144 lines
3.5 KiB
Markdown
144 lines
3.5 KiB
Markdown
# realtime_voice_bot
|
|
|
|
디스코드 음성 채널 또는 로컬 PC 마이크에서 한국어 음성을 인식하고, 완전 로컬 스택으로 답변을 생성한 뒤 다시 음성으로 읽어주는 최소 프로토타입입니다.
|
|
|
|
## 현재 스택
|
|
|
|
- STT: `faster-whisper` + Whisper multilingual
|
|
- LLM: `Ollama` + `qwen3:0.6b`
|
|
- TTS: `MeloTTS` Korean
|
|
- VAD: `avr-vad`
|
|
|
|
외부 유료 API나 무료 한도형 API는 쓰지 않습니다.
|
|
|
|
## 현재 구현 범위
|
|
|
|
- Discord slash command 기반 제어: `/join`, `/leave`, `/status`, `/reset`, `/say`
|
|
- 로컬 테스트 모드: PC 마이크로 직접 말하고 바로 응답 확인
|
|
- `@discordjs/voice` 기반 음성 채널 입장 및 유저별 오디오 수신
|
|
- 48k stereo PCM을 16k mono로 내려서 유저별 VAD 처리
|
|
- 화자 발화 시작 시 현재 재생과 대기열 즉시 중단
|
|
- Python 로컬 워커를 한 번 띄워 STT/TTS 모델을 메모리에 유지
|
|
|
|
## 필수 준비물
|
|
|
|
- Bun `1.3+`
|
|
- Node.js `22.12+`
|
|
- Python `3.11+`
|
|
- `ffmpeg`
|
|
- Ollama
|
|
|
|
Discord 모드까지 쓸 거면 추가로:
|
|
|
|
- Discord bot token
|
|
- Discord application id
|
|
|
|
## 빠른 시작
|
|
|
|
```bash
|
|
bun install
|
|
ollama pull qwen3:0.6b
|
|
bun run setup:local-ai
|
|
```
|
|
|
|
그다음 로컬 장치 확인:
|
|
|
|
```bash
|
|
bun run devices
|
|
```
|
|
|
|
실행:
|
|
|
|
```bash
|
|
bun run start:local
|
|
```
|
|
|
|
Discord 모드:
|
|
|
|
```bash
|
|
bun run start:discord
|
|
```
|
|
|
|
## 환경 변수
|
|
|
|
`.env.example`를 복사해서 `.env`를 채우면 됩니다.
|
|
|
|
Discord 모드에서만 필수:
|
|
|
|
- `DISCORD_BOT_TOKEN`
|
|
- `DISCORD_APPLICATION_ID`
|
|
|
|
기본값이 이미 들어있는 로컬 AI 설정:
|
|
|
|
- `OLLAMA_BASE_URL`
|
|
- `OLLAMA_MODEL`
|
|
- `OLLAMA_KEEP_ALIVE`
|
|
- `OLLAMA_NUM_CTX`
|
|
- `LOCAL_AI_VENV_PATH`
|
|
- `LOCAL_AI_CACHE_DIR`
|
|
- `LOCAL_STT_MODEL`
|
|
- `LOCAL_STT_DEVICE`
|
|
- `LOCAL_STT_COMPUTE_TYPE`
|
|
- `LOCAL_STT_BEAM_SIZE`
|
|
- `LOCAL_TTS_LANGUAGE`
|
|
- `LOCAL_TTS_SPEAKER`
|
|
- `LOCAL_TTS_DEVICE`
|
|
- `LOCAL_TTS_SPEED`
|
|
|
|
선택:
|
|
|
|
- `DISCORD_COMMAND_GUILD_ID`
|
|
- 테스트 서버에만 slash command를 즉시 반영하려면 설정
|
|
- `LOCAL_AI_PYTHON`
|
|
- Python 경로 자동 탐지가 안 되면 설정
|
|
- 예시: `python`
|
|
- Windows 예시: `py -3`
|
|
- `LOCAL_AUDIO_SOURCE`
|
|
- 로컬 입력 장치
|
|
- Linux는 `pw-record --target`, Windows는 `ffmpeg dshow` 장치 이름
|
|
- `LOCAL_AUDIO_SINK`
|
|
- Linux 로컬 출력 장치
|
|
- Windows는 현재 시스템 기본 출력 장치 사용
|
|
- `LOCAL_SPEAKER_NAME`
|
|
- 로컬 테스트에서 프롬프트에 넣을 화자 이름
|
|
- `BOT_DEFAULT_LANGUAGE`
|
|
- 기본값 `ko`
|
|
- `DEBUG_TEXT_EVENTS`
|
|
- `true`면 transcript/reply를 콘솔에 같이 출력
|
|
|
|
## 속도 우선 기본값
|
|
|
|
- STT 기본 모델은 `tiny`
|
|
- LLM 기본 모델은 `qwen3:0.6b`
|
|
- TTS 기본 속도는 `1.12`
|
|
|
|
정확도가 아쉬우면:
|
|
|
|
```env
|
|
LOCAL_STT_MODEL=small
|
|
OLLAMA_MODEL=qwen3:1.7b
|
|
```
|
|
|
|
## 로컬 테스트 순서
|
|
|
|
1. `bun install`
|
|
2. `ollama pull qwen3:0.6b`
|
|
3. `bun run setup:local-ai`
|
|
4. `bun run devices`
|
|
5. 필요하면 `.env` 에 `LOCAL_AUDIO_SOURCE` 설정
|
|
6. `bun run start:local`
|
|
|
|
## Windows 메모
|
|
|
|
- `bun run devices` 와 Windows 로컬 녹음은 `ffmpeg`가 필요합니다.
|
|
- 출력 장치 직접 선택은 아직 미구현이라 시스템 기본 출력 장치로 재생됩니다.
|
|
- Python 탐지가 안 되면 `.env` 에 `LOCAL_AI_PYTHON=py -3` 또는 `LOCAL_AI_PYTHON=python` 을 넣으면 됩니다.
|
|
|
|
## 설계 메모
|
|
|
|
- 입력은 유저별 병렬 처리
|
|
- 출력은 길드 세션당 단일 큐
|
|
- 로컬 모드는 단일 화자 입력 기준
|
|
- 화자 구분은 `speaker_id`, `speaker_name`을 LLM 프롬프트에 항상 포함
|
|
- 모델 다운로드 캐시는 기본적으로 `.local-ai/cache` 아래에 저장
|