release: bump version to 0.2.4.4

Stefans Repro: eine echte Nachricht endete mit "...vergiss das, das ist nur..."
und Voxtral hat den Satz ~15x geloopt, bis zur Brain durch. Klassische
Repetition-Halluzination bei Stille/Rauschen am Ende.

Zwei Ebenen: (1) Generation bekommt no_repeat_ngram_size=4 + repetition_penalty
=1.15 → erste echte Nennung bleibt, exakte 4-Gramm-Wiederholung verboten, Loop
bricht an der Quelle ab. (2) Post-Detektor _collapse_repetitions kassiert einen
durchgerutschten Loop auf eine Kopie ein. Gegen den echten Loop + legitime
Doppelungen ('ja ja ja', 'sehr sehr') verifiziert.

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

android/android/app/build.gradle

@@ -79,8 +79,8 @@ android {
         applicationId "com.ariacockpit"
         minSdkVersion rootProject.ext.minSdkVersion
         targetSdkVersion rootProject.ext.targetSdkVersion
-        versionCode 20402
-        versionName "0.2.4.2"
+        versionCode 20404
+        versionName "0.2.4.4"
         // Fallback fuer Libraries mit Product Flavors
         missingDimensionStrategy 'react-native-camera', 'general'
     }

android/package.json

@@ -1,6 +1,6 @@
 {
   "name": "aria-cockpit",
-  "version": "0.2.4.2",
+  "version": "0.2.4.4",
   "private": true,
   "scripts": {
     "android": "react-native run-android",

xtts/voxtral/bridge.py

@@ -94,6 +94,24 @@ _HALLUCINATION_RE = re.compile(
     re.IGNORECASE,
 )
 
+# Kollabiert unmittelbar wiederholte Phrasen (Voxtral-Repetition-Loop) auf EINE
+# Kopie. Zweites Netz hinter no_repeat_ngram in der Generation. Phrase 5-80 Zeichen,
+# 3+ mal hintereinander → eine. Kurze legitime Doppelungen ('ja ja', 'sehr sehr')
+# bleiben (Unit < 5 Zeichen bzw. < 3 Wiederholungen).
+_REPEAT_RE = re.compile(r"(.{5,80}?)(?:\s*\1){2,}", re.IGNORECASE | re.DOTALL)
+
+
+def _collapse_repetitions(text: str) -> str:
+    if not text:
+        return text
+    out = text
+    for _ in range(3):  # mehrfach fuer verschachtelte/ungleiche Loops
+        new = _REPEAT_RE.sub(r"\1", out)
+        if new == out:
+            break
+        out = new
+    return out.strip()
+
 # Speaker-ID Gating global an/aus. DEFAULT AUS (fail-open) — die "nur meine Stimme"-
 # Pruefung ist ein BEWUSSTER Schalter, kein Automatismus: ein einziger schlechter
 # Enroll darf nie die ganze STT lahmlegen (genau das ist passiert). Wird per config-
@@ -162,7 +180,20 @@ class VoxtralRunner:
             with torch.no_grad():
                 # hoch genug fuer lange Diktate (stoppt eh am EOS); 512 hat
                 # mehrminutige Aufnahmen abgeschnitten.
-                outputs = model.generate(**inputs, max_new_tokens=4096)
+                # Repetition-Bremse: Voxtral kippt bei Stille/Rauschen am Ende
+                # gern in eine Schleife und wiederholt einen Satz zig-mal
+                # ("Vergiss das, das ist nur... Vergiss das, das ist nur..."
+                # x15). no_repeat_ngram_size=4 laesst die ERSTE echte Nennung
+                # durch, verbietet aber die exakte 4-Gramm-Wiederholung → Loop
+                # bricht ab; repetition_penalty daempft zusaetzlich. Beides mild,
+                # damit normale Sprache (auch mal ein doppeltes Wort) unberuehrt
+                # bleibt.
+                outputs = model.generate(
+                    **inputs,
+                    max_new_tokens=4096,
+                    no_repeat_ngram_size=4,
+                    repetition_penalty=1.15,
+                )
             trimmed = outputs[:, inputs.input_ids.shape[1]:]
             text = proc.batch_decode(trimmed, skip_special_tokens=True)
             return (text[0] if text else "").strip()
@@ -428,6 +459,17 @@ class SessionManager:
                 })
         else:
             self._update_noise_floor(sess, rms)
+        # No-Speech-Timeout: wurde die GANZE Zeit KEINE Stimme erkannt
+        # (last_voice_at==0), feuert der normale Endpoint unten NIE — der braucht
+        # last_voice_at>0. Ohne das bleibt ein reines Stille-Fenster offen bis
+        # Hardcap/manuellem Stop → genau Stefans Repro: "die Stille-Ende wird nie
+        # erreicht, stop ich selbst ist es weg". Nach endpoint_ms Stille ab Start
+        # schliessen wir das Fenster selbst als no-speech (leer, lautlos, zurueck
+        # aufs Wake-Word). voiced_frames==0 → _finalize verwirft ohne Transkript,
+        # also KEIN Phantom.
+        if sess.last_voice_at == 0 and (now - sess.started_at) * 1000.0 >= sess.endpoint_ms:
+            await self._finalize(sess, "no_speech")
+            return
         # Endpoint: hat der User schon gesprochen UND ist es seit endpoint_ms still?
         if sess.last_voice_at > 0 and (now - sess.last_voice_at) * 1000.0 >= sess.endpoint_ms:
             await self._finalize(sess, "endpoint")
@@ -438,14 +480,21 @@ class SessionManager:
         sess.endpoint_sent = True
         # Halluzinations-Guard: zu wenig echte Stimme (Stille / kurzer Blip im
         # Passiv-/Wake-Fenster) → NICHT transkribieren. Voxtral (wie Whisper) baut
-        # aus Fast-Nichts gern einen Fuellsatz ("keine Ahnung" o.ae.), der dann als
-        # PHANTOM-Nachricht ans Brain geht und das Gespraech entgleisen laesst
-        # (Stefans Repro: "kam Nachricht von mir, obwohl ich nichts sagte"). Leeres
-        # Endpoint = no-speech → App re-armt still. Der manuelle Stop (stream_end)
-        # ist ausgenommen: dort hat der User bewusst gesprochen (kurze Woerter ok).
-        if reason != "stream_end" and sess.voiced_frames < STREAM_MIN_VOICED_FRAMES:
+        # aus Fast-Nichts gern einen Fuellsatz ("Die Stadt hat eine Flaeche von
+        # 1,5 km2"), der dann als PHANTOM-Nachricht ans Brain geht und das Gespraech
+        # entgleisen laesst (Stefans Repro: "kam Nachricht von mir, obwohl ich
+        # nichts sagte"). Leeres Endpoint = no-speech → App re-armt still.
+        #
+        # WICHTIG (aus dem ai-box-Log gelernt): die Phantome kommen mit
+        # reason=stream_end — Passiv-/Wake-Fenster enden AUCH per stream_end, wenn
+        # sie auf Stille zumachen. stream_end ist also NICHT gleich "manueller Stop".
+        # Deshalb greift der Guard jetzt auch bei stream_end, aber mit niedrigerer
+        # Schwelle (voiced==0 = gar keine Stimme), damit ein kurzes bewusstes Wort
+        # ('ja', 'stopp') am Aufnahme-Button noch durchgeht, echte Stille aber nicht.
+        _min_voiced = STREAM_MIN_VOICED_FRAMES if reason != "stream_end" else 1
+        if sess.voiced_frames < _min_voiced:
             logger.info("Stream %s: no-speech (voiced_frames=%d<%d, reason=%s) — leeres Endpoint",
-                        sess.request_id[:8], sess.voiced_frames, STREAM_MIN_VOICED_FRAMES, reason)
+                        sess.request_id[:8], sess.voiced_frames, _min_voiced, reason)
             if self._ws is not None:
                 nospeech = {"requestId": sess.request_id,
                             "audioRequestId": sess.audio_request_id,
@@ -467,17 +516,27 @@ class SessionManager:
             final_text = sess.last_partial
         stt_ms = int((time.time() - t0) * 1000)
         duration_s = audio.size / 16000.0
+        # Repetition-Loop einkassieren, falls trotz no_repeat_ngram was durchkam.
+        _collapsed = _collapse_repetitions(final_text)
+        if _collapsed != final_text:
+            logger.info("Stream %s: Repetition-Loop kollabiert (%d→%d Zeichen)",
+                        sess.request_id[:8], len(final_text), len(_collapsed))
+            final_text = _collapsed
         logger.info("Stream %s: FINAL (reason=%s, %.1fs, %dms): %r",
                     sess.request_id[:8], reason, duration_s, stt_ms, final_text[:120])
 
         # Halluzinations-Filter (2. Netz): leeres/Artefakt-Transkript im borderline-
         # Band → als no-speech verwerfen statt ein Phantom ("Die Stadt hat eine
-        # Flaeche von 1,5 km2") ans Brain zu schicken. Manueller Stop (stream_end)
-        # ist ausgenommen (bewusst gesprochen, auch kurze Woerter zaehlen).
+        # Flaeche von 1,5 km2") ans Brain zu schicken. Gilt fuer ALLE reasons inkl.
+        # stream_end (dort kamen die realen Phantome!) — aber das borderline-Band
+        # (wenig voiced_frames) schuetzt echte, klar gesprochene Eingaben: eine echte
+        # Geografie-FRAGE hat normale Stimm-Energie (voiced_frames >> Schwelle) und
+        # geht durch; das Phantom aus Stille hat ~0 und wird verworfen. Ein leeres
+        # Transkript wird immer verworfen (nichts gesagt = nichts senden).
         _clean = final_text.strip(" .,!?…-\t\n\r")
         _borderline = sess.voiced_frames < STREAM_HALLUC_GUARD_FRAMES
         _is_phantom = (not _clean) or (_borderline and bool(_HALLUCINATION_RE.search(final_text)))
-        if reason != "stream_end" and _is_phantom:
+        if _is_phantom:
             logger.info("Stream %s: Halluzination verworfen (voiced_frames=%d<%d, %.1fs, text=%r)",
                         sess.request_id[:8], sess.voiced_frames, STREAM_HALLUC_GUARD_FRAMES,
                         duration_s, final_text[:80])