Pipeline Vocal Streaming (< 1 000 ms)
La réactivité d'un assistant vocal est le critère numéro un pour une expérience utilisateur naturelle. Les assistants vocaux cloud classiques accusent souvent une latence de 2 à 4 secondes.
SovereignDot résout ce goulot d'étranglement grâce à un pipeline asynchrone ultra-optimisé garantissant un temps de réponse voix-à-voix inférieur à 1 000 millisecondes.
⚡ Chronométrie et Budget de Latence
| Étape du Pipeline | Moteur / Technologie | Latence Typique |
|---|---|---|
| Détection Fin de Parole | Silero VAD (Voice Activity Detector) | 80 ms |
| Transcription Audio $\to$ Texte | Faster-Whisper (CPU int8, beam 1) | 120 ms |
| Biométrie Vocale & RBAC | F0 / Mel Spectrogram Engine | < 5 ms |
| Routage d'Intention Directe | Intent Registry (Heure, Date, etc.) | < 1 ms |
| Génération LLM (1ère phrase) | Token-to-Sentence Streaming Buffer | 250 ms |
| Synthèse Vocale (1ère phrase) | Dual-Engine TTS (Edge-TTS ou Cache) | 220 ms |
| Filtrage DSP Matériel | Echo Dot Acoustic Resampler 48kHz | 20 ms |
| Total Voix à Voix | Pipeline Streaming Complet | < 700 ms |
🌊 Le Pattern « Token-to-Sentence Buffer »
Au lieu d'attendre que le modèle de langage distant (OpenRouter / Gemini) ait terminé de générer l'intégralité de sa réponse textuelle (ce qui prendrait 1,5 à 3 secondes), SovereignDot implémente un générateur de flux réactif :
sequenceDiagram
participant User as Utilisateur
participant Server as Sovereign Server
participant LLM as OpenRouter / Gemini
participant TTS as Dual-Engine TTS
participant Echo as Echo Dot 2G
User->>Echo: "Régis, quelle est la capitale de l'Islande ?"
Echo->>Server: Flux PCM 16kHz via TCP
Server->>Server: Silero VAD + Whisper STT (200ms)
Server->>LLM: Stream Completions API
LLM-->>Server: Token: "La", "capitale", "est", "Reykjavík", "."
Note over Server: Détection de fin de phrase ponctuation [. ! ?]
Server->>TTS: Synthèse de la 1ère phrase (immédiate)
TTS-->>Echo: Lecture WAV 48kHz (700ms depuis la fin de parole !)
LLM-->>Server: Token: "Elle", "compte", "environ", "130 000", "habitants", "."
Server->>TTS: Synthèse de la 2ème phrase en tâche de fond
TTS-->>Echo: Enchaînement fluide sans interruption
🔊 Traitement Acoustique Matériel Echo Dot 2G
Le haut-parleur intégré de 35 mm de l'Amazon Echo Dot 2G est conçu pour fonctionner avec un amplificateur Class-D compact. Si on lui injecte un signal audio brut non filtré : 1. Les sous-basses (< 200 Hz) font talonner la membrane du transducteur, provoquant d'importants bruits de claquement et de distorsion harmonique (THD > 10%). 2. Les crêtes au-delà de 0 dBFS saturent l'étage de sortie.
Dans core_server/tts/audio_filter.py, SovereignDot applique un traitement DSP matériel sur chaque paquet audio :
- Suréchantillonnage polyphase vers le taux d'échantillonnage matériel natif du DAC (48 000 Hz).
- Filtre passe-haut Butterworth du 2nd ordre à 220 Hz pour couper les fréquences nocives pour la membrane.
- Limiteur de crête souple (Soft Limiter) calé à 0.65 (-3.7 dBFS) pour maintenir l'amplificateur dans sa plage linéaire ultra-propre.
- Encodage PCM 16-bit stéréo prêt pour la restitution matérielle.