ARIA-AGENT/xtts/docker-compose.yml

# ════════════════════════════════════════════════
#  ARIA Compute-Node — GPU-Dienste (STT / TTS / LLM)
#
#  KEINE feste "AI-Box" mehr: dieser Stack laeuft auf beliebig vielen
#  Worker-Nodes. Jeder Node startet ueber COMPOSE_PROFILES nur die Dienste,
#  die er anbieten soll, und pinnt sie per *_GPU auf bestimmte Grafikkarten.
#  Alles verbindet sich ueber RVS mit der ARIA-Infrastruktur — kein VPN.
#
#  Beispiele (in der jeweiligen .env):
#    STT-Box     → COMPOSE_PROFILES=voxtral
#    TTS-Box     → COMPOSE_PROFILES=f5tts
#    LLM-Box     → COMPOSE_PROFILES=llm
#    All-in-One  → COMPOSE_PROFILES=voxtral,f5tts,llm   (die alte AI-Box)
#
#  FLUX-Bildgenerierung liegt im /flux Verzeichnis — eigener Stack.
# ════════════════════════════════════════════════
#
#  Voraussetzungen:
#    - Docker + NVIDIA Container Toolkit (registriert die `nvidia`-Runtime)
#    - .env mit RVS-Verbindungsdaten, COMPOSE_PROFILES, NODE_NAME, *_GPU
#
#  Start: docker compose up -d      (liest COMPOSE_PROFILES aus der .env)
# ════════════════════════════════════════════════

services:

  # ─── F5-TTS Bridge (GPU) ──────────────────────
  # Empfaengt xtts_request via RVS, rendert via F5-TTS mit Voice-Cloning,
  # streamt PCM an die App. Voice-Upload: speichert WAV und laesst eine
  # STT-Bridge den Referenztext transkribieren — der User tippt nichts.
  f5tts-bridge:
    build: ./f5tts
    container_name: aria-f5tts-bridge
    profiles: ["f5tts"]          # startet nur mit COMPOSE_PROFILES=…f5tts…
    runtime: nvidia
    volumes:
      - ./voices:/voices                         # WAV + TXT Referenz
      - ./hf-cache:/root/.cache/huggingface      # HF-Cache als Bind-Mount.
                                                 # Direkt sichtbar im xtts/hf-cache/,
                                                 # einfach manuell zu loeschen, kein
                                                 # Docker-Desktop .vhdx Bloat.
                                                 # Wird mit STT-Bridges geteilt.
    environment:
      # GPU-Wahl: NVIDIA_VISIBLE_DEVICES (mehrere via "0,1"). Default GPU 0.
      - NVIDIA_VISIBLE_DEVICES=${F5TTS_GPU:-0}
      - NVIDIA_DRIVER_CAPABILITIES=compute,utility
      - NODE_NAME=${NODE_NAME:-node}             # erscheint in Diagnostic + Logs
      # Bootstrap-only — alle anderen F5-TTS-Settings (Modell, cfg_strength,
      # nfe_step, Custom-Checkpoint) kommen ueber Diagnostic via RVS-config.
      - RVS_HOST=${RVS_HOST}
      - RVS_PORT=${RVS_PORT:-443}
      - RVS_TLS=${RVS_TLS:-true}
      - RVS_TLS_FALLBACK=${RVS_TLS_FALLBACK:-true}
      - RVS_TOKEN=${RVS_TOKEN}
      - F5TTS_DEVICE=${F5TTS_DEVICE:-cuda}
      - VOICES_DIR=/voices
    restart: unless-stopped

  # ─── Whisper STT (GPU) — opt-in Fallback-STT ──
  # Faster-Whisper auf CUDA. Verbindet sich selbst per WebSocket an den RVS
  # und nimmt stt_request / stt_stream_* Nachrichten entgegen. Zusaetzlich
  # nutzt die f5tts-bridge Whisper intern fuer die Referenz-Transkription bei
  # Voice-Uploads. Modell-Hot-Swap via Diagnostic (config-Broadcast).
  # Nur EINEN STT-Provider pro Node laufen lassen (voxtral ODER whisper) —
  # sonst beantworten beide dieselbe Anfrage doppelt.
  whisper-bridge:
    build: ./whisper
    container_name: aria-whisper-bridge
    profiles: ["whisper"]        # startet nur mit COMPOSE_PROFILES=…whisper…
    runtime: nvidia
    environment:
      - NVIDIA_VISIBLE_DEVICES=${WHISPER_GPU:-1}
      - NVIDIA_DRIVER_CAPABILITIES=compute,utility
      - NODE_NAME=${NODE_NAME:-node}
      - RVS_HOST=${RVS_HOST}
      - RVS_PORT=${RVS_PORT:-443}
      - RVS_TLS=${RVS_TLS:-true}
      - RVS_TLS_FALLBACK=${RVS_TLS_FALLBACK:-true}
      - RVS_TOKEN=${RVS_TOKEN}
      - WHISPER_MODEL=${WHISPER_MODEL:-small}
      - WHISPER_DEVICE=${WHISPER_DEVICE:-cuda}
      - WHISPER_COMPUTE_TYPE=${WHISPER_COMPUTE_TYPE:-float16}
      - WHISPER_LANGUAGE=${WHISPER_LANGUAGE:-de}
    volumes:
      - ./hf-cache:/root/.cache/huggingface      # gleicher Cache wie f5tts-bridge —
                                                 # ein Modell muss nur einmal pro
                                                 # Maschine geladen werden, kein
                                                 # Re-Download bei Container-Restart.
      - ./voice-id:/voice-id                     # Speaker-ID-Fingerprint (Stefans
                                                 # Stimm-Embedding) persistent zwischen
                                                 # Container-Restarts.
    restart: unless-stopped

  # ─── Voxtral STT-3B (Transformers, GPU) — DEFAULT-STT ─────────
  # Voxtral-Mini-3B-2507 (~9 GB bf16). Laeuft auf Treiber 550/CUDA 12.4
  # (torch cu124, KEIN Treiber-Upgrade noetig). Whisper ist der opt-in
  # Fallback — immer nur EINEN STT-Provider pro Node aktiv haben.
  voxtral-bridge:
    build: ./voxtral
    container_name: aria-voxtral-bridge
    profiles: ["voxtral"]        # startet nur mit COMPOSE_PROFILES=…voxtral…
    runtime: nvidia
    volumes:
      - ./hf-cache:/root/.cache/huggingface      # gleicher Modell-Cache wie whisper/f5
      - ./voice-id:/voice-id                     # Speaker-Fingerprint (wie whisper)
    environment:
      - NVIDIA_VISIBLE_DEVICES=${VOXTRAL_GPU:-1}  # STT-3B ~9 GB → 12-GB-Karte
      - NVIDIA_DRIVER_CAPABILITIES=compute,utility
      - NODE_NAME=${NODE_NAME:-node}
      - RVS_HOST=${RVS_HOST}
      - RVS_PORT=${RVS_PORT:-443}
      - RVS_TLS=${RVS_TLS:-true}
      - RVS_TLS_FALLBACK=${RVS_TLS_FALLBACK:-true}
      - RVS_TOKEN=${RVS_TOKEN}
      - VOXTRAL_MODEL=mistralai/Voxtral-Mini-3B-2507
      - VOXTRAL_LANGUAGE=${WHISPER_LANGUAGE:-de}
      - HUGGING_FACE_HUB_TOKEN=${HF_TOKEN:-}   # falls das Modell HF-gated ist
      - PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True   # weniger VRAM-Fragmentierung
    restart: unless-stopped

  # ─── Lokales LLM — llama-swap (GPU) ───────────
  # llama-swap laedt/swappt mehrere Modelle on-demand. Welches geladen wird,
  # bestimmt das `model`-Feld im Request (Brain schickt es aus local_llm.json).
  # Erster Load zieht das GGUF via -hf von HF (Cache unter /models, persistent).
  # OpenAI-kompatibel auf :8080, nur im Compose-Netz; die Bruecke macht der
  # llm-adapter. Die Modell-Liste erzeugt der llm-adapter dynamisch aus
  # ./llama-swap/config.yaml (Basis) + Registry → /models/llama-swap.config.yaml.
  llama-swap:
    image: ghcr.io/mostlygeek/llama-swap:unified-cuda
    container_name: aria-llama-swap
    profiles: ["llm"]            # startet nur mit COMPOSE_PROFILES=…llm…
    runtime: nvidia
    volumes:
      - ./models:/models                                   # HF-Cache + generierte Config
    environment:
      # Alle Karten sichtbar — welches Modell auf welcher Karte laeuft, legt der
      # llm-adapter pro Modell fest (CUDA_VISIBLE_DEVICES=<Karte> in der
      # generierten Config). Erlaubt sind nur die LLM-Karten aus LLM_GPUS.
      - NVIDIA_VISIBLE_DEVICES=all
      - NVIDIA_DRIVER_CAPABILITIES=compute,utility
      # CUDA zaehlt Karten sonst "schnellste zuerst" — dann waere CUDA-Karte 0
      # nicht unbedingt nvidia-smi-Karte 0. PCI-Reihenfolge = wie nvidia-smi.
      - CUDA_DEVICE_ORDER=PCI_BUS_ID
      - LLAMA_CACHE=/models                                # llama-server legt -hf-Downloads hier ab
    # Liest die vom llm-adapter generierte Config. --watch-config: Aenderungen
    # (Modell in Karte geladen/entladen) greifen von selbst — einen Reload-
    # Endpunkt hat llama-swap nicht. Beim allerersten Boot faengt restart:
    # unless-stopped die Reihenfolge ab, bis der Adapter die Config geschrieben hat.
    command: ["--config", "/models/llama-swap.config.yaml", "--listen", "0.0.0.0:8080", "--watch-config"]
    # OpenAI-kompatibler Endpunkt (/v1/chat/completions, /v1/models) — damit
    # koennen Fremd-Tools wie OpenHands, Continue oder Open WebUI direkt auf das
    # lokale LLM. Standardmaessig NUR auf localhost gebunden (sicher); fuer
    # Zugriff aus dem LAN LLM_OPENAI_BIND=0.0.0.0 setzen — dann aber unbedingt
    # LLM_OPENAI_KEY vergeben, sonst kann jeder im Netz das Modell nutzen.
    ports:
      - "${LLM_OPENAI_BIND:-127.0.0.1}:${LLM_OPENAI_PORT:-8081}:8080"
    restart: unless-stopped

  # ─── Local-LLM-Adapter — RVS <-> llama.cpp ────
  # Verbindet sich per Token an den RVS (wie f5tts/whisper), nimmt llm_request
  # entgegen, ruft llama.cpp lokal, antwortet llm_response. Verwaltet ausserdem
  # llama-swaps Config (Modelle hinzufuegen/entfernen via llm_provision_model).
  llm-adapter:
    build: ./llm-adapter
    container_name: aria-llm-adapter
    profiles: ["llm"]
    runtime: nvidia          # nur fuer nvidia-smi (Auslastungs-Monitor) — kein Compute
    depends_on:
      - llama-swap
    volumes:
      - ./models:/models                                   # generierte Config + Registry + Cache
      - ./llama-swap:/llamaswap:ro                          # Basis-Template (config.yaml)
    environment:
      - NVIDIA_VISIBLE_DEVICES=all                         # alle Karten sichtbar (nur nvidia-smi)
      - NVIDIA_DRIVER_CAPABILITIES=utility                 # utility = nvidia-smi, KEIN VRAM/Compute
      - NODE_NAME=${NODE_NAME:-node}
      - RVS_HOST=${RVS_HOST}
      - RVS_PORT=${RVS_PORT:-443}
      - RVS_TLS=${RVS_TLS:-true}
      - RVS_TLS_FALLBACK=${RVS_TLS_FALLBACK:-true}
      - RVS_TOKEN=${RVS_TOKEN}
      - LLAMA_URL=http://llama-swap:8080
      - LLM_MODEL=${LLM_MODEL:-qwen3-8b}
      - LLAMA_BASE_CONFIG=/llamaswap/config.yaml
      - LLAMA_GEN_CONFIG=/models/llama-swap.config.yaml
      - LLM_REGISTRY=/models/aria_models.json
      # Erster Load eines Modells kann ein GGUF ziehen (mehrere GB) — grosszuegig.
      - LLM_TIMEOUT_SEC=${LLM_TIMEOUT_SEC:-600}
      # Welche Karten dem LLM gehoeren. Jede haelt genau ein Modell, geladen
      # wird nur ueber die Diagnostic. Mehrere: LLM_GPUS=1,2 — eine: LLM_GPU=1
      # (alte Schreibweise, gilt weiter, wenn LLM_GPUS leer ist).
      - LLM_GPUS=${LLM_GPUS:-}
      - LLM_GPU=${LLM_GPU:-0}
      # Fuer gesperrte (gated) HF-Repos: die Dateiliste fuer den Fortschritt.
      - HF_TOKEN=${HF_TOKEN:-}
    restart: unless-stopped

  # ─── OpenHands (optional, Standalone) ────────────────
  # Eigenstaendige Entwickler-Agenten-Oberflaeche, die das LOKALE LLM ueber den
  # OpenAI-Endpunkt von llama-swap nutzt. Bewusst ein eigenes Profil: wer nur
  # ARIAs Box fahren will, startet es gar nicht erst.
  #   COMPOSE_PROFILES=llm,openhands docker compose up -d
  # Danach http://<box>:${OPENHANDS_PORT:-3000} und dort als Provider
  # "OpenAI-kompatibel" mit Base-URL http://llama-swap:8080/v1 eintragen
  # (aus dem Container heraus erreichbar), Modell z.B. qwen3-8b.
  openhands:
    image: docker.all-hands.dev/all-hands-ai/openhands:latest
    container_name: aria-openhands
    profiles: ["openhands"]
    environment:
      - SANDBOX_RUNTIME_CONTAINER_IMAGE=docker.all-hands.dev/all-hands-ai/runtime:latest
      - LOG_ALL_EVENTS=true
      # Vorbelegung fuer das lokale Modell — in der Oberflaeche aenderbar.
      - LLM_BASE_URL=${OPENHANDS_LLM_BASE_URL:-http://llama-swap:8080/v1}
      - LLM_API_KEY=${LLM_OPENAI_KEY:-local}
      - LLM_MODEL=${OPENHANDS_LLM_MODEL:-openai/qwen3-8b}
    volumes:
      # OpenHands startet seine Arbeits-Container selbst -> braucht den Socket.
      # ACHTUNG: das gibt dem Container Kontrolle ueber den Docker-Host.
      - /var/run/docker.sock:/var/run/docker.sock
      - ./openhands-state:/.openhands
    ports:
      - "${OPENHANDS_BIND:-127.0.0.1}:${OPENHANDS_PORT:-3000}:3000"
    extra_hosts:
      - "host.docker.internal:host-gateway"
    restart: unless-stopped