleSheet.absoluteFillObject,
+    alignItems: 'center',
+    paddingTop: 48,
+    paddingHorizontal: 18,
+  },
+  orbWrap: { marginTop: 8, marginBottom: 6 },
+  worldTitle: {
+    color: '#C9C9FF',
+    fontSize: 18,
+    fontWeight: '700',
+    marginBottom: 4,
+    textAlign: 'center',
+  },
+  cards: { width: '100%', maxWidth: 560 },
+  topBar: {
+    position: 'absolute',
+    top: 10,
+    right: 12,
+    flexDirection: 'row',
+  },
+  iconBtn: {
+    width: 40,
+    height: 40,
+    borderRadius: 20,
+    marginLeft: 10,
+    alignItems: 'center',
+    justifyContent: 'center',
+    backgroundColor: 'rgba(30,30,60,0.9)',
+    borderWidth: 1,
+    borderColor: 'rgba(123,92,255,0.4)',
+  },
+  icon: { color: '#C9C9FF', fontSize: 18 },
+  hintWrap: {
+    position: 'absolute',
+    bottom: 14,
+    alignSelf: 'center',
+  },
+  hint: {
+    color: '#6A6A90',
+    fontSize: 12,
+  },
+});
+
+export default AriaViewCanvas;

android/src/workspace/CardView.tsx

@@ -0,0 +1,114 @@
+/**
+ * CardView — rendert EINE Karte einer aria_view-Spec (M1). Schaltet nach
+ * card.type auf den passenden Renderer. Unbekannte Typen werden als Text-
+ * Fallback gezeigt (nie crashen).
+ *
+ * Bewusst dependency-leicht (v1): Markdown wird als Klartext dargestellt, Map
+ * als Marker-Liste (kein Karten-Lib), Code als Monospace-Block. Spaeter koennen
+ * einzelne Renderer aufgebohrt werden, ohne die Spec/den Fluss zu aendern.
+ */
+
+import React from 'react';
+import { Image, ScrollView, StyleSheet, Text, View } from 'react-native';
+import { ViewCard, ViewMarker } from '../services/ariaView';
+
+const ImageBody: React.FC<{ src?: string }> = ({ src }) => {
+  const isUrl = !!src && /^https?:\/\//i.test(src);
+  if (isUrl) {
+    return <Image source={{ uri: src }} style={styles.image} resizeMode="contain" />;
+  }
+  return <Text style={styles.muted}>🖼️ {src || '(kein Bild)'}</Text>;
+};
+
+const ListBody: React.FC<{ md?: string }> = ({ md }) => {
+  const lines = (md || '')
+    .split('\n')
+    .map((l) => l.replace(/^\s*[-*•]\s?/, '').trim())
+    .filter(Boolean);
+  if (lines.length === 0) return <Text style={styles.muted}>(leer)</Text>;
+  return (
+    <View>
+      {lines.map((l, i) => (
+        <View key={i} style={styles.listRow}>
+          <Text style={styles.bullet}>•</Text>
+          <Text style={styles.text}>{l}</Text>
+        </View>
+      ))}
+    </View>
+  );
+};
+
+const MapBody: React.FC<{ markers?: ViewMarker[] }> = ({ markers }) => {
+  const ms = Array.isArray(markers) ? markers : [];
+  return (
+    <View style={styles.map}>
+      <Text style={styles.mapHint}>🗺️ Karte ({ms.length} Orte)</Text>
+      {ms.map((m, i) => (
+        <Text key={i} style={styles.text}>
+          📍 {m.label || `${m.lat?.toFixed?.(4)}, ${m.lon?.toFixed?.(4)}`}
+        </Text>
+      ))}
+    </View>
+  );
+};
+
+const CodeBody: React.FC<{ md?: string; path?: string; lang?: string }> = ({ md, path, lang }) => (
+  <View>
+    {(path || lang) && (
+      <Text style={styles.codeCaption}>
+        {path || ''}{lang ? `  · ${lang}` : ''}
+      </Text>
+    )}
+    <ScrollView horizontal style={styles.codeScroll}>
+      <Text style={styles.code}>{md || ''}</Text>
+    </ScrollView>
+  </View>
+);
+
+const CardView: React.FC<{ card: ViewCard }> = ({ card }) => {
+  return (
+    <View style={styles.card}>
+      {!!card.title && <Text style={styles.cardTitle}>{card.title}</Text>}
+      {card.type === 'image' ? (
+        <ImageBody src={card.src} />
+      ) : card.type === 'list' ? (
+        <ListBody md={card.md} />
+      ) : card.type === 'map' ? (
+        <MapBody markers={card.markers} />
+      ) : card.type === 'code' ? (
+        <CodeBody md={card.md} path={card.path} lang={card.lang} />
+      ) : (
+        <Text style={styles.text}>{card.md || ''}</Text>
+      )}
+    </View>
+  );
+};
+
+const styles = StyleSheet.create({
+  card: {
+    backgroundColor: 'rgba(18,18,42,0.92)',
+    borderColor: 'rgba(123,92,255,0.35)',
+    borderWidth: 1,
+    borderRadius: 14,
+    padding: 14,
+    marginVertical: 8,
+    shadowColor: '#7B5CFF',
+    shadowOpacity: 0.25,
+    shadowRadius: 12,
+    shadowOffset: { width: 0, height: 2 },
+    elevation: 6,
+  },
+  cardTitle: { color: '#C9C9FF', fontSize: 15, fontWeight: '700', marginBottom: 8 },
+  text: { color: '#E6E6F0', fontSize: 14, lineHeight: 20, flexShrink: 1 },
+  muted: { color: '#8A8AB0', fontSize: 13, fontStyle: 'italic' },
+  image: { width: '100%', height: 200, borderRadius: 8, backgroundColor: '#0D0D1A' },
+  listRow: { flexDirection: 'row', alignItems: 'flex-start', marginVertical: 2 },
+  bullet: { color: '#7B5CFF', marginRight: 8, fontSize: 14, lineHeight: 20 },
+  map: { backgroundColor: '#0D0D1A', borderRadius: 8, padding: 10 },
+  mapHint: { color: '#00B4D8', fontSize: 13, fontWeight: '600', marginBottom: 6 },
+  codeCaption: { color: '#8A8AB0', fontSize: 12, marginBottom: 6 },
+  codeScroll: { backgroundColor: '#0A0A14', borderRadius: 8, padding: 10 },
+  code: { color: '#B9F5C9', fontFamily: 'monospace', fontSize: 12.5, lineHeight: 18 },
+});
+
+export default React.memo(CardView);

android/src/workspace/Orb.tsx

@@ -0,0 +1,106 @@
+/**
+ * Orb — ARIAs Praesenz-Avatar (M1). Zeigt ihren Zustand (idle/listening/
+ * thinking/speaking/working) als pulsierender Leucht-Kern und ist das
+ * verbindende Element ueber alle Oberflaechen (App/Web/spaeter Brille).
+ *
+ * Reine Optik, keine Logik — der Zustand kommt von aussen (aria_view.orb bzw.
+ * spaeter direkt von Audio/Wake-Word-Signalen). Dependency-leicht: nur
+ * reanimated (schon installiert), kein SVG/Gradient noetig.
+ */
+
+import React, { useEffect } from 'react';
+import { StyleSheet, View } from 'react-native';
+import Animated, {
+  Easing,
+  cancelAnimation,
+  useAnimatedStyle,
+  useSharedValue,
+  withRepeat,
+  withTiming,
+} from 'react-native-reanimated';
+import { OrbState } from '../services/ariaView';
+
+const COLORS: Record<OrbState, string> = {
+  idle: '#3A6EA5',
+  listening: '#00B4D8',
+  thinking: '#7B5CFF',
+  speaking: '#34C759',
+  working: '#FF9500',
+};
+
+interface Props {
+  state?: OrbState;
+  size?: number;
+}
+
+const Orb: React.FC<Props> = ({ state = 'idle', size = 120 }) => {
+  const pulse = useSharedValue(1);
+
+  useEffect(() => {
+    const fast = state === 'thinking' || state === 'working';
+    cancelAnimation(pulse);
+    pulse.value = 1;
+    pulse.value = withRepeat(
+      withTiming(fast ? 1.14 : 1.07, {
+        duration: fast ? 620 : 1500,
+        easing: Easing.inOut(Easing.ease),
+      }),
+      -1,
+      true,
+    );
+    return () => cancelAnimation(pulse);
+  }, [state, pulse]);
+
+  const animStyle = useAnimatedStyle(() => ({ transform: [{ scale: pulse.value }] }));
+  const color = COLORS[state] || COLORS.idle;
+
+  return (
+    <View style={[styles.wrap, { width: size, height: size }]}>
+      <Animated.View
+        style={[
+          styles.glow,
+          { width: size, height: size, borderRadius: size / 2, backgroundColor: color },
+          animStyle,
+        ]}
+      />
+      <Animated.View
+        style={[
+          styles.ring,
+          {
+            width: size * 0.72,
+            height: size * 0.72,
+            borderRadius: size * 0.36,
+            borderColor: color,
+          },
+          animStyle,
+        ]}
+      />
+      <View
+        style={[
+          styles.core,
+          {
+            width: size * 0.44,
+            height: size * 0.44,
+            borderRadius: size * 0.22,
+            backgroundColor: color,
+            shadowColor: color,
+          },
+        ]}
+      />
+    </View>
+  );
+};
+
+const styles = StyleSheet.create({
+  wrap: { alignItems: 'center', justifyContent: 'center' },
+  glow: { position: 'absolute', opacity: 0.22 },
+  ring: { position: 'absolute', borderWidth: 2, opacity: 0.55 },
+  core: {
+    shadowOpacity: 0.9,
+    shadowRadius: 16,
+    shadowOffset: { width: 0, height: 0 },
+    elevation: 12,
+  },
+});
+
+export default React.memo(Orb);

android/src/workspace/WorkspaceScreen.tsx

@@ -9,6 +9,7 @@
  */
 
 import React, { useEffect, useMemo, useState } from 'react';
+import { View } from 'react-native';
 import projectFocus, { FocusSnapshot } from '../services/projectFocus';
 import codeFile from '../services/codeFile';
 import brainApi from '../services/brainApi';
@@ -16,6 +17,8 @@ import viewMode, { ViewModeValue } from '../services/viewMode';
 import ChatScreen from '../screens/ChatScreen';
 import { TileId } from './layout';
 import WorkspaceDeck from './WorkspaceDeck';
+import ariaView, { AriaView } from '../services/ariaView';
+import AriaViewCanvas from './AriaViewCanvas';
 
 const COCKPIT_PANELS: TileId[] = ['chat', 'files', 'editor', 'vnc'];
 
@@ -24,12 +27,21 @@ const WorkspaceScreen: React.FC = () => {
   const [focus, setFocus] = useState<FocusSnapshot>(projectFocus.get());
   const [hasCode, setHasCode] = useState(false);
   const [hasDesktop, setHasDesktop] = useState(false);
+  const [view, setView] = useState<AriaView | undefined>(undefined);
 
   useEffect(() => viewMode.subscribe(setMode), []);
   useEffect(() => projectFocus.subscribe(setFocus), []);
 
   const pid = focus.focusedProjectId;
 
+  // aria_view: ARIAs komponierte Ansicht fuers fokussierte Projekt spiegeln.
+  useEffect(() => {
+    setView(ariaView.getView(pid));
+    return ariaView.subscribe((v) => {
+      if ((v.projectId || '') === (pid || '')) setView(v);
+    });
+  }, [pid]);
+
   // Code-Signal: hat der Spiegel schon Dateien fuer dieses Projekt?
   useEffect(() => {
     setHasCode(codeFile.getFiles(pid).length > 0);
@@ -59,13 +71,32 @@ const WorkspaceScreen: React.FC = () => {
     vnc: hasDesktop ? '#34C759' : undefined,
   } as Partial<Record<TileId, string>>), [hasCode, hasDesktop]);
 
-  // Kompakt-Ansicht: klassischer Vollbild-Chat, exakt wie vor dem Umbau.
-  if (mode === 'compact') {
-    return <ChatScreen />;
-  }
+  // Kompakt-Ansicht: klassischer Vollbild-Chat; Cockpit: Workbench mit Dock.
+  const content =
+    mode === 'compact' ? (
+      <ChatScreen />
+    ) : (
+      <WorkspaceDeck projectId={pid} panels={COCKPIT_PANELS} badges={badges} />
+    );
 
-  // Cockpit: Workbench mit Dock.
-  return <WorkspaceDeck projectId={pid} panels={COCKPIT_PANELS} badges={badges} />;
+  // Generative Flaeche als Overlay, sobald ARIA fuer dieses Projekt eine Ansicht
+  // komponiert hat (present_view → aria_view). Chat/Cockpit bleiben darunter.
+  const showView = !!view && (view.projectId || '') === (pid || '');
+
+  return (
+    <View style={{ flex: 1 }}>
+      {content}
+      {showView && view && (
+        <AriaViewCanvas
+          view={view.view}
+          onClose={() => {
+            ariaView.clear(pid);
+            setView(undefined);
+          }}
+        />
+      )}
+    </View>
+  );
 };
 
 export default WorkspaceScreen;

aria-brain/agent.py

@@ -627,10 +627,11 @@ META_TOOLS = [
             "name": "request_location_tracking",
             "description": (
                 "Bittet die App, das kontinuierliche GPS-Tracking zu aktivieren oder zu "
-                "deaktivieren. Default ist AUS (Akku-Schutz). Nutze das wenn du einen "
-                "GPS-basierten Watcher anlegst (z.B. `near(...)`), sonst hat die App "
-                "veraltete Position und der Watcher feuert nie. Auch wieder ausschalten "
-                "wenn der letzte GPS-Watcher geloescht wurde."
+                "deaktivieren. Default ist AUS (Akku-Schutz). HINWEIS: Beim Anlegen/Loeschen "
+                "eines Standort-Watchers (`near/entered_near/left_near`) schaltet das System "
+                "das Tracking bereits AUTOMATISCH mit an bzw. aus — dieses Tool brauchst du "
+                "dafuer nicht mehr. Nutze es nur fuer manuelle/explizite Faelle (z.B. Tracking "
+                "kurz einschalten ohne Watcher)."
             ),
             "parameters": {
                 "type": "object",
@@ -642,6 +643,48 @@ META_TOOLS = [
             },
         },
     },
+    {
+        "type": "function",
+        "function": {
+            "name": "present_view",
+            "description": (
+                "Komponiere eine RAEUMLICHE Ansicht, die auf ARIAs Flaeche materialisiert "
+                "(Orb + Karten). Nutze das, wenn eine visuelle Anordnung besser ist als reiner "
+                "Text — z.B. eine Akte/Datei zeigen (Bild links, Text rechts, Karte unten), "
+                "einen Vergleich, eine Liste, eine Karte mit Orten, oder Code. NICHT fuer "
+                "normale Gespraechsantworten. Die Karten erscheinen ZUSAETZLICH zu deiner "
+                "(kurzen) Sprachantwort — halte die Antwort dann knapp, das Visuelle traegt."
+            ),
+            "parameters": {
+                "type": "object",
+                "properties": {
+                    "cards": {
+                        "type": "array",
+                        "description": "Die Karten der Ansicht, in sinnvoller Anordnung.",
+                        "items": {
+                            "type": "object",
+                            "properties": {
+                                "type": {"type": "string", "enum": ["text", "image", "map", "code", "list"],
+                                         "description": "Kartentyp"},
+                                "title": {"type": "string", "description": "Optionaler Kartentitel"},
+                                "md": {"type": "string", "description": "text/list: Markdown-Inhalt"},
+                                "src": {"type": "string", "description": "image: Bild-URL oder /shared-Pfad"},
+                                "markers": {"type": "array", "items": {"type": "object"},
+                                            "description": "map: Liste [{lat, lon, label}]"},
+                                "path": {"type": "string", "description": "code: Datei-Pfad im Projekt"},
+                                "lang": {"type": "string", "description": "code: Sprache fuers Highlighting"},
+                            },
+                            "required": ["type"],
+                        },
+                    },
+                    "orb": {"type": "string", "enum": ["idle", "speaking", "working"],
+                            "description": "Orb-Zustand nach dem Rendern (default: speaking)"},
+                    "title": {"type": "string", "description": "Optionaler Titel der ganzen Ansicht"},
+                },
+                "required": ["cards"],
+            },
+        },
+    },
     {
         "type": "function",
         "function": {
@@ -1355,6 +1398,17 @@ def _skill_to_tool(s: dict) -> dict:
     }
 
 
+# Standort-Funktionen in Watcher-Conditions — brauchen aktives GPS-Tracking.
+_LOCATION_FUNCS = ("near(", "entered_near(", "left_near(")
+
+
+def _condition_needs_location(condition: str) -> bool:
+    """True, wenn die Watcher-Condition eine Standort-Funktion nutzt und damit
+    laufende GPS-Updates der App braucht."""
+    c = condition or ""
+    return any(fn in c for fn in _LOCATION_FUNCS)
+
+
 class Agent:
     # Mindest-Score den ein Cold-Memory-Treffer haben muss um in den
     # System-Prompt aufgenommen zu werden. Unter dieser Schwelle ist's
@@ -2372,13 +2426,41 @@ class Agent:
                     "trigger": {"name": t["name"], "type": "watcher",
                                 "condition": t["condition"], "message": t["message"]},
                 })
-                return f"OK — Watcher '{t['name']}' angelegt: feuert wenn '{t['condition']}'."
+                # GPS-Kopplung: ein Standort-Watcher (near/entered_near/left_near)
+                # ist tot, wenn die App kein Tracking sendet. Frueher musste ARIA
+                # separat request_location_tracking aufrufen — wurde oft vergessen,
+                # dann feuerte der Trigger nie. Jetzt automatisch mit-anschalten.
+                extra = ""
+                if _condition_needs_location(t["condition"]):
+                    self._pending_events.append({
+                        "type": "location_tracking",
+                        "on": True,
+                        "reason": f"watcher:{t['name']}",
+                    })
+                    extra = " GPS-Tracking automatisch aktiviert."
+                return f"OK — Watcher '{t['name']}' angelegt: feuert wenn '{t['condition']}'.{extra}"
             if name == "trigger_cancel":
                 try:
                     triggers_mod.delete(arguments["name"])
-                    return f"OK — Trigger '{arguments['name']}' geloescht."
                 except ValueError as e:
                     return f"FEHLER: {e}"
+                # GPS-Kopplung (Gegenstueck): existiert kein Standort-Watcher mehr,
+                # Tracking wieder ausschalten (Akku schonen).
+                extra = ""
+                remaining = triggers_mod.list_triggers(active_only=False)
+                still_needs_gps = any(
+                    r.get("type") == "watcher"
+                    and _condition_needs_location(r.get("condition") or "")
+                    for r in remaining
+                )
+                if not still_needs_gps:
+                    self._pending_events.append({
+                        "type": "location_tracking",
+                        "on": False,
+                        "reason": "no-location-watchers",
+                    })
+                    extra = " GPS-Tracking deaktiviert (kein Standort-Watcher mehr)."
+                return f"OK — Trigger '{arguments['name']}' geloescht.{extra}"
             if name == "request_location_tracking":
                 on = bool(arguments.get("on", False))
                 reason = (arguments.get("reason") or "").strip()
@@ -2388,6 +2470,22 @@ class Agent:
                     "reason": reason,
                 })
                 return f"OK — Tracking-Request gesendet (on={on}). App wird in Kuerze umschalten."
+            if name == "present_view":
+                cards = arguments.get("cards") or []
+                if not isinstance(cards, list) or not cards:
+                    return "FEHLER: present_view braucht mindestens eine Karte in 'cards'."
+                view = {
+                    "cards": cards,
+                    "orb": arguments.get("orb") or "speaking",
+                    "title": arguments.get("title") or "",
+                }
+                self._pending_events.append({
+                    "type": "aria_view",
+                    "view": view,
+                    "project_id": project_id or "",
+                })
+                return (f"OK — Ansicht mit {len(cards)} Karte(n) an die Flaeche geschickt "
+                        f"(Kontext: {project_id or 'Hauptchat'}).")
             if name == "trigger_list":
                 items = triggers_mod.list_triggers(active_only=False)
                 if not items:

bridge/aria_bridge.py

@@ -2080,6 +2080,22 @@ class ARIABridge:
                 proj = event.get("project") or {}
                 logger.info("[brain] Projekt %s: %s (id=%s)",
                             event.get("action") or "?", proj.get("name"), proj.get("id"))
+            elif etype == "aria_view":
+                # M1: ARIA hat via present_view eine raeumliche Ansicht komponiert.
+                # View-Spec (Orb + Karten) + Projekt-Kontext an App/Web/Diagnostic;
+                # deren Renderer materialisieren die Karten auf der Flaeche.
+                view = event.get("view") or {}
+                await self._send_to_rvs({
+                    "type": "aria_view",
+                    "payload": {
+                        "view": view,
+                        "projectId": event.get("project_id") or "",
+                        "clientMsgId": client_msg_id or "",
+                    },
+                    "timestamp": int(asyncio.get_event_loop().time() * 1000),
+                })
+                logger.info("[brain] ARIA hat eine Ansicht geschickt: %d Karte(n), orb=%s",
+                            len(view.get("cards") or []), view.get("orb"))
 
         # _process_core_response uebernimmt alles weitere:
         # File-Marker extrahieren + broadcasten, NO_REPLY-Check, Chat-

diagnostic/index.html

@@ -1767,14 +1767,21 @@
 
         if (msg.type === 'disk_cleanup') {
           const btn = document.getElementById('disk-clean-btn');
+          const dtext = document.getElementById('disk-banner-text');
           if (msg.status === 'running') {
             if (btn) { btn.disabled = true; btn.textContent = 'Raeume auf...'; }
           } else if (msg.status === 'done') {
-            if (btn) { btn.disabled = false; btn.textContent = 'Sicher aufraeumen'; }
-            alert('Aufgeraeumt: ' + (msg.freed || '0 MB') + ' frei\n(' + (msg.steps || []).join(', ') + ')');
+            // Feedback NICHT nur per alert() (koennte unterdrueckt sein) —
+            // direkt am Button + im Banner sichtbar machen.
+            if (btn) {
+              btn.disabled = false;
+              btn.textContent = '✓ ' + (msg.freed || '0 MB') + ' frei';
+              setTimeout(() => { btn.textContent = 'Sicher aufraeumen'; }, 6000);
+            }
+            if (dtext) dtext.textContent = 'Aufgeraeumt: ' + (msg.freed || '0 MB') + ' frei (' + (msg.steps || []).join(', ') + '). Disk-Status aktualisiert sich gleich.';
           } else if (msg.status === 'error') {
-            if (btn) { btn.disabled = false; btn.textContent = 'Sicher aufraeumen'; }
-            alert('Aufraeumen fehlgeschlagen: ' + (msg.error || ''));
+            if (btn) { btn.disabled = false; btn.textContent = 'Fehler — nochmal'; setTimeout(() => { btn.textContent = 'Sicher aufraeumen'; }, 6000); }
+            if (dtext) dtext.textContent = 'Aufraeumen fehlgeschlagen: ' + (msg.error || '');
           }
           return;
         }
@@ -6776,12 +6783,17 @@
 
     // Fuehrt das Aufraeumen WIRKLICH aus (Server-seitig via Docker-API), statt
     // nur den Befehl zu kopieren.
+    // WICHTIG: "safe" laeuft OHNE confirm() — Build-Cache + ungenutzte Images
+    // sind ungefaehrlich (keine Volumes/Daten). Frueher blockte ein confirm()
+    // den Klick, wenn der Browser Dialoge unterdrueckt hatte ("Verhindern,
+    // dass diese Seite weitere Dialoge erstellt") → confirm()===false → es ging
+    // NICHTS raus. Nur "aggressive" (Volumes!) fragt noch nach.
     function runDiskCleanup(variant) {
       const aggressive = variant === 'aggressive';
-      const q = aggressive
-        ? 'AGGRESSIV aufraeumen? Loescht zusaetzlich ungenutzte Volumes — nur wenn ALLE ARIA-Container laufen, sonst Datenverlust!'
-        : 'Sicher aufraeumen? Loescht Build-Cache + ungenutzte Images (keine Volumes, keine Daten gehen verloren).';
-      if (!confirm(q)) return;
+      if (aggressive) {
+        const ok = confirm('AGGRESSIV aufraeumen? Loescht zusaetzlich ungenutzte Volumes — nur wenn ALLE ARIA-Container laufen, sonst Datenverlust!');
+        if (!ok) return;
+      }
       const btn = document.getElementById('disk-clean-btn');
       if (btn && !aggressive) { btn.disabled = true; btn.textContent = 'Raeume auf...'; }
       send({ action: 'disk_cleanup', variant });

rvs/server.js

@@ -70,6 +70,10 @@ const ALLOWED_TYPES = new Set([
   // spiegelt ARIAs Datei-Writes, und QEMU-VNC wird als RFB-Bytes durch RVS
   // getunnelt (Base64-in-JSON wie audio_pcm — kein Binaer-Handling noetig).
   "code_file", "code_file_edit",
+  // M1 Generatives Cockpit: ARIA komponiert via present_view eine View-Spec
+  // (Orb + Karten), die App/Web/Diagnostic mit ihrem jeweiligen Renderer
+  // materialisieren. Brain → Bridge → RVS → Clients.
+  "aria_view",
   "check_desktop", "desktop_status",
   "vnc_open", "vnc_close", "vnc_data", "vnc_input",
   // Satelliten (Info-/Gateway-Aussenposten in fremden Netzen): melden sich mit

xtts/docker-compose.yml

@@ -30,7 +30,7 @@ services:
         reservations:
           devices:
             - driver: nvidia
-              count: 1
+              device_ids: ["0"]      # TTS → GPU 0 (8 GB; F5 ist klein)
               capabilities: [gpu]
     volumes:
       - ./voices:/voices                         # WAV + TXT Referenz
@@ -68,7 +68,7 @@ services:
         reservations:
           devices:
             - driver: nvidia
-              count: 1
+              device_ids: ["1"]      # STT/groesstes Modell → GPU 1 (12 GB; spaeter Voxtral-STT-3B ~9 GB)
               capabilities: [gpu]
     environment:
       - RVS_HOST=${RVS_HOST}
@@ -108,7 +108,7 @@ services:
         reservations:
           devices:
             - driver: nvidia
-              count: 1
+              device_ids: ["0"]      # LLM → GPU 0 (8 GB, teilt sich mit TTS)
               capabilities: [gpu]
     volumes:
       - ./models:/models                                   # HF-Download-Cache (persistent)
@@ -137,3 +137,56 @@ services:
       # Erster Load eines Modells kann ein GGUF ziehen (mehrere GB) — grosszuegig.
       - LLM_TIMEOUT_SEC=${LLM_TIMEOUT_SEC:-600}
     restart: unless-stopped
+
+  # ─── Voxtral STT (GPU, Realtime) — PROFIL "voxtral" ───────────
+  # Ersetzt whisper als STT sobald die 24-GB-Karte da ist. Startet NUR mit
+  #   docker compose --profile voxtral up -d
+  # (sonst kollidiert es mit whisper — beide wuerden stt_* beantworten).
+  #
+  # ⚠️ VRAM: Voxtral-Mini-4B-Realtime-2602 braucht >=16 GB (BF16, laut vLLM-
+  #    Rezept keine Quant). Laeuft NICHT auf der 3060 (12 GB) — erst 24-GB-Karte.
+  # ⚠️ vLLM: Version >=0.20.0 noetig. Entrypoint/Serve-Form beim ersten Lauf
+  #    gegen das offizielle Rezept pruefen (siehe voxtral/README.md).
+  voxtral-vllm:
+    image: vllm/vllm-openai:latest
+    container_name: aria-voxtral-vllm
+    profiles: ["voxtral"]
+    deploy:
+      resources:
+        reservations:
+          devices:
+            - driver: nvidia
+              count: 1
+              capabilities: [gpu]
+    volumes:
+      - ./hf-cache:/root/.cache/huggingface      # gleicher Modell-Cache wie whisper/f5
+    environment:
+      - VLLM_DISABLE_COMPILE_CACHE=1
+      - HUGGING_FACE_HUB_TOKEN=${HF_TOKEN:-}
+    # Serve-Command aus dem vLLM-Rezept (Voxtral-Mini-4B-Realtime-2602).
+    command:
+      - --model
+      - mistralai/Voxtral-Mini-4B-Realtime-2602
+      - --tokenizer-mode
+      - mistral
+      - --compilation_config
+      - '{"cudagraph_mode":"PIECEWISE"}'
+    restart: unless-stopped
+
+  # ─── Voxtral-Bridge — RVS <-> vLLM-Realtime-WS (CPU-Glue) ─────
+  voxtral-bridge:
+    build: ./voxtral
+    container_name: aria-voxtral-bridge
+    profiles: ["voxtral"]
+    depends_on:
+      - voxtral-vllm
+    environment:
+      - RVS_HOST=${RVS_HOST}
+      - RVS_PORT=${RVS_PORT:-443}
+      - RVS_TLS=${RVS_TLS:-true}
+      - RVS_TLS_FALLBACK=${RVS_TLS_FALLBACK:-true}
+      - RVS_TOKEN=${RVS_TOKEN}
+      - VOXTRAL_VLLM_URL=ws://voxtral-vllm:8000/v1/realtime
+      - VOXTRAL_MODEL=mistralai/Voxtral-Mini-4B-Realtime-2602
+      - VOXTRAL_LANGUAGE=${WHISPER_LANGUAGE:-de}
+    restart: unless-stopped

xtts/f5tts/Dockerfile

@@ -9,12 +9,16 @@ RUN apt-get update && apt-get install -y --no-install-recommends \
 
 WORKDIR /app
 
-# PyTorch CUDA-Wheels zuerst (f5-tts zieht sonst CPU-only Torch rein)
-RUN pip3 install --no-cache-dir torch==2.3.1 torchaudio==2.3.1 \
-    --index-url https://download.pytorch.org/whl/cu121
+# torch FEST auf cu124 (Treiber 550 = CUDA 12.4). 2.6.0 ist der NEUESTE cu124-
+# Build — torch 2.7+ gibt es nur noch fuer cu126+, was 550 nicht unterstuetzt
+# ("NVIDIA driver too old, found 12040"). Der Constraint haelt f5-tts davon ab,
+# torch beim Dependency-Aufloesen wieder auf eine zu neue CUDA-Version zu ziehen.
+RUN pip3 install --no-cache-dir torch==2.6.0 torchaudio==2.6.0 \
+    --index-url https://download.pytorch.org/whl/cu124
 
 COPY requirements.txt .
-RUN pip3 install --no-cache-dir -r requirements.txt
+RUN printf 'torch==2.6.0\ntorchaudio==2.6.0\n' > /tmp/torch-constraint.txt && \
+    pip3 install --no-cache-dir -c /tmp/torch-constraint.txt -r requirements.txt
 
 COPY bridge.py .
 

xtts/voxtral/Dockerfile

@@ -0,0 +1,14 @@
+# Voxtral-BRIDGE (nicht das Modell!) — leichte CPU-Glue zwischen RVS und dem
+# vLLM-Realtime-Server. Das eigentliche Voxtral-Modell laeuft im Container
+# `voxtral-vllm` (GPU, vllm/vllm-openai). Deshalb hier kein CUDA-Base noetig.
+FROM python:3.11-slim
+
+ENV PYTHONUNBUFFERED=1
+WORKDIR /app
+
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+COPY bridge.py ./
+
+CMD ["python3", "bridge.py"]

xtts/voxtral/README.md

@@ -0,0 +1,70 @@
+# Voxtral-STT-Satellit (M0.3)
+
+Streaming-STT via **Voxtral-Mini-4B-Realtime-2602** (Mistral, Apache 2.0) auf
+vLLM. Ersetzt whisper als STT — genauer (~5,9 % WER vs 7,4 % FLEURS) und mit
+echtem Realtime-Streaming. Deutsch ist in den 13 Sprachen abgedeckt.
+
+Zwei Container:
+- **`voxtral-vllm`** — das Modell auf vLLM (GPU). Exponiert die Realtime-WS-API.
+- **`voxtral-bridge`** — CPU-Glue: RVS ⇄ vLLM-Realtime-WS. Macht das Endpointing
+  selbst (adaptiver Rausch-Boden-VAD, identisch zur whisper-Bridge / M0.1).
+
+## ⚠️ Hardware-Realität — läuft NICHT auf der 3060
+
+Das Realtime-Modell braucht laut [vLLM-Rezept](https://recipes.vllm.ai/mistralai/Voxtral-Mini-4B-Realtime-2602)
+**≥ 16 GB VRAM (BF16, keine Quant)**. Die RTX 3060 hat 12 GB → passt nicht.
+
+- **Interim-gpubox (nur 3060):** whisper (mit M0.1-Fix) + F5-TTS bleiben aktiv.
+  Voxtral NICHT starten.
+- **Ab der 24-GB-Karte:** Voxtral-Profil hochziehen, whisper wird Fallback.
+
+Deshalb liegen beide Services hinter dem Compose-**Profil `voxtral`** und starten
+NUR explizit — sonst würden whisper *und* voxtral dieselben `stt_*`-Messages
+beantworten (Kollision).
+
+## Starten (erst wenn die 24-GB-Karte drin ist)
+
+```bash
+cd xtts
+docker compose --profile voxtral up -d --build
+docker logs -f aria-voxtral-vllm      # laedt Modell (mehrere GB, dauert)
+docker logs -f aria-voxtral-bridge    # "RVS verbunden" + service_status ready
+```
+Whisper vorher stoppen, damit nur eine STT-Engine antwortet:
+```bash
+docker compose stop whisper-bridge
+```
+
+## ⚠️ Auf echter Hardware verifizieren (blind gebaut, kein Test hier)
+
+1. **vLLM-Version ≥ 0.20.0** und die **Serve-Form**. Das Rezept nutzt
+   `vllm serve <model> …`. Falls das `vllm/vllm-openai`-Image einen anderen
+   Entrypoint hat, das `command:` in `docker-compose.yml` anpassen
+   (Rezept-Command steht dort als Kommentar).
+2. **Realtime-WS-Frames.** Die exakten Event-Namen sind in `bridge.py` ganz oben
+   als Konstanten gebündelt (`VLLM_SEND_APPEND`, `VLLM_DELTA_SUFFIXES`, …),
+   modelliert nach dem OpenAI-Realtime-Schema. Gegen das offizielle
+   **vLLM-Realtime-Client-Beispiel** prüfen und dort anpassen — nur an dieser
+   einen Stelle. Das Response-Handling ist bereits defensiv (mehrere Feldnamen).
+3. **Endpoint-URL/Port.** Default `ws://voxtral-vllm:8000/v1/realtime` — prüfen ob
+   vLLM auf 8000 lauscht und `/v1/realtime` registriert (Log-Zeile
+   `Route: /v1/realtime`).
+4. **Endpointing.** Voxtral liefert keine eigene VAD → unser adaptiver Endpointer
+   entscheidet (akustisch + semantisch am Delta-Wachstum). `endpointMs` kommt wie
+   bei whisper aus der App; `voiceFactor` per Session tunebar.
+
+## Protokoll (RVS, identisch zu whisper — drop-in)
+
+Rein: `stt_stream_start`, `stt_audio_chunk` (16 kHz mono s16le, base64), `stt_stream_end`.
+Raus: `stt_partial`, `stt_endpoint` (das Event, auf das aria-bridge horcht), `stt_stream_done`.
+
+## TTS-Hinweis
+
+Voxtral-**TTS** (Voice-Cloning) ist hier NICHT enthalten — braucht ebenfalls
+16 GB VRAM und ist ein eigener Bau. Bis zur 24-GB-Karte bleibt **F5-TTS** aktiv.
+Danach: eigener `voxtral-tts`-Satellit (separates Ticket).
+
+## Quellen
+- Rezept: https://recipes.vllm.ai/mistralai/Voxtral-Mini-4B-Realtime-2602
+- vLLM Speech-to-Text: https://docs.vllm.ai/en/latest/serving/online_serving/speech_to_text/
+- Modell: https://huggingface.co/mistralai/Voxtral-Mini-4B-Realtime-2602

xtts/voxtral/bridge.py

@@ -0,0 +1,494 @@
+#!/usr/bin/env python3
+"""
+ARIA Voxtral Bridge — Streaming-STT via Voxtral-Mini-4B-Realtime-2602 (vLLM).
+
+Zwilling der whisper-Bridge, aber das Transkribieren macht NICHT faster-whisper
+im selben Prozess, sondern der separate vLLM-Realtime-Server (Container
+`voxtral-vllm`) ueber dessen WebSocket-API `/v1/realtime`. Diese Bridge ist
+reine Glue:
+
+  App ──(RVS: stt_stream_start / stt_audio_chunk / stt_stream_end)──▶ diese Bridge
+  diese Bridge ──(WS /v1/realtime: PCM16-b64 append)──▶ voxtral-vllm
+  voxtral-vllm ──(transcription.delta / transcription.done)──▶ diese Bridge
+  diese Bridge ──(RVS: stt_partial / stt_endpoint / stt_stream_done)──▶ App/aria-bridge
+
+Das RVS-Wire-Protokoll ist IDENTISCH zur whisper-Bridge (drop-in). Das
+Endpointing (wann hat der User aufgehoert zu sprechen) macht diese Bridge
+selbst — mit demselben ADAPTIVEN Rausch-Boden-Endpointer wie whisper (Voxtral
+Realtime liefert laut vLLM-Doku keine eigene VAD/„speaker done"-Semantik, nur
+transcription.delta/.done). Die akustische Energie messen wir auf unserer
+eigenen PCM-Kopie, die semantische Stagnation am Delta-Textwachstum.
+
+⚠️  HARDWARE: Voxtral-Mini-4B-Realtime-2602 braucht >=16 GB VRAM (BF16). Auf der
+    RTX 3060 (12 GB) laeuft es NICHT — erst auf der 24-GB-Karte. Bis dahin
+    bleibt die whisper-Bridge aktiv (Profil-gesteuert im docker-compose).
+
+⚠️  VERIFY-ON-FIRST-RUN: Die exakten vLLM-Realtime-FRAME-Namen (Audio-Append,
+    Delta/Done-Event-Typen) sind unten als Konstanten gebuendelt und nach dem
+    OpenAI-Realtime-Schema modelliert. Gegen das offizielle vLLM-Realtime-
+    Client-Beispiel pruefen und ggf. anpassen — sie stehen bewusst an EINER
+    Stelle. Response-Handling ist defensiv (mehrere moegliche Feldnamen).
+
+Env:
+  RVS_HOST, RVS_PORT, RVS_TLS, RVS_TLS_FALLBACK, RVS_TOKEN
+  VOXTRAL_VLLM_URL     Default: ws://voxtral-vllm:8000/v1/realtime
+  VOXTRAL_MODEL        Default: mistralai/Voxtral-Mini-4B-Realtime-2602
+  VOXTRAL_LANGUAGE     Default: de
+"""
+import asyncio
+import base64
+import json
+import logging
+import os
+import time
+from dataclasses import dataclass, field
+from typing import Optional
+
+import numpy as np
+import websockets
+
+logging.basicConfig(
+    level=logging.INFO,
+    format="%(asctime)s [%(levelname)s] %(message)s",
+    datefmt="%H:%M:%S",
+)
+logger = logging.getLogger("voxtral-bridge")
+
+RVS_HOST = os.getenv("RVS_HOST", "").strip()
+RVS_PORT = int(os.getenv("RVS_PORT", "443"))
+RVS_TLS = os.getenv("RVS_TLS", "true").lower() == "true"
+RVS_TLS_FALLBACK = os.getenv("RVS_TLS_FALLBACK", "true").lower() == "true"
+RVS_TOKEN = os.getenv("RVS_TOKEN", "").strip()
+
+VOXTRAL_VLLM_URL = os.getenv("VOXTRAL_VLLM_URL", "ws://voxtral-vllm:8000/v1/realtime")
+VOXTRAL_MODEL = os.getenv("VOXTRAL_MODEL", "mistralai/Voxtral-Mini-4B-Realtime-2602")
+VOXTRAL_LANGUAGE = os.getenv("VOXTRAL_LANGUAGE", "de")
+
+# ── vLLM-Realtime-Frames — HIER anpassen falls das Client-Beispiel abweicht ──
+# Senderichtung (wir → vLLM): PCM16-16kHz-mono base64 anhaengen + committen.
+VLLM_SEND_APPEND = "input_audio_buffer.append"   # {"type":..., "audio": "<b64>"}
+VLLM_SEND_COMMIT = "input_audio_buffer.commit"   # Buffer abschliessen
+VLLM_AUDIO_FIELD = "audio"
+# Empfangsrichtung (vLLM → wir): inkrementeller Text + final. Defensiv geprueft.
+VLLM_DELTA_SUFFIXES = ("transcription.delta",)   # msg["type"] endet hierauf
+VLLM_DONE_SUFFIXES = ("transcription.done", "transcription.completed")
+VLLM_DELTA_FIELDS = ("delta", "text", "transcription")   # eins davon traegt den Text
+
+# ── Streaming-/Endpointing-Parameter (analog whisper-Bridge) ──
+STREAM_DEFAULT_ENDPOINT_MS = 2400
+STREAM_DEFAULT_HARD_CAP_MS = 60000
+STREAM_MIN_AUDIO_MS = 600
+STREAM_SESSION_TTL_S = 120
+STREAM_ENERGY_WINDOW_MS = 300
+STREAM_SEMANTIC_BACKUP_FACTOR = 2.0
+# Adaptiver Voice-Schwellwert (siehe whisper-Bridge M0.1): Grenze relativ zum
+# gemessenen Rausch-Boden statt fix — schneidet leises Sprechen nicht ab.
+STREAM_VOICE_FACTOR = 2.5
+STREAM_VOICE_RMS_MIN = 0.005
+STREAM_VOICE_RMS_MAX = 0.020
+
+
+def pcm_s16le_to_float32(data: bytes) -> np.ndarray:
+    if not data:
+        return np.zeros(0, dtype=np.float32)
+    arr = np.frombuffer(data, dtype=np.int16).astype(np.float32) / 32768.0
+    return arr
+
+
+async def _send(ws, mtype: str, payload: dict) -> None:
+    try:
+        await ws.send(json.dumps({
+            "type": mtype,
+            "payload": payload,
+            "timestamp": int(time.time() * 1000),
+        }))
+    except Exception as e:
+        logger.warning("RVS-Send fehlgeschlagen (%s): %s", mtype, e)
+
+
+@dataclass
+class StreamSession:
+    request_id: str
+    audio_request_id: str
+    language: str
+    endpoint_ms: int
+    hard_cap_ms: int
+    voice: str = ""
+    speed: float = 1.0
+    interrupted: bool = False
+    location: Optional[dict] = None
+    sample_rate: int = 16000
+    voice_factor: float = STREAM_VOICE_FACTOR
+    voice_rms_min: float = STREAM_VOICE_RMS_MIN
+    voice_rms_max: float = STREAM_VOICE_RMS_MAX
+    pcm_buffer: bytearray = field(default_factory=bytearray)
+    started_at: float = field(default_factory=time.time)
+    last_chunk_at: float = field(default_factory=time.time)
+    last_partial: str = ""
+    last_growth_at: float = 0.0
+    last_voice_at: float = 0.0
+    noise_floor: float = 0.0
+    closed: bool = False
+    endpoint_sent: bool = False
+    # vLLM-Realtime-Session
+    vllm_ws: object = None
+    vllm_reader: object = None
+
+
+class SessionManager:
+    def __init__(self) -> None:
+        self._sessions: dict[str, StreamSession] = {}
+        self._ws = None  # RVS
+
+    def attach_ws(self, ws) -> None:
+        self._ws = ws
+
+    async def start_session(self, payload: dict) -> Optional[StreamSession]:
+        request_id = (payload.get("requestId") or "").strip()
+        if not request_id:
+            logger.warning("stt_stream_start ohne requestId — ignoriert")
+            return None
+        try:
+            endpoint_ms = int(payload.get("endpointMs") or STREAM_DEFAULT_ENDPOINT_MS)
+        except (TypeError, ValueError):
+            endpoint_ms = STREAM_DEFAULT_ENDPOINT_MS
+        try:
+            hard_cap_ms = int(payload.get("hardCapMs") or STREAM_DEFAULT_HARD_CAP_MS)
+        except (TypeError, ValueError):
+            hard_cap_ms = STREAM_DEFAULT_HARD_CAP_MS
+        try:
+            voice_factor = float(payload.get("voiceFactor") or STREAM_VOICE_FACTOR)
+        except (TypeError, ValueError):
+            voice_factor = STREAM_VOICE_FACTOR
+        sess = StreamSession(
+            request_id=request_id,
+            audio_request_id=payload.get("audioRequestId", "") or "",
+            language=payload.get("language") or VOXTRAL_LANGUAGE,
+            endpoint_ms=endpoint_ms,
+            hard_cap_ms=hard_cap_ms,
+            voice=payload.get("voice", "") or "",
+            speed=float(payload.get("speed") or 1.0),
+            voice_factor=voice_factor,
+            interrupted=bool(payload.get("interrupted", False)),
+            location=payload.get("location") or None,
+            sample_rate=int(payload.get("sampleRate") or 16000),
+        )
+        # vLLM-Realtime-Session oeffnen + Reader starten.
+        try:
+            sess.vllm_ws = await websockets.connect(VOXTRAL_VLLM_URL, max_size=8 * 1024 * 1024)
+            await self._vllm_configure(sess)
+            sess.vllm_reader = asyncio.create_task(self._vllm_read_loop(sess))
+        except Exception as e:
+            logger.exception("Stream %s: vLLM-Realtime-Connect fehlgeschlagen: %s",
+                             request_id[:8], e)
+            # ohne Backend keine Transkription → sofort leeres Endpoint melden
+            self._sessions[request_id] = sess
+            await self._finalize(sess, reason="vllm_unavailable")
+            return None
+        self._sessions[request_id] = sess
+        logger.info("Voxtral-Session offen: id=%s lang=%s endpointMs=%d",
+                    request_id[:8], sess.language, sess.endpoint_ms)
+        return sess
+
+    async def _vllm_configure(self, sess: StreamSession) -> None:
+        """Optionale Session-Konfig an vLLM (Modell/Sprache/temperature=0).
+        VERIFY: exaktes session.update-Schema gegen vLLM-Realtime-Beispiel.
+        Best-effort — Fehler hier sind nicht fatal."""
+        try:
+            await sess.vllm_ws.send(json.dumps({
+                "type": "session.update",
+                "session": {
+                    "model": VOXTRAL_MODEL,
+                    "language": sess.language,
+                    "temperature": 0.0,
+                    "input_audio_format": "pcm16",
+                },
+            }))
+        except Exception:
+            pass
+
+    async def _vllm_read_loop(self, sess: StreamSession) -> None:
+        """Liest transcription.delta/.done vom vLLM-Realtime-Server."""
+        ws = sess.vllm_ws
+        try:
+            async for raw in ws:
+                try:
+                    msg = json.loads(raw)
+                except Exception:
+                    continue
+                mtype = str(msg.get("type", ""))
+                if any(mtype.endswith(s) for s in VLLM_DELTA_SUFFIXES):
+                    text = self._extract_text(msg)
+                    if text:
+                        await self._on_delta(sess, text)
+                elif any(mtype.endswith(s) for s in VLLM_DONE_SUFFIXES):
+                    text = self._extract_text(msg)
+                    if text:
+                        await self._on_delta(sess, text, final=True)
+        except Exception:
+            logger.debug("Stream %s: vLLM-Reader beendet", sess.request_id[:8])
+
+    @staticmethod
+    def _extract_text(msg: dict) -> str:
+        for f in VLLM_DELTA_FIELDS:
+            v = msg.get(f)
+            if isinstance(v, str) and v:
+                return v
+        return ""
+
+    async def _on_delta(self, sess: StreamSession, text: str, final: bool = False) -> None:
+        """Neuer/finaler Transkript-Text vom vLLM. delta = inkrementell; wir
+        haengen an, wenn er den bisherigen Partial verlaengert, sonst ersetzen
+        wir (Voxtral kann korrigieren)."""
+        if final or text.startswith(sess.last_partial):
+            new_full = text if final else text
+        else:
+            new_full = (sess.last_partial + text).strip()
+        new_full = new_full.strip()
+        if new_full and new_full != sess.last_partial:
+            sess.last_partial = new_full
+            sess.last_growth_at = time.time()
+            if self._ws is not None:
+                await _send(self._ws, "stt_partial", {
+                    "requestId": sess.request_id,
+                    "audioRequestId": sess.audio_request_id,
+                    "text": new_full,
+                })
+
+    def feed_chunk(self, payload: dict) -> bool:
+        request_id = payload.get("requestId", "")
+        sess = self._sessions.get(request_id)
+        if sess is None or sess.closed:
+            return False
+        pcm_b64 = payload.get("pcm", "")
+        if not pcm_b64:
+            return True
+        try:
+            pcm = base64.b64decode(pcm_b64)
+        except Exception:
+            return True
+        sess.pcm_buffer.extend(pcm)
+        sess.last_chunk_at = time.time()
+        # An vLLM weiterreichen (fire-and-forget).
+        if sess.vllm_ws is not None:
+            asyncio.create_task(self._vllm_append(sess, pcm_b64))
+        return True
+
+    async def _vllm_append(self, sess: StreamSession, pcm_b64: str) -> None:
+        try:
+            await sess.vllm_ws.send(json.dumps({
+                "type": VLLM_SEND_APPEND,
+                VLLM_AUDIO_FIELD: pcm_b64,
+            }))
+        except Exception:
+            pass
+
+    def end_session(self, request_id: str) -> None:
+        sess = self._sessions.get(request_id)
+        if sess is not None:
+            sess.closed = True
+
+    def drop(self, request_id: str) -> None:
+        sess = self._sessions.pop(request_id, None)
+        if sess is not None:
+            self._teardown_vllm(sess)
+
+    def _teardown_vllm(self, sess: StreamSession) -> None:
+        try:
+            if sess.vllm_reader is not None:
+                sess.vllm_reader.cancel()
+        except Exception:
+            pass
+        if sess.vllm_ws is not None:
+            asyncio.create_task(self._close_ws(sess.vllm_ws))
+            sess.vllm_ws = None
+
+    @staticmethod
+    async def _close_ws(ws) -> None:
+        try:
+            await ws.close()
+        except Exception:
+            pass
+
+    # ── Endpointer (adaptiv, wie whisper-Bridge M0.1) ──
+    def _buffer_duration_ms(self, sess: StreamSession) -> float:
+        samples = len(sess.pcm_buffer) // 2
+        return (samples / sess.sample_rate) * 1000.0 if samples else 0.0
+
+    def _tail_rms(self, sess: StreamSession) -> float:
+        win_bytes = int(sess.sample_rate * STREAM_ENERGY_WINDOW_MS / 1000) * 2
+        if win_bytes <= 0:
+            return 0.0
+        tail = sess.pcm_buffer[-win_bytes:]
+        if len(tail) < 2:
+            return 0.0
+        arr = pcm_s16le_to_float32(bytes(tail))
+        if arr.size == 0:
+            return 0.0
+        return float(np.sqrt(np.mean(arr * arr)))
+
+    def _voice_threshold(self, sess: StreamSession) -> float:
+        nf = sess.noise_floor
+        if nf <= 0.0:
+            return sess.voice_rms_min
+        return min(max(nf * sess.voice_factor, sess.voice_rms_min), sess.voice_rms_max)
+
+    def _update_noise_floor(self, sess: StreamSession, rms: float) -> None:
+        nf = sess.noise_floor
+        if nf <= 0.0:
+            sess.noise_floor = rms
+        elif rms < nf:
+            sess.noise_floor = 0.90 * nf + 0.10 * rms
+        else:
+            sess.noise_floor = 0.98 * nf + 0.02 * rms
+
+    async def run_endpointer(self) -> None:
+        logger.info("Voxtral-Endpointer gestartet (adaptiver VAD)")
+        while True:
+            await asyncio.sleep(0.2)
+            now = time.time()
+            for sid, sess in list(self._sessions.items()):
+                try:
+                    await self._tick(sess, now)
+                except Exception:
+                    logger.exception("Endpointer-Tick crashed (session=%s)", sid[:8])
+            for sid, sess in list(self._sessions.items()):
+                if now - sess.last_chunk_at > STREAM_SESSION_TTL_S:
+                    logger.info("Stream %s: TTL — drop", sid[:8])
+                    self.drop(sid)
+
+    async def _tick(self, sess: StreamSession, now: float) -> None:
+        if sess.endpoint_sent:
+            return
+        elapsed_ms = (now - sess.started_at) * 1000.0
+        if elapsed_ms > sess.hard_cap_ms and not sess.closed:
+            await self._finalize(sess, reason="hardcap")
+            return
+        if sess.closed:
+            await self._finalize(sess, reason="stream_end")
+            return
+        if self._buffer_duration_ms(sess) < STREAM_MIN_AUDIO_MS:
+            return
+        # adaptive akustische Sprach-Aktivitaet
+        rms = self._tail_rms(sess)
+        if rms >= self._voice_threshold(sess):
+            sess.last_voice_at = now
+        else:
+            self._update_noise_floor(sess, rms)
+        # Endpoint: akustisch (Primaer) oder semantisch (Backstop), sobald Text da
+        if sess.last_growth_at > 0.0:
+            acoustic_silence_ms = (now - sess.last_voice_at) * 1000.0 if sess.last_voice_at > 0 else 0.0
+            semantic_silence_ms = (now - sess.last_growth_at) * 1000.0
+            acoustic_done = sess.last_voice_at > 0 and acoustic_silence_ms >= sess.endpoint_ms
+            semantic_done = semantic_silence_ms >= sess.endpoint_ms * STREAM_SEMANTIC_BACKUP_FACTOR
+            if acoustic_done or semantic_done:
+                await self._finalize(sess, reason="endpoint" if acoustic_done else "endpoint_semantic")
+
+    async def _finalize(self, sess: StreamSession, reason: str) -> None:
+        if sess.endpoint_sent:
+            return
+        sess.endpoint_sent = True
+        # vLLM ggf. committen, damit ein letztes transcription.done kommt.
+        if sess.vllm_ws is not None:
+            try:
+                await sess.vllm_ws.send(json.dumps({"type": VLLM_SEND_COMMIT}))
+                await asyncio.sleep(0.15)  # kurz auf finalen Delta warten
+            except Exception:
+                pass
+        final_text = sess.last_partial.strip()
+        duration_s = self._buffer_duration_ms(sess) / 1000.0
+        logger.info("Stream %s: FINAL (reason=%s, %.1fs): %r",
+                    sess.request_id[:8], reason, duration_s, final_text[:120])
+        if self._ws is not None:
+            endpoint_payload = {
+                "requestId": sess.request_id,
+                "audioRequestId": sess.audio_request_id,
+                "text": final_text,
+                "reason": reason,
+                "durationS": duration_s,
+                "sttMs": 0,
+                "voice": sess.voice,
+                "speed": sess.speed,
+                "interrupted": sess.interrupted,
+            }
+            if sess.location:
+                endpoint_payload["location"] = sess.location
+            await _send(self._ws, "stt_endpoint", endpoint_payload)
+            await _send(self._ws, "stt_stream_done", {
+                "requestId": sess.request_id,
+                "audioRequestId": sess.audio_request_id,
+                "text": final_text,
+                "reason": reason,
+            })
+        self.drop(sess.request_id)
+
+
+async def _broadcast_status(ws, state: str, **extra) -> None:
+    payload = {"service": "voxtral", "state": state}
+    payload.update(extra)
+    await _send(ws, "service_status", payload)
+
+
+async def run_loop(sessions: SessionManager) -> None:
+    use_tls = RVS_TLS
+    retry_s = 2
+    tls_fallback_tried = False
+    while True:
+        scheme = "wss" if use_tls else "ws"
+        url = f"{scheme}://{RVS_HOST}:{RVS_PORT}/ws?token={RVS_TOKEN}"
+        masked = url.replace(RVS_TOKEN, "***") if RVS_TOKEN else url
+        try:
+            logger.info("Verbinde zu RVS: %s", masked)
+            async with websockets.connect(url, ping_interval=20, ping_timeout=10,
+                                           max_size=50 * 1024 * 1024) as ws:
+                logger.info("RVS verbunden")
+                retry_s = 2
+                tls_fallback_tried = False
+                sessions.attach_ws(ws)
+                await _broadcast_status(ws, "ready", model=VOXTRAL_MODEL)
+                await _send(ws, "config_request", {"service": "voxtral"})
+
+                async for raw in ws:
+                    try:
+                        msg = json.loads(raw)
+                    except Exception:
+                        continue
+                    mtype = msg.get("type", "")
+                    payload = msg.get("payload", {}) or {}
+                    if mtype == "stt_stream_start":
+                        asyncio.create_task(sessions.start_session(payload))
+                    elif mtype == "stt_audio_chunk":
+                        sessions.feed_chunk(payload)
+                    elif mtype == "stt_stream_end":
+                        sessions.end_session(payload.get("requestId", ""))
+                    # stt_request (Legacy One-Shot) macht Voxtral hier NICHT —
+                    # dafuer bleibt die whisper-Bridge (Fallback).
+        except Exception as e:
+            logger.warning("RVS-Verbindung verloren: %s — retry in %ds", e, retry_s)
+            if use_tls and RVS_TLS_FALLBACK and not tls_fallback_tried:
+                use_tls = False
+                tls_fallback_tried = True
+                logger.info("TLS-Fallback: versuche ws:// (kein TLS)")
+                continue
+            await asyncio.sleep(retry_s)
+            retry_s = min(retry_s * 2, 30)
+            use_tls = RVS_TLS  # fuer den naechsten Zyklus zuruecksetzen
+
+
+async def main() -> None:
+    if not RVS_HOST or not RVS_TOKEN:
+        logger.error("RVS_HOST/RVS_TOKEN fehlen — .env pruefen. Abbruch.")
+        return
+    sessions = SessionManager()
+    logger.info("Voxtral-Bridge startet — vLLM=%s Modell=%s", VOXTRAL_VLLM_URL, VOXTRAL_MODEL)
+    await asyncio.gather(
+        run_loop(sessions),
+        sessions.run_endpointer(),
+    )
+
+
+if __name__ == "__main__":
+    try:
+        asyncio.run(main())
+    except KeyboardInterrupt:
+        pass

xtts/voxtral/requirements.txt

@@ -0,0 +1,5 @@
+# Voxtral-Bridge ist reine CPU-Glue (RVS-WS <-> vLLM-Realtime-WS). Das Modell
+# selbst laeuft im separaten voxtral-vllm-Container (GPU). Deshalb hier KEIN
+# torch/vllm — nur der WebSocket-Client + numpy fuer die RMS-Energiemessung.
+websockets>=12.0
+numpy>=1.24

xtts/whisper/bridge.py

@@ -75,7 +75,17 @@ STREAM_SESSION_TTL_S = 120            # tote Sessions nach 2 min aufraeumen
 # (Whisper oszilliert/halluziniert). Echte akustische Stille ist das robuste
 # „User hat aufgehoert"-Signal.
 STREAM_ENERGY_WINDOW_MS = 300         # RMS ueber die letzten 300ms Audio messen
-STREAM_VOICE_RMS_THRESHOLD = 0.012    # RMS darueber = Sprache (haelt Session am Leben)
+# --- Adaptiver Voice-Schwellwert (ersetzt die fixe 0.012-Grenze) ---
+# Problem (Repro dokumentiert in audio.ts): eine FESTE RMS-Grenze schneidet
+# leises/entferntes Sprechen faelschlich als „Stille" (Handy weiter weg vom Mund,
+# ruhig im Auto, kurze Sprech-Pause) → Cut mitten im Satz. Loesung: die Grenze
+# relativ zum gemessenen Rausch-Boden der Session fuehren. Sprache =
+# noise_floor * Faktor, geklammert auf [MIN, MAX]. Bei noch ungelerntem Boden
+# gilt MIN → sensibel, lieber nicht abschneiden.
+STREAM_VOICE_FACTOR = 2.5             # Sprache = noise_floor * Faktor
+STREAM_VOICE_RMS_MIN = 0.005         # Untergrenze (stiller Raum: nicht auf 0 kollabieren)
+STREAM_VOICE_RMS_MAX = 0.020         # Obergrenze (lautes Auto: Sprache nie ganz aussperren)
+STREAM_VOICE_RMS_THRESHOLD = 0.012   # Legacy-Konstante (nicht mehr im Cut-Pfad genutzt)
 # Rein-semantischer Backstop: wenn die Energie NIE faellt (laute Umgebung,
 # z.B. Auto), endpointen wir trotzdem — aber erst nach diesem Faktor x
 # endpoint_ms, damit normales Sprechen mit Pausen nicht abgeschnitten wird.
@@ -323,6 +333,10 @@ class StreamSession:
     last_growth_at: float = 0.0
     last_transcribe_at: float = 0.0
     last_voice_at: float = 0.0   # letzter Tick mit akustischer Sprach-Energie
+    noise_floor: float = 0.0     # adaptiver Rausch-Boden (0.0 = noch ungelernt)
+    voice_factor: float = STREAM_VOICE_FACTOR    # per-Session konfigurierbar (Payload voiceFactor)
+    voice_rms_min: float = STREAM_VOICE_RMS_MIN
+    voice_rms_max: float = STREAM_VOICE_RMS_MAX
     closed: bool = False       # nach stream_end gesetzt
     endpoint_sent: bool = False  # Endpoint nur einmal feuern
     # Speaker-ID Gating: bei aktiviertem Fingerprint pruefen wir die ersten
@@ -372,6 +386,10 @@ class SessionManager:
             speed = float(payload.get("speed") or 1.0)
         except (TypeError, ValueError):
             speed = 1.0
+        try:
+            voice_factor = float(payload.get("voiceFactor") or STREAM_VOICE_FACTOR)
+        except (TypeError, ValueError):
+            voice_factor = STREAM_VOICE_FACTOR
         session = StreamSession(
             request_id=request_id,
             audio_request_id=payload.get("audioRequestId", "") or "",
@@ -381,6 +399,7 @@ class SessionManager:
             hard_cap_ms=hard_cap_ms,
             voice=payload.get("voice", "") or "",
             speed=speed,
+            voice_factor=voice_factor,
             interrupted=bool(payload.get("interrupted", False)),
             location=payload.get("location") or None,
             sample_rate=int(payload.get("sampleRate") or 16000),
@@ -549,8 +568,16 @@ class SessionManager:
         # Akustische Sprach-Aktivitaet JEDEN Tick (~200ms) messen — unabhaengig
         # vom Transcribe-Throttle. Solange wirklich gesprochen wird, bleibt die
         # Session am Leben, auch wenn Whisper gerade keinen neuen Text liefert.
-        if self._tail_rms(sess) >= STREAM_VOICE_RMS_THRESHOLD:
+        # ADAPTIV: der Schwellwert richtet sich nach dem gemessenen Rausch-Boden
+        # (fast-down/slow-up), damit leises/entferntes Sprechen nicht faelschlich
+        # als Stille gilt und der Satz mitten drin abgeschnitten wird.
+        rms = self._tail_rms(sess)
+        if rms >= self._voice_threshold(sess):
             sess.last_voice_at = now
+        else:
+            # Rausch-Boden NUR aus Nicht-Sprache lernen — waehrend Sprache
+            # einfrieren, sonst wandert die Grenze hoch und sperrt Sprache aus.
+            self._update_noise_floor(sess, rms)
 
         # Endpoint-Entscheidung JEDEN Tick, sobald ueberhaupt Text erkannt wurde:
         #   (a) akustisch: seit endpoint_ms keine Sprach-Energie mehr → User ist
@@ -620,6 +647,26 @@ class SessionManager:
             return 0.0
         return (samples / sess.sample_rate) * 1000.0
 
+    def _voice_threshold(self, sess: StreamSession) -> float:
+        """Adaptiver Voice-Schwellwert = Rausch-Boden * Faktor, geklammert auf
+        [min, max]. Bei noch ungelerntem Boden (0.0) → Untergrenze: sensibel,
+        lieber nicht abschneiden (das war der eigentliche Cutoff-Bug)."""
+        nf = sess.noise_floor
+        if nf <= 0.0:
+            return sess.voice_rms_min
+        return min(max(nf * sess.voice_factor, sess.voice_rms_min), sess.voice_rms_max)
+
+    def _update_noise_floor(self, sess: StreamSession, rms: float) -> None:
+        """Rausch-Boden nachfuehren: schnell runter (neue, leisere Stille),
+        langsam rauf (Umgebung wird lauter). NUR mit Nicht-Sprache aufrufen."""
+        nf = sess.noise_floor
+        if nf <= 0.0:
+            sess.noise_floor = rms
+        elif rms < nf:
+            sess.noise_floor = 0.90 * nf + 0.10 * rms
+        else:
+            sess.noise_floor = 0.98 * nf + 0.02 * rms
+
     def _tail_rms(self, sess: StreamSession) -> float:
         """RMS-Energie der letzten STREAM_ENERGY_WINDOW_MS des Audio-Buffers.
         Dient als akustisches „redet noch / ist still"-Signal."""