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 셀프봇의 보이스 접속 자체는 지금도 쓴다(비디오만 미룸). E2EE 합류 관문은 이미 통과해 두었다(아래 8장).
1. 설계 원칙
- 지연이 전부다. 음성 대화형이라 "정확하지만 느린" 답은 실패다. 전 구간을 스트리밍으로 잇고, 목표는 사용자가 말 끝낸 뒤 첫 소리까지 1초 이내.
- 싼 것부터, 필요할 때만 비싸게. 로컬(GPU)에서 처리할 수 있는 건 로컬에서, 정말 필요한 것만 클라우드로 올린다.
- 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. 셀프봇이 보이스 채널에 접속해(이미 통과한 DAVE/MLS E2EE 경로) 유저의 Opus 오디오 RTP를 받고, 복호 → Opus 디코드 → PCM으로 만들어 STT에 흘려보낸다.
faster-whisper로 실시간 부분 전사를 계속 돌리고, VAD로 발화 종료(endpointing)를 잡는다. 종료 판정 시점엔 전사가 거의 끝나 있게 해, 판정 후 추가 지연을 최소화한다.- 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. 문장 단위 스트리밍 재생.
- 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 | ~250 ms |
| Brain 첫 토큰(Claude Haiku 스트리밍) | ~350 ms |
| TTS 첫 문장 합성·재생 시작(한국어) | ~250 ms |
| 여유 | ~70 ms |
| 합계 | ~1.0 s |
- Brain·TTS는 문장 단위 스트리밍이라, 응답 전체 완성이 아니라 "첫 문장"만 준비되면 소리가 난다.
- 가장 빡빡한 구간은 **Brain 첫 토큰(네트워크 TTFT)**이다. Haiku로도 300ms대가 목표라, 안 되면 로컬 소형 LLM 선응답이나 프롬프트 워밍 등을 검토한다.
- 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 # 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=none으로도 눈 없이(음성 루프만) 조립할 수 있다.- 백엔드별 추가 설치는
requirements.txt주석 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/gate.mjs |
DAVE/MLS E2EE 합류 관문 검증(통과 증거, 눈 재개 시 재사용) |
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/vision없이 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). faster-whisper로 오디오를 텍스트로 전사. · 검증: 오디오 파일 입력이 텍스트로 나온다(이후 디스코드 보이스 수신 오디오로 연결).
- 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. 결정이 필요한 것 (사용자 확인 대기)
실제 STT/TTS 엔진을 붙이기 전에 정해야 할 것들:
- GPU 사용 동의 — RTX 5050으로 STT/TTS를 돌리면 빠르다(규칙상 GPU는 먼저 확인 필요).
- 파이썬 버전 — 이 venv는 3.14인데 faster-whisper·MeloTTS는 3.11대가 안전하다. 호스트에 이미 MeloTTS용 3.11 자산이 있어, 별도 3.11 venv + subprocess 연결을 제안.
- 엔진 선택 — STT는 faster-whisper, TTS는 한국어 고정. 자연스러움 최우선이면 무거운 엔진(XTTS 계열)이 필요하지만 1초 예산과 상충 → 우선 빠른 MeloTTS로 시작할지, 처음부터 더 사람 같은 엔진을 GPU로 감수할지 결정 필요.
- 두뇌 — Claude OAuth(Haiku 계열)로 연결(지금 코드는 API키 기반이라 OAuth 전환 필요).
- STT 입력 경로 — 디스코드 보이스 수신(셀프봇)으로 확정. 유저 음성 Opus RTP를 받아 복호·디코드해 STT에 넣는다(로컬 마이크 아님).