watch_sceen_ai

디스코드에서 음성으로 대화하는 AI. 최종 목표는 화면공유(Go Live)까지 실시간으로 보면서 대화하는 것이지만, 지금은 화면공유(눈)를 잠시 미뤄두고 음성 대화 루프 STT → 두뇌 → TTS부터 완성하는 단계다.

• 실행 위치: 이 리눅스 호스트(.9, RTX 5050 8GB / ffmpeg / node v22 있음)
• 현재 상태: 음성 루프 뼈대 동작 — 파이프라인이 눈 없이(화면공유 없이) 돌아간다 (python -m wsai --voice). STT/TTS/두뇌는 아직 mock이며, 실제 엔진 연결이 다음 목표.
• 보류 중: 화면공유 비디오 수신(눈). 단, STT 입력은 디스코드 보이스로 유저 음성을 수신하므로 보이스 접속 자체는 지금도 쓴다(비디오만 미룸). 이 보이스 접속은 공식 Discord 봇(dave/bot.mjs, discord.js + @discordjs/voice)으로 하며 DAVE/MLS E2EE 합류·수신까지 라이브로 검증됐다(아래 8장). 셀프봇 경로는 폐기(비디오 트랙용만 보존).

---

1. 설계 원칙

1. 지연이 전부다. 음성 대화형이라 "정확하지만 느린" 답은 실패다. 전 구간을 스트리밍으로 잇고, 목표는 사용자가 말 끝낸 뒤 첫 소리까지 1초 이내.
2. 싼 것부터, 필요할 때만 비싸게. 로컬(GPU)에서 처리할 수 있는 건 로컬에서, 정말 필요한 것만 클라우드로 올린다.
3. 부품은 교체 가능해야 한다. 귀/두뇌/입(그리고 나중의 눈)이 전부 wsai/interfaces.py의 Protocol이라, 어느 하나가 바뀌어도 나머지는 그대로 돌아간다. 실제로 눈(source/vision)은 선택 사항이라, 없으면 파이프라인이 음성 루프만 돌린다.

---

2. 전체 구조

두 개의 async 루프가 있고, 지금은 대화 루프만 켜서 쓴다. 인지(눈) 루프는 나중에 붙인다.

[대화 루프]  SpeechToText ──Utterance──▶  Brain(LLM) ──▶ TextToSpeech
             (귀)                          (두뇌)          (입)
                                             ▲
                                             │ (화면 맥락: 지금은 비어 있음)
[인지 루프]  FrameSource ─▶ VisionBackend ─┘   ← 보류 (source/vision = None)
             (눈)

• 대화 루프: 사용자 발화 → 두뇌(대화이력 + 있으면 최신 화면 맥락) → 음성 응답.
• 인지 루프: source/vision이 없으면 통째로 건너뛴다. 눈을 붙이면 최신 화면 맥락을 채워 넣어, 두뇌가 "지금 화면"을 참고할 수 있게 된다.
• 두 루프는 비동기로 독립. 눈이 생겨도 대화 루프는 프레임 하나하나를 기다리지 않고 "가장 최근에 이해된 화면"만 읽는다.

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

---

3. 귀 / 두뇌 / 입 — 지금 만드는 음성 루프

귀 (STT) — 디스코드 보이스 수신

• 로컬 마이크가 아니라 디스코드 보이스에서 유저가 말하는 음성을 수신한다. 공식 봇이 보이스 채널에 접속해(이미 통과한 DAVE/MLS E2EE 경로) 유저의 Opus 오디오를 받는다. @discordjs/voice의 VoiceReceiver가 DAVE 복호까지 처리해 유저별 Opus 스트림을 주고, 이를 Opus 디코드 → PCM으로 만들어 STT에 흘려보낸다.
• faster-whisper로 실시간 부분 전사를 계속 돌리고, VAD로 발화 종료(endpointing)를 잡는다. 종료 판정 시점엔 전사가 사실상 끝나 있어, 판정 후 남는 건 VAD hangover + 짧은 마지막 디코드뿐이다. 목표 종료→텍스트 확정 ~150ms.
• 디스코드 수신 특성상 지속 스트림 + 지터버퍼(수십 ms)가 붙는다 — 아래 지연 예산에 반영.

두뇌 (Brain)

• Claude(OAuth, Haiku 계열)로 대화 응답 생성. 저비용·빠른 모델을 기본으로 한다.
• 입력은 "대화이력 + (있으면) 최신 화면 맥락 1건"만 넣어 토큰을 작게 유지한다.
• 눈이 없는 지금은 화면 맥락이 비어 있고, 두뇌는 그 사실을 솔직히 말한다.

입 (TTS) — 한국어 고정, 사람처럼

• 한국어 전용으로, 최대한 자연스러운(사람 같은) 음성을 목표로 한다.
• 지연을 줄이려고 첫 문장 전체를 기다리지 않고 첫 짧은 구절부터 청크 스트리밍으로 재생한다 (나머지는 재생되는 동안 이어서 합성). 목표 첫 소리 ~170ms.
• 인터럽트: 사용자가 말하기 시작하면 재생 중인 TTS를 즉시 멈춘다(barge-in).
• 트레이드오프: 가장 사람 같은 합성(예: XTTS 계열)은 느려서 1초 예산과 충돌한다. 그래서 빠른 한국어 엔진(MeloTTS, 이 호스트에 자산 있음)으로 첫 문장 지연부터 확보하고, 자연스러움이 부족하면 GPU + 문장 스트리밍으로 더 무거운 엔진을 검토한다(품질 vs 지연).

지연 예산 (목표 ≤ 1초)

유저가 디스코드 보이스에서 말을 멈춘 순간 → 첫 소리까지:

구간	목표
디스코드 보이스 수신 + Opus 디코드(지속 스트림·지터버퍼)	~80 ms
STT 종료 판정(VAD) + 마지막 청크 전사	~150 ms
Brain 첫 토큰(Claude Haiku 스트리밍)	~350 ms
TTS 첫 문장 합성·재생 시작(한국어)	~170 ms
여유	~100 ms
합계	~0.85 s

• Brain(머리)은 네트워크 TTFT라 우리가 못 줄인다 → 350ms로 고정. 대신 우리 GPU에서 도는 STT·TTS를 깎아 여유를 벌었다. 두 구간을 어떻게 줄이는지는 아래.
  • STT ~150ms: 발화 중 부분전사를 계속 돌려 종료 판정 시점엔 전사가 사실상 끝나 있게 한다. 남는 건 VAD hangover(~120ms) + 마지막 짧은 디코드(~30ms)뿐.
  • TTS ~170ms: 첫 문장 전체가 아니라 첫 짧은 구절만 먼저 합성해 청크 스트리밍으로 바로 재생을 시작한다(나머지는 재생되는 동안 이어서 합성).
• Brain·TTS는 스트리밍이라, 응답 전체 완성이 아니라 "첫 소리"만 준비되면 재생된다.
• 나중에 눈(화면 이해)을 붙여도, 화면 이해는 별도 인지 루프에서 미리 끝나 있어 응답 시점에 비전 지연이 끼어들지 않는다.

---

4. 눈 — 화면공유 수신 (보류, 나중에)

최종 목표엔 화면공유가 들어가지만, 지금은 의도적으로 미뤄둔 부분이다. 아래는 나중에 다시 붙일 때를 위한 기록이다. 두 트랙을 병행할 계획이었다.

트랙 A (주력) — 화면공유 스트림 직접 수신

스크린샷·브라우저 캡처가 아니라, 실제 화면공유 스트림 자체를 클라이언트처럼 수신한다. 공식 봇 API는 비디오 수신을 막으므로 유저 토큰(셀프봇) 으로 프로토콜 레벨에서 비디오 RTP를 받는다(전용 버너 계정만 사용). 파이프: join → Go Live "watch" 구독 → 암호화 RTP 수신 → DAVE(MLS E2EE) 복호 → 전송암호 복호 → VP8/H264 depayload → ffmpeg 디코드 → 프레임. DAVE는 @snazzah/davey(Rust NAPI), 수신은 discord.js-selfbot 계열.

솔직한 리스크: 완성형 라이브러리가 없어 직접 조립해야 하고, 셀프봇은 ToS 회색지대라 계정 밴 위험이 있다(→ 버너 전용). 그래서 음성 루프를 먼저 세우는 지금 순서가 안전하다.

트랙 B (폴백/개발용) — 로컬 렌더 화면 캡처

디스코드 클라이언트가 화면공유를 보고 있는 화면을 로컬에서 캡처한다. 트랙 A가 막힐 때의 안전판이자 개발용 실용 소스. poc/의 Xvfb 실험과 wsai/backends/capture_mss.py가 여기 해당.

두 트랙 모두 결과물은 동일한 Frame 스트림이라, 눈을 붙일 때 나머지는 손대지 않는다.

---

5. 실행

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

.venv/bin/python -m wsai --voice    # 눈 없는 음성 루프 데모 (STT→두뇌→TTS, 지금 초점)
.venv/bin/python -m wsai --dashboard # 상태 사이트 + 짧은 mock 샘플 후 대기(무한 생성 안 함)
.venv/bin/python -m wsai            # mock 데모 (눈 포함 전체 흐름, 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

• WSAI_SOURCE=none WSAI_VISION=none 으로도 눈 없이(음성 루프만) 조립할 수 있다.
• --dashboard는 기본으로 mock 발화 3개만 만든 뒤 대기한다. UI 시연용으로 계속 만들고 싶을 때만 --dashboard-loop-demo를 추가한다.
• 백엔드별 추가 설치는 requirements.txt 주석 참고(faster-whisper, mss/pillow, anthropic 등).

---

6. 파일 / 디렉터리

경로	역할
wsai/interfaces.py	데이터 타입 + 컴포넌트 Protocol
wsai/pipeline.py	오케스트레이터(대화 루프 + 선택적 인지 루프)
wsai/state.py	최신 화면 맥락 공유 저장소(눈이 생기면 사용)
wsai/config.py / factory.py	설정 → 백엔드 조립. voice() = 눈 없는 음성 프리셋
wsai/backends/mock.py	무의존성 mock 전 계열
wsai/backends/capture_mss.py	로컬 화면 캡처(트랙 B, 보류)
wsai/backends/claude.py	Claude 비전 + 두뇌
dave/bot.mjs	공식 봇 보이스 접속 + 유저별 Opus 수신(DAVE E2EE, 현재 경로)
dave/gate.mjs, dave/join.mjs	레거시 셀프봇 경로(폐기, 비디오 트랙 재개 시 참고용)
poc/	Xvfb+Chromium 캡처 실험(트랙 B 참고)
PLAN.md	단계별 착수 계획
tests/test_pipeline.py	파이프라인 스모크 테스트

---

7. 구현 순서 (검증 가능한 체크포인트)

음성 루프 먼저, 눈은 나중에.

• 파이프라인 스켈레톤 — mock 모드로 전 흐름 동작.
• 눈 없는 음성 루프. source/vision 없이 STT→Brain→TTS만 돌아간다(--voice). · 검증: python -m wsai --voice가 화면 없이 발화마다 응답을 낸다(테스트 포함).
• V1 · 진짜 TTS(입). MeloTTS로 두뇌 응답을 실제 음성으로 합성. · 검증: 응답 텍스트가 .wav로 합성돼 들린다.
• V2 · 진짜 STT(귀) — 엔진 완성. faster-whisper(상주 워커, WSAI_STT=whisper)로 wav를 한국어 텍스트로 전사. · 검증: 실제 왕복(MeloTTS wav → whisper)에서 문장이 거의 그대로 복원됨. warm 전사 ~1.2s(CPU, small/int8). · 남은 것: 디스코드 보이스 수신 오디오(audio_source)를 붙여 실시간 발화 스트림으로 연결(V4).
• V3 · 진짜 두뇌. Claude OAuth(Haiku)로 대화 응답 생성. · 검증: 실제 발화에 자연스러운 답이 나온다.
• V4 · 음성 왕복 + barge-in. 디스코드 보이스 수신→STT→Brain→TTS 스트리밍, 말 끊기, 지연 측정. · 검증: 디스코드에서 말로 묻고 말로 답을 듣는다, 첫 소리까지 1초 이내.
• (나중) 눈 재개. 트랙 A/B로 화면공유 수신 → 화면 맥락을 두뇌에 연결.

---

8. 확정된 결정 (2026-08-11) + 배포 목표

• GPU 사용 — OK. RTX 5050(.9)으로 STT/TTS를 돌린다. .9 로컬 도커는 NVIDIA CDI로 GPU 사용 가능.
• 파이썬 버전 — STT/TTS는 3.11(faster-whisper·TTS 자산 호환), 오케스트레이터는 기존 코드 유지.
• TTS 엔진 — 최대한 사람 같은 음성으로 하되, 전체 지연 1초 초과 금지가 상한. 후보(XTTS 등)의 첫 소리 지연을 GPU에서 실측해, 1초 예산에 맞는 가장 자연스러운 엔진을 채택한다(측정 기반 선택).
• 두뇌 — Claude OAuth, 이 호스트에 연결된 것과 동일 크리덴셜 공유 (/home/claude/EJClaw/data/claude/.credentials.json). API키 아님.
• STT 입력 경로 — 디스코드 보이스 수신(공식 봇). 유저 음성 Opus를 DAVE 복호·디코드해 STT로.

공식 봇 전환 (2026-08-16)

• 보이스 접속을 셀프봇(유저 토큰)에서 공식 Discord 봇으로 마이그레이션. dave/bot.mjs (discord.js 14 + @discordjs/voice 0.19)가 봇 토큰으로 로그인 → 대상 채널 join → DAVE/MLS E2EE Ready → VoiceReceiver로 유저별 Opus 수신 → PCM 디코드까지 라이브 검증됨.
• 봇은 이미 대상 서버(사지방)에 초대돼 있어 추가 초대 조치 불필요. 미초대 시 node dave/bot.mjs --invite로 초대 URL을 출력한다.
• 셀프봇이 필요한 건 공식 봇이 막힌 화면공유 비디오 수신뿐이며, 그건 보류 상태다.

배포/테스트 목표

• 대상: 디스코드 서버 1352269198297923648의 보이스 채널 1352269198914621465.
• 봇 토큰: .env의 DISCORD_BOT_TOKEN(테스트봇, app id 1538122882528321536). ToS-safe.
• .9 로컬 GPU 도커 이미지로 올려, 그 채널에 접속한 뒤 사람이 말하면 대화하도록 한다.
• 첫 로딩 워밍업: 시작 시 모델 프리로드 + 더미 추론(CUDA 워밍) + 보이스 미리 접속 → 첫 대화도 지연 최소.

구현 마일스톤

• M1 ✅ 공식 봇이 대상 보이스 채널에 상주 접속(DAVE 통과) + 발화자 감지 — dave/bot.mjs로 라이브 검증
• M2 유저 음성 Opus 수신 → DAVE 복호 → PCM — @discordjs/voice VoiceReceiver가 대부분 처리(라이브 발화자로 최종 검증만 남음)
• M3 faster-whisper STT(부분전사+VAD) → M4 Claude OAuth(Haiku) 두뇌
• M5 한국어 TTS 첫 구절 청크를 보이스로 송신(DAVE 암호화) + barge-in
• M6 통합 + 워밍업 + .9 GPU 도커 이미지화, 채널 라이브 테스트