ARIA-AGENT/issue.md

ARIA Issues & Features

Erledigt

• Bildupload funktioniert (Shared Volume /shared/uploads/)
• Sprachnachrichten werden als Text angezeigt (STT → Chat-Bubble)
• Cache leeren + Auto-Download von Anhaengen
• ARIA liest Nachrichten vor (TTS via Piper, später ersetzt)
• Autoscroll zur letzten Nachricht (inverted FlatList)
• Bilder im Chat groesser + Vollbild-Vorschau
• Ohr-Button → Gespraechsmodus (Auto-Aufnahme nach ARIA-Antwort)
• Play-Button in ARIA-Nachrichten fuer Sprachwiedergabe
• Chat-Suche in der App (Lupe in Statusleiste)
• Watchdog mit Container-Restart (2min Warnung → 5min doctor --fix → 8min Restart)
• Abbrechen-Button im Diagnostic Chat
• Nachrichten Backup on-the-fly (/shared/config/chat_backup.jsonl)
• Grosse Nachrichten satzweise aufteilen fuer TTS
• RVS Nachrichten vom Smartphone gehen durch
• Stimmen-Einstellungen (Ramona/Thorsten, Speed pro Stimme — durch XTTS/F5-TTS ersetzt)
• Highlight-Trigger konfigurierbar in Diagnostic
• XTTS v2 Integration (Gaming-PC, GPU, Voice Cloning) — durch F5-TTS ersetzt
• XTTS Voice Cloning (Audio-Samples hochladen, eigene Stimme)
• TTS Engine waehlbar (Piper/XTTS) — Piper raus, XTTS raus, jetzt nur F5-TTS
• Auto-Update System (APK via RVS WebSocket)
• Auto-Update: APK-Installation via FileProvider
• Auto-Update: "Auf Updates pruefen" Button in App-Einstellungen
• Audio-Queue (sequentielle Wiedergabe, kein Ueberlappen)
• Textnachrichten werden von ARIA beantwortet (Bridge chat handler fix)
• Mehrere Anhaenge + Text vor dem Senden (Pending-Vorschau)
• Paste-Support fuer Bilder in Diagnostic Chat
• Markdown-Bereinigung fuer TTS (fett, kursiv, code, links, etc.)
• SSH Volume read-write fuer Proxy (kein -F Workaround mehr)
• Diagnostic: Sessions als Markdown exportieren (Download-Button)
• Speech Gate: Aufnahme wird verworfen wenn keine Sprache erkannt
• Session-Persistenz: Gewaehlte Session bleibt ueber Container-Restarts erhalten
• Diagnostic: "ARIA denkt..." bleibt nicht mehr stehen
• App: "ARIA denkt..." Indicator + Abbrechen-Button (Bridge spiegelt agent_activity via RVS)
• Whisper STT: Model-Auswahl in Diagnostic (tiny/base/small/medium/large-v3), Hot-Reload
• App: Audio-Aufnahme explizit 16kHz mono (spart Resample, optimal fuer Whisper)
• Streaming TTS: PCM-Stream → AudioTrack MODE_STREAM, keine WAV-Gaps
• Piper komplett entfernt
• Gespraechsmodus: Speech-Gate strenger (-28dB / 500ms)
• Diagnostic: Archivierte Session-Versionen (.reset.*) angezeigt + exportierbar
• tools/export-jsonl-to-md.js: CLI-Konverter fuer Session-JSONL zu Markdown
• NO_REPLY-Filter in Bridge + Diagnostic
• Audio-Ducking + Exklusiv-Focus (Kotlin AudioFocusModule)
• TTS-Cleanup serverseitig: Code-Bloecke raus, Einheiten ausgeschrieben, Abkuerzungen buchstabiert, URLs zu "ein Link"
• QR-Code Onboarding: Diagnostic generiert QR, App scannt
• TTS-Audio-Cache im Filesystem: WAV pro messageId, Play-Button spielt aus Cache
• Config via Diagnostic: RVS-Credentials + Auth-Token persistiert in /shared/config/runtime.json
• Disk-Voll Banner in Diagnostic: rotes Overlay + copy-baren Cleanup-Befehlen (safe + aggressiv)
• cleanup.sh: kombinierter Docker-Aufraeum-Befehl (safe / --full)
• Streaming TTS Pre-Roll: AudioTrack play() startet erst wenn 2.5s gepuffert sind
• Streaming TTS Stop-Race: Writer wartet auf playbackHeadPosition vor stop()/release() — keine abgeschnittenen Saetze mehr
• Leading-Silence (200ms) am Stream-Anfang — AudioTrack faehrt sauber an
• Pre-Roll-Buffer einstellbar in App-Settings (1.0-6.0s, Default 3.5s)
• Fade-In auf erstem PCM-Chunk (120ms) — versteckt XTTS/F5-TTS Warmup-Glitches
• Decimal-zu-Worte fuer TTS (0.1 → null komma eins, mit IP-Schutz-Lookahead)
• Generic Acronym-Buchstabieren (XTTS → X T T S, USB → U S B, ueber expliziter Liste)
• Voice-Auswahl funktioniert wieder: speaker_wav als Basename statt Pfad fuer daswer123 local-Mode
• Diagnostic-Voice-Wechsel resettet alle App-lokalen Voice-Overrides via type "config"
• voice_preload/voice_ready: Stille Mini-Render bei Voice-Wechsel + Toast/Status "bereit"
• Whisper STT auf die Gamebox ausgelagert (faster-whisper CUDA, float16) — neuer aria-whisper-bridge Container
• aria-bridge: STT primaer remote (Gamebox), Fallback lokal nach 45s Timeout
• Whisper-Modell hot-swap auf Gamebox via config-Broadcast aus Diagnostic
• F5-TTS ersetzt XTTS komplett — neuer aria-f5tts-bridge Container, Voice Cloning, satzweises Streaming
• Voice-Upload mit Whisper-Auto-Transkription — User muss keinen Referenz-Text eintippen
• Audio-Pause statt Ducking: Spotify/YouTube pausieren komplett waehrend TTS (TRANSIENT statt MAY_DUCK)
• AudioFocus.release wartet auf echten Playback-Ende — kein Volume-Hochfahren mehr mid-Antwort
• VAD-Stille einstellbar in App-Settings (1.0-8.0s, Default 2.8s)
• MAX_RECORDING auf 120s — laengere Erklaerungen moeglich
• App: Audioausgabe hoert nicht mehr mitten im Satz auf (playbackHeadPosition wait + Stop-Race fix)
• F5-TTS: Referenz-WAV-Preprocessing — Loudness-Normalisierung -16 LUFS + Silence-Trim + 10s Clip fuer konsistente Cloning-Quali
• F5-TTS: deutsches Fine-Tune (aihpi/F5-TTS-German, Vocos-Variante) via hf:// Pfad in Diagnostic konfigurierbar
• Whisper transkribiert Voice-Uploads nicht mehr mit hardcoded "small" — aktuelles Modell wird behalten, kein unnoetiger Modell-Swap
• RVS/WebSocket maxPayload 50MB: voice_upload mit WAV als base64 sprengt kein Frame-Limit mehr
• Dynamischer STT-Timeout in aria-bridge: 300s waehrend whisper-bridge 'loading', 45s wenn 'ready'
• service_status Broadcasts: f5tts/whisper melden Lade-Status, Banner in Diagnostic (unten rechts) + App (oben)
• config_request Pattern: Bridges fragen beim Connect die aktuelle Voice-Config an, aria-bridge antwortet
• F5-TTS Tuning via Diagnostic (Modell-ID, Checkpoint, cfg_strength, nfe_step) statt ENV-Vars — Hot-Reload bei Modell-Wechsel
• Conversation-Window: Gespraechsmodus endet nach X Sekunden Stille (1.0-20.0s, Default 8s, einstellbar in Settings)
• Porcupine Wake-Word-Integration in der App (Built-In Keywords + Custom spaeter, per Geraet einstellbar)
• HF-Cache als Bind-Mount statt Docker Volume — kein .vhdx-Bloat auf Docker Desktop / Windows
• cleanup-windows.ps1 / .bat: VHDX-Cleanup via diskpart (ohne Hyper-V) mit Self-Elevation
• App Mute-/Auto-Playback-Bug: Closure-Bug geloest (ttsCanPlayRef live-gespiegelt, nicht mehr stale)
• App Zombie-Recording: Ohr-aus kill laufende Aufnahme damit der Aufnahme-Button weiter funktioniert
• App Text-Rendering: Nachrichten selektierbar + Autolink fuer URLs/E-Mails/Telefonnummern (Browser/Mail/Dialer)
• TTS-Wiedergabegeschwindigkeit pro Geraet einstellbar (Settings → 0.5-2.0x in 0.1-Schritten, Default 1.0)
• Diagnostic: Voice-Preview-Modal (Play-Icon vor Delete-X, Textfeld mit Default, WAV im Browser abspielen)
• Wake-Word komplett on-device via openWakeWord (ONNX Runtime) — Porcupine raus, kein API-Key/keine Lizenzgebuehren mehr. Mitgelieferte Keywords: hey_jarvis, computer, alexa, hey_mycroft, hey_rhasspy
• Wake-Word Embedding rank-4 Fix (Pipeline-Bug der das Triggern verhinderte) + Frame-Count aus Modell-Metadaten lesen
• APK ABI-Split auf arm64-v8a — von ~136 MB auf ~35 MB, Auto-Update-Downloads aufs Phone deutlich kleiner
• PCM-Underrun-Schutz: Stille-Fill in Render-Pausen verhindert Spotify-Auto-Resume nach 10s Stillstand
• Conversation-Focus-Lifecycle: AudioFocus haengt am Wake-Word-State 'conversing' statt an einzelnen Streams — Spotify bleibt durchgehend gepaust, auch zwischen mehreren Antworten
• PhoneStateListener: TTS pausiert bei eingehendem Anruf (READ_PHONE_STATE Permission)
• Voice-Override behaelt Stimme ueber alle TTS-Calls einer Antwort (vorher: nach erstem TTS-Call zurueck auf Default)
• Sprachnachricht-Bubble defensiv: STT-Result fuegt neue Bubble hinzu wenn Placeholder fehlt (Race-Schutz)
• Bild + Text als EINE Anfrage: Bridge buffert files 800ms, merged mit folgendem chat-Text zu einem send_to_core (statt zwei getrennten ARIA-Antworten)
• Diagnostic-Chat: bubblige Formatierung, mehrzeiliges Eingabefeld (textarea, Enter sendet, Shift+Enter neue Zeile)
• Diagnostic→App: persistente RVS-Connection statt frische pro Send (Race-Probleme mit Zombie-WS geloest)
• Adaptive VAD-Schwelle: Baseline aus den ersten 500ms Mic-Pegel, Stille = baseline+6dB / Sprache = baseline+12dB. Funktioniert in lauten wie leisen Umgebungen
• Max-Aufnahmedauer konfigurierbar in Settings (1-30 min, Default 5 min) — laengere Diktate moeglich
• Barge-In: User kann ARIA waehrend Antwort/Tool-Use unterbrechen, alte Aktivitaet wird abgebrochen, Bridge gibt aria-core einen Kontext-Hint dass es eine Korrektur ist
• Push-to-Talk raus, nur noch Tap-to-Talk (verhinderte Touch-Race-Probleme)
• Settings-Sub-Screens: 8 Kategorien (Verbindung, Allgemein, Spracheingabe, Wake-Word, Sprachausgabe, Speicher, Protokoll, Ueber) statt langer Liste
• Textauswahl in Bubbles wieder funktional (nested Text+onPress raus, dataDetectorType="all" macht Links automatisch klickbar)
• Placeholder-Race bei parallelen Sprachnachrichten geloest: jede Aufnahme bekommt eine eindeutige audioRequestId, Bridge gibt sie ans STT-Result zurueck — App matcht jetzt punktgenau die richtige Bubble statt per Substring "Spracheingabe wird verarbeitet"
• Mikro-Offen-Toast "🎤 sprich jetzt" erscheint erst wenn audioService.startRecording wirklich erfolgreich war (statt ~400ms vorher beim Wake-Word-Detect)
• Bereit-Sound (Airplane Ding-Dong) wenn Mikro nach Wake-Word offen — akustische Bestaetigung statt nur Toast. Toggle in Settings → Wake-Word, default aktiv
• Wake-Word parallel zu TTS mit AcousticEchoCanceler: User sagt "Computer" waehrend ARIA spricht → TTS verstummt sofort, neue Aufnahme startet. Native AEC verhindert dass ARIAs eigene Stimme das Wake-Word triggert. Audio-Source ist VOICE_COMMUNICATION + zusaetzlich AEC/NS/AGC-Effekte aktiviert
• GPS-Position mitsenden: Toggle in Settings → Allgemein → Standort, persistiert in AsyncStorage, ChatScreen pollt den Wert. Wenn aktiv wird lat/lon mit jeder chat/audio-Message mitgegeben. Bridge prefixed den Text fuer aria-core mit GPS-Hint (mit Anweisung dass die Position nur bei Bedarf erwaehnt wird, nicht automatisch). Im App-Chat sieht man die Position nicht, nur ARIAs Antwort kann darauf eingehen
• Background Audio Service: TTS laeuft auch bei minimierter App weiter. Foreground-Service mit foregroundServiceType=mediaPlayback haelt den Prozess am Leben, persistente Notification "ARIA spricht — antippen oeffnet die App". Service startet bei TTS-Beginn, stoppt bei Ende oder Cancel/Barge-In/Anruf
• Manueller Mikro-Stop beendet Wake-Word-Konversation: Tap auf Mikro-Knopf waehrend conversing → audio raus + zurueck zu armed (= Wake-Word lauscht wieder, kein Auto-Mikro nach ARIAs Antwort). VAD-Auto-Stop bleibt bei Multi-Turn
• Sprachnachrichten ohne STT-Result werden nach 60s+Aufnahmedauer automatisch entfernt (sicher genug fuer 5-30min-Aufnahmen, schnell genug fuer leere Wake-Word-Echos)
• VAD adaptive Baseline robuster: minimum statt avg + Cap auf -50dB bis -28dB (Stille) / -40dB bis -18dB (Speech) — keine "tote" VAD-Konfiguration mehr bei lauter Umgebung oder Wake-Word-Echo

Offen

Bugs

App Features

• Chat-History zuverlaessiger laden (AsyncStorage Race Condition)
• Custom-Wake-Word-Upload via Diagnostic (eigene .onnx-Files ohne App-Rebuild)
• Pause+Resume bei Anruf: aktuell wird der TTS-Stream bei Klingeln hart gestoppt, schoener waere Pause + Resume nach Auflegen

Architektur

• Bilder: Claude Vision direkt nutzen (aktuell nur Dateipfad an ARIA)
• Auto-Compacting und Memory/Brain Verwaltung (SQLite?)
• Diagnostic: System-Info Tab (Container-Status, Disk, RAM, CPU)
• RVS Zombie-Connections endgueltig loesen
• Alle .env-Variablen ueber Diagnostic konfigurierbar machen (Fallback .env bleibt fuer initialen Bootstrap)
• Gamebox: kleine Web-Oberflaeche fuer Credentials/Server-Config oder zentral aus Diagnostic per RVS push
• Root-Cause OpenClaw Session-Reset: Herausfinden warum Sessions beim ersten chat.send nach Container-Restart verworfen werden