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)
- 지연이 전부다. 음성 대화형이라 "정확하지만 느린" 답은 실패다. 전 구간을 스트리밍으로 잇고, 목표는 사용자가 말 끝낸 뒤 첫 소리까지 ~1.5초 이내.
- 싼 것부터, 필요할 때만 비싸게. 매 프레임을 클라우드로 보내면 비용·지연이 폭발한다. 로컬에서 화면 변화 감지 + 1차 이해를 하고, 정말 어려운 프레임만 클라우드로 올린다.
- 부품은 교체 가능해야 한다. 눈/귀/두뇌/입이 전부
wsai/interfaces.py의 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.py에 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 병행한다.
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-selfbot계열(werift-rtp), DAVE는@snazzah/davey(Rust NAPI). - 이 트랙은 Node로 프레임까지 뽑아 로컬 소켓/파이프로 파이썬 파이프라인에 넘긴다
(
FrameSource구현 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.py가 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 감지로 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-whisper스트리밍/부분 전사. 마이크는sounddevice. - 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).
.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)
- 파이프라인 스켈레톤 — mock 모드로 전 흐름 동작.
- 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).