watch_sceen_ai/README.md

# watch_sceen_ai

디스코드 화면공유를 **AI가 실시간으로 보면서, 사용자와 음성으로 대화하는** 봇.

사용자가 디스코드에서 화면공유(Go Live)를 켜면 AI가 그 화면을 실시간으로 이해하고,
사용자가 음성으로 물으면 최대한 빠르게 답한다. 화면이 크게 바뀌면 먼저 말을 걸 수도 있다(proactive).

- 실행 위치: 이 리눅스 호스트(.9, RTX 5050 8GB / ffmpeg / node v22 있음)
- 현재 상태: 1단계(눈: 화면공유 수신) 진행 중 — E2EE 합류 관문 통과, 실제 프레임 추출 PoC가 다음 목표

---

## 1. 설계 원칙 (이 프로젝트를 관통하는 3가지)

1. **지연이 전부다.** 음성 대화형이라 "정확하지만 느린" 답은 실패다. 전 구간을
   스트리밍으로 잇고, 목표는 사용자가 말 끝낸 뒤 **첫 소리까지 ~1.5초 이내**.
2. **싼 것부터, 필요할 때만 비싸게.** 매 프레임을 클라우드로 보내면 비용·지연이 폭발한다.
   로컬에서 화면 변화 감지 + 1차 이해를 하고, 정말 어려운 프레임만 클라우드로 올린다.
3. **부품은 교체 가능해야 한다.** 눈/귀/두뇌/입이 전부 `wsai/interfaces.py`의 Protocol이라,
   어느 하나(예: 화면 수신 방식)가 막히거나 바뀌어도 나머지는 그대로 돌아간다.

---

## 2. 전체 구조

두 개의 async 루프가 동시에 돈다. 둘을 잇는 건 "지금 화면이 뭔지" 하나를 담는 공유 상태다.

```
[인지 루프]  FrameSource ──Frame──▶ 변화감지 ──▶ VisionBackend ──ScreenObservation──▶┐
                                                                                     ▼
                                                                        [SharedScreenContext]
                                                                                     │ (최신 1건)
[대화 루프]  SpeechToText ──Utterance──▶            Brain(LLM) ◀───────────────────┘
             / TextChannel                            │  (+대화이력)
                                                       ▼
                                             TextToSpeech / TextChannel
```

- 인지 루프: 프레임 수신 → (이전과 유사하면 버림) → 비전 이해 → 최신 화면 맥락 갱신.
- 대화 루프: 사용자 발화 → 두뇌(최신 화면 맥락 + 대화이력) → 음성/텍스트 응답.
- 두 루프는 비동기로 독립. 대화 루프는 항상 "가장 최근에 이해된 화면"을 읽을 뿐,
  프레임 하나하나를 기다리지 않는다.

데이터 타입/인터페이스는 `wsai/interfaces.py`에 이미 정의돼 있다:
`Frame`, `ScreenObservation`, `Utterance`, `Reply` /
`FrameSource`, `VisionBackend`, `SpeechToText`, `TextToSpeech`, `Brain`, `TextChannel`.

---

## 3. 눈 — 화면공유를 어떻게 받아오나

이게 이 프로젝트의 가장 어려운 부분이다. 두 트랙을 **병행**한다.

### 트랙 A (주력) — 화면공유 스트림 직접 수신
스크린샷·브라우저 캡처가 아니라, 실제 화면공유 스트림 자체를 클라이언트처럼 수신한다.

- 공식 디스코드 봇 API는 비디오 수신을 지원하지 않으므로, **유저 토큰(셀프봇)** 으로
  프로토콜 레벨에서 비디오 RTP를 받는다. 전용 버너 계정만 사용한다.
- 파이프: 셀프봇 음성채널 join → 상대 Go Live 스트림 "watch" 구독(비디오 SSRC 획득)
  → 암호화 비디오 RTP 수신 → **DAVE(MLS E2EE) 복호** → 전송암호(aead_aes256_gcm_rtpsize) 복호
  → VP8/H264 depayload → ffmpeg 디코드 → 프레임.
- 라이브러리: `discord.js-selfbot` 계열(werift-rtp), DAVE는 `@snazzah/davey`(Rust NAPI).
- 이 트랙은 Node로 프레임까지 뽑아 로컬 소켓/파이프로 파이썬 파이프라인에 넘긴다
  (`FrameSource` 구현 하나로 감싼다).

솔직한 리스크: (1) 완성형 "수신→프레임" 라이브러리가 없어 직접 조립해야 한다.
(2) 셀프봇은 디스코드 ToS 회색지대라 계정 밴 위험이 있다(→ 버너 전용).
(3) 셀프봇/프로토콜이 바뀌면 깨질 수 있다.

### 트랙 B (폴백/개발용) — 로컬 렌더 화면 캡처
디스코드 클라이언트가 화면공유를 "보고 있는" 상태의 화면을 로컬에서 캡처한다.
트랙 A가 막히거나 불안정할 때의 안전판이자, 위쪽(비전/대화) 개발을 트랙 A 완성 전에
진행하기 위한 실용 소스다. `poc/`의 Xvfb 실험과 `wsai/backends/capture_mss.py`가 여기 해당.

두 트랙 모두 결과물은 동일한 `Frame` 스트림이라, 눈을 바꿔도 나머지는 그대로다.

---

## 4. 두뇌 — 하이브리드 비전 + LLM

- 로컬 소형 VLM(예: moondream2 / Qwen2-VL-2B)이 RTX 5050에서 매 프레임 1차 이해.
- **변화 감지**로 이전과 거의 같은 화면은 새로 설명하지 않는다(지연·비용 절감).
- 화면이 크게 바뀌었거나, 로컬 VLM 신뢰도가 낮거나, 사용자가 화면에 대해 구체적으로
  물으면 → Claude(OAuth, Haiku 계열)로 에스컬레이션.
- 대화 응답 생성(Brain)은 Claude가 담당하되, 항상 "최신 화면 맥락 1건 + 대화이력"만 넣어
  토큰을 작게 유지한다.

---

## 5. 귀 / 입 — 음성

- 귀(STT): `faster-whisper` 스트리밍/부분 전사. 마이크는 `sounddevice`.
- 입(TTS): MeloTTS 등(이 호스트에 기존 자산 있음). 문장 단위로 스트리밍 재생.
- 인터럽트: 사용자가 말하기 시작하면 재생 중인 TTS를 즉시 멈춘다(barge-in).

### 지연 예산(목표)
사용자 발화 종료 → 첫 소리까지:

| 구간 | 목표 |
|------|------|
| STT 종료 판정(endpointing) | ~200 ms |
| Brain 첫 토큰(화면 맥락은 이미 준비됨) | ~500 ms |
| TTS 첫 문장 합성·재생 시작 | ~400 ms |
| 여유 | ~400 ms |
| **합계** | **~1.5 s** |

화면 이해는 대화 요청과 분리된 인지 루프에서 미리 끝나 있으므로, 응답 시점에
비전 지연이 끼어들지 않는 게 핵심이다.

---

## 6. 실행

이 호스트에는 `python` 별칭이 없으므로 워크스페이스 venv를 쓴다(`.venv/bin/python`).

```bash
.venv/bin/python -m wsai            # mock 데모 (의존성·키 불필요, 몇 프레임 돌고 종료)
.venv/bin/python -m wsai --env      # WSAI_* 환경변수로 백엔드 조립
.venv/bin/python -m pip install pytest && .venv/bin/python -m pytest -q   # 스모크 테스트
```

백엔드별 추가 설치는 `requirements.txt` 주석 참고(mss/pillow, anthropic, faster-whisper 등).

---

## 7. 파일 / 디렉터리

| 경로 | 역할 |
|------|------|
| `wsai/interfaces.py` | 데이터 타입 + 컴포넌트 Protocol |
| `wsai/pipeline.py` | 오케스트레이터(인지/대화 루프) |
| `wsai/state.py` | 최신 화면 맥락 공유 저장소 |
| `wsai/config.py` / `factory.py` | 설정 → 백엔드 조립 |
| `wsai/backends/mock.py` | 무의존성 mock 전 계열 |
| `wsai/backends/capture_mss.py` | 로컬 화면 캡처(트랙 B) |
| `wsai/backends/claude.py` | Claude 비전 + 두뇌 |
| `dave/gate.mjs` | DAVE/MLS E2EE 합류 관문 검증(통과 증거) |
| `poc/` | Xvfb+Chromium 캡처 실험(트랙 B 참고) |
| `PLAN.md` | 단계별 착수 계획(확정본) |
| `tests/test_pipeline.py` | 파이프라인 스모크 테스트 |

---

## 8. 구현 순서 (검증 가능한 체크포인트)

- [x] 파이프라인 스켈레톤 — mock 모드로 전 흐름 동작.
- [x] E2EE 합류 관문 — 셀프봇이 DAVE/MLS 보이스 그룹에 정식 멤버로 합류 확인(`dave/gate.mjs`).
- [ ] **M1 · 진짜 프레임 뽑기(눈).** 트랙 A로 Go Live 스트림 구독 → 비디오 RTP 수신 → 복호 →
      ffmpeg 디코드 → 실제 공유화면 1프레임을 PNG로 저장.
      · 검증: 실제로 공유 중인 화면이 이미지로 저장된다. (Go Live 켠 테스트 통화 필요)
- [ ] **M2 · 변화 감지 + 로컬 VLM.** 프레임 스트림에서 유사 프레임 버리고, 로컬 VLM이 설명 생성.
      · 검증: 화면을 바꾸면 새 설명이 나오고, 가만히 두면 새 호출이 안 나간다.
- [ ] **M3 · 화면 Q&A(텍스트).** 텍스트 입력으로 "지금 화면 뭐야?"에 최신 맥락 기반 답변.
      · 검증: 실제 화면 내용을 반영한 답이 나온다.
- [ ] **M4 · 음성 왕복.** STT→Brain→TTS 스트리밍 + barge-in. 지연 예산 측정.
      · 검증: 말로 묻고 말로 답을 듣는다, 첫 소리까지 ~1.5s 근처.
- [ ] **M5 · 통합·운영.** 두 루프 동시 실행, proactive, 끊김 복구, 비용 모니터링, 서비스화.

---

## 9. 결정이 필요한 것 (사용자 확인 대기)

- M1을 트랙 A로 바로 갈지, 트랙 B(로컬 캡처)로 위층(M2~M4)을 먼저 완성한 뒤 눈만 교체할지.
  (트랙 B 선행이 리스크가 낮고 개발이 빠름 — 눈이 막혀도 나머지가 진행됨)
- 로컬 VLM 모델 선택(moondream2 vs Qwen2-VL-2B) — VRAM 8GB 내에서 STT/TTS와 공존 가능한지.
- Claude 예산·모델(Haiku 고정 vs 난이도별 상향).