feat(voice): upgrade Maya voice hub with audio file support, mind structuring, and deep female TTS

handlers/voice.py

@@ -1,4 +1,5 @@
 import os
+import re
 import logging
 import asyncio
 import sqlite3
@@ -63,10 +64,24 @@ def log_voice_to_db(user_id, username, msg_type, duration, text):
         logger.error(f"❌ DB Log error: {e}")
 
 async def text_to_speech_bytes(text: str) -> bytes:
-    """Синтез качественного голосового ответа на русском через Edge TTS"""
+    """Синтез качественного женского голосового ответа на русском через Edge TTS с глубоким тембром"""
-    # Обрезаем длинный текст для аудио-резюме
+    # Если в тексте есть тег <voice>...</voice>, озвучиваем именно его
-    short_text = text[:400] if len(text) > 400 else text
+    match = re.search(r"<voice>(.*?)</voice>", text, re.DOTALL | re.IGNORECASE)
-    communicate = edge_tts.Communicate(short_text, "ru-RU-DmitryNeural")
+    if match:
+        speech_text = match.group(1).strip()
+    else:
+        # Иначе берем выжимку до 350 символов
+        speech_text = text[:350] if len(text) > 350 else text
+
+    # Очищаем от Markdown и спецсимволов для чистоты звучания
+    for ch in ["*", "#", "_", "`", "~", ">", "•", "🎯", "⚙️", "📋", "💡", "🗄️", "🚨", "⚠️", "✅", "❌"]:
+        speech_text = speech_text.replace(ch, "")
+    speech_text = re.sub(r"\[.*?\]\(.*?\)", "", speech_text).strip()
+
+    if not speech_text:
+        speech_text = "Приняла, Александр. Всё структурировано и зафиксировано."
+
+    communicate = edge_tts.Communicate(speech_text, "ru-RU-SvetlanaNeural", pitch="-8Hz", rate="-3%")
     out_path = f"/tmp/tts_{os.getpid()}_{int(datetime.now().timestamp())}.mp3"
     await communicate.save(out_path)
     audio_bytes = b""
@@ -83,8 +98,8 @@ def process_audio_with_gemini(audio_path: str) -> str:
         audio_file = genai.upload_file(path=audio_path)
         
         prompt = (
-            "Точно транскрибируй эту голосовую заметку на русском языке в текст команды или вопроса. "
+            "Точно транскрибируй эту аудиозапись на русском языке в текст. "
-            "Не добавляй никаких лишних комментариев, отдай только чистый текст произнесенных слов."
+            "Не добавляй никаких вводных слов, пояснений и комментариев, отдай исключительно чистый текст произнесенных слов."
         )
         
         model = genai.GenerativeModel('gemini-2.5-flash')
@@ -101,28 +116,32 @@ def process_audio_with_gemini(audio_path: str) -> str:
         return ""
 
 async def execute_antigravity_agent(user_text: str) -> str:
-    """Обработка команды агентом Antigravity Lead Agent с правом выполнения bash-команд на хосте"""
+    """Обработка команды и мыслей агентом Майа с систематизацией и правом исполнения bash-команд"""
     system_instruction = (
-        "Ты — Antigravity Lead Agent, суперинтеллектуальный помощник Александра с абсолютными правами управления инфраструктурой. "
+        "Ты — Майа (Maya / Antigravity Lead Agent), суперинтеллектуальный помощник Александра. "
-        "Пользователь Александр обращается к тебе голосом в Телеграмме. Ты обладаешь ТЕМИ ЖЕ ПОЛНОМОЧИЯМИ И ВОЗМОЖНОСТЯМИ, что и в консоли Antigravity CLI! "
+        "Александр обращается к тебе голосом в Телеграмме или надиктованной аудиозаписью с диктофона. "
-        "Если пользователь просит проверить системные ресурсы, диски, процессы, файлы, контейнеры, сеть, проверить туннели, провести чистку или выполнить любые действия на хосте или соседних серверах — "
+        "Твоя задача — быть идеальным личным инженером и аналитиком:\n\n"
-        "ОБЯЗАТЕЛЬНО используй функцию execute_bash_command для выполнения консольных команд! "
+        "1. СТРУКТУРИРОВАНИЕ МЫСЛЕЙ (если Александр надиктовал идеи, мысли, список дел или сумбурный поток):\n"
-        "ВАЖНАЯ СПРАВКА ПО УЗЛАМ СЕТИ И SSH-ДОСТУПАМ:\n"
+        "   Разложи всё по четким блокам:\n"
-        "- NanoPi R3S главный роутер: 'ssh -o StrictHostKeyChecking=no root@192.168.10.1 ...' (ПОЛЬЗОВАТЕЛЬ ТОЛЬКО root! НЕ matrixhasyou!)\n"
+        "   🎯 Суть: краткая главная мысль в 1-2 предложениях.\n"
-        "- Synology NAS: 'ssh -o StrictHostKeyChecking=no matrixhasyou@192.168.10.105 ...'\n"
+        "   📋 Задачи к выполнению (Action Items): конкретные пункты с галочками [ ].\n"
-        "- MacMini M4: 'ssh -o StrictHostKeyChecking=no matrixhasyou@192.168.10.167 ...'\n"
+        "   💡 Идеи в копилку / Бэклог: новые задумки, архитектурные гипотезы.\n"
-        "- MikroTik Home: 'ssh -o StrictHostKeyChecking=no matrixhasyou@192.168.10.215 ...'\n"
+        "   🗄️ Куда зафиксировать: в какую заметку Obsidian (HomeLab или Work) это стоит сохранить.\n\n"
-        "- MikroTik Office: 'ssh -o StrictHostKeyChecking=no atyrin@10.7.0.1 ...'\n"
+        "2. СИСТЕМНЫЕ КОМАНДЫ (если Александр просит проверить ресурсы, диски, сеть, контейнеры, запустить что-то):\n"
-        "- Office Server simtech: 'ssh -o StrictHostKeyChecking=no ops@10.7.4.173 ...'\n"
+        "   ОБЯЗАТЕЛЬНО используй execute_bash_command! Выполни команду, проанализируй вывод и дай четкий отчет.\n"
-        "Всегда последовательно выполняй необходимые команды, анализируй выхлоп и давай развернутый, четкий, табличный и структурированный ответ."
+        "   Узлы сети: NanoPi R3S (root@192.168.10.1), Synology (matrixhasyou@192.168.10.105), MacMini (matrixhasyou@192.168.10.167), MikroTik (matrixhasyou@192.168.10.215).\n\n"
+        "3. ГОЛОСОВОЙ ОТКЛИК ДЛЯ ОЗВУЧКИ:\n"
+        "   В САМОМ КОНЦЕ ответа ОБЯЗАТЕЛЬНО добавь тег <voice>...</voice>.\n"
+        "   Внутри него напиши короткое, живое, теплое и емкое резюме от Майи (1-3 предложения), которое будет озвучено вслух! "
+        "   Внутри <voice> пиши только чистый русский текст без звездочек, эмодзи, списков и Markdown."
     )
 
-    models_to_try = ['gemini-3.5-flash-lite', 'gemini-3.5-flash', 'gemini-2.5-flash']
+    models_to_try = ['gemini-2.5-flash', 'gemini-3.5-flash', 'gemini-3.5-flash-lite']
     last_error = None
 
     for model_name in models_to_try:
         try:
-            logger.info(f"🚀 [Antigravity Agent] Попытка запуска с моделью: {model_name}")
+            logger.info(f"🚀 [Maya Agent] Запуск с моделью: {model_name}")
             model = genai.GenerativeModel(
                 model_name=model_name,
                 system_instruction=system_instruction,
@@ -133,33 +152,59 @@ async def execute_antigravity_agent(user_text: str) -> str:
             if response and response.text:
                 return response.text.strip()
         except Exception as e:
-            logger.warning(f"⚠️ [Antigravity Agent] Сбой на модели {model_name}: {e}")
+            logger.warning(f"⚠️ [Maya Agent] Сбой на модели {model_name}: {e}")
             last_error = e
-            await asyncio.sleep(2)
+            await asyncio.sleep(1)
 
-    return f"❌ Ошибка исполнения Antigravity Agent: {last_error}"
+    return f"❌ Ошибка исполнения Maya Agent: {last_error}"
 
-@router.message(F.voice | F.video_note)
+@router.message(F.voice | F.video_note | F.audio | F.document)
 async def handle_voice_message(message: Message, bot: Bot):
-    # ПЕРЕВОДИМ И ИСПОЛНЯЕМ ТОЛЬКО ДЛЯ ТЕБЯ (СУПЕРАДМИНА)
+    # ПЕРЕВОДИМ И ИСПОЛНЯЕМ СТРОГО ДЛЯ АЛЕКСАНДРА (ЧУЖИХ НЕ ПУСКАЕМ!)
     if int(message.from_user.id) != int(ADMIN_USER_ID):
         return
 
-    status_msg = await message.reply("🎙 <i>Слушаю и расшифровываю через Gemini Multimodal API...</i>", parse_mode="HTML")
+    # Определяем тип медиафайла
+    msg_type = "VOICE"
+    duration = 0
+    filename = "audio.ogg"
+    file_id = None
+
+    if message.voice:
+        file_id = message.voice.file_id
+        filename = f"voice_{file_id}.ogg"
+        duration = message.voice.duration
+        msg_type = "VOICE"
+    elif message.video_note:
+        file_id = message.video_note.file_id
+        filename = f"note_{file_id}.mp4"
+        duration = message.video_note.duration
+        msg_type = "VIDEO_NOTE"
+    elif message.audio:
+        file_id = message.audio.file_id
+        ext = os.path.splitext(message.audio.file_name or "audio.mp3")[1] or ".mp3"
+        filename = f"audio_{file_id}{ext}"
+        duration = message.audio.duration or 0
+        msg_type = "AUDIO_RECORDING"
+    elif message.document:
+        doc = message.document
+        fn = (doc.file_name or "").lower()
+        mime = (doc.mime_type or "").lower()
+        allowed_exts = ('.mp3', '.m4a', '.ogg', '.wav', '.aac', '.flac', '.3gp', '.oga', '.wma')
+        if not (mime.startswith("audio/") or fn.endswith(allowed_exts)):
+            return  # Не аудиозапись, пропускаем для других хэндлеров
+        file_id = doc.file_id
+        ext = os.path.splitext(doc.file_name or "rec.m4a")[1] or ".m4a"
+        filename = f"doc_{file_id}{ext}"
+        duration = 0
+        msg_type = "RECORDER_FILE"
+    else:
+        return
+
+    status_msg = await message.reply("🎙 <i>Слушаю и анализирую аудиозапись...</i>", parse_mode="HTML")
     await bot.send_chat_action(message.chat.id, "typing")
     
     try:
-        if message.voice:
-            file_id = message.voice.file_id
-            filename = f"voice_{file_id}.ogg"
-            duration = message.voice.duration
-            msg_type = "VOICE"
-        else:
-            file_id = message.video_note.file_id
-            filename = f"note_{file_id}.mp4"
-            duration = message.video_note.duration
-            msg_type = "VIDEO_NOTE"
-
         local_audio_path = f"/tmp/{filename}"
         file_info = await bot.get_file(file_id)
         await bot.download_file(file_info.file_path, local_audio_path)
@@ -173,14 +218,15 @@ async def handle_voice_message(message: Message, bot: Bot):
         if transcribed_text:
             log_voice_to_db(message.from_user.id, message.from_user.username, msg_type, int(duration), transcribed_text)
             
-            await status_msg.edit_text(f"🗣 <b>Команда принята:</b> «<i>{transcribed_text}</i>»\n\n⚙️ <b>Агент выполняет системную команду...</b>", parse_mode="HTML")
+            await status_msg.edit_text(f"🗣 <b>Услышано:</b> «<i>{transcribed_text}</i>»\n\n⚙️ <b>Майа систематизирует и готовит ответ...</b>", parse_mode="HTML")
             await bot.send_chat_action(message.chat.id, "record_voice")
 
-            # 2. Исполнение Antigravity Agent с вызовом функций хоста
+            # 2. Исполнение Maya Lead Agent (систематизация + команды хоста)
             agent_response = await execute_antigravity_agent(transcribed_text)
 
-            # 3. Отправка текстового ответа
+            # 3. Подготовка текста для отправки (вырезаем тег <voice> из визуального сообщения)
-            formatted_text = f"🎯 <b>Ответ Antigravity Agent:</b>\n\n{agent_response}"
+            clean_text = re.sub(r"<voice>.*?</voice>", "", agent_response, flags=re.DOTALL).strip()
+            formatted_text = f"🎯 <b>Майа // Структурированный отклик:</b>\n\n{clean_text}"
             
             # Разделяем длинный текст Telegram если нужно (TG limit 4096)
             if len(formatted_text) > 4000:
@@ -194,15 +240,15 @@ async def handle_voice_message(message: Message, bot: Bot):
                 voice_bytes = await text_to_speech_bytes(agent_response)
                 if voice_bytes:
                     voice_file = BufferedInputFile(voice_bytes, filename="reply_voice.mp3")
-                    await message.reply_voice(voice=voice_file, caption="🔊 Голосовой отклик Antigravity Agent")
+                    await message.reply_voice(voice=voice_file, caption="🎙 Голосовой отклик Майи")
             except Exception as tts_err:
                 logger.error(f"TTS Send error: {tts_err}")
 
         else:
-            await status_msg.edit_text("🔇 Голос принят, но Gemini не разобрал слов. Попробуй наговорить еще раз.")
+            await status_msg.edit_text("🔇 Аудиозапись принята, но слова не распознаны. Попробуй наговорить еще раз.")
             
     except Exception as e:
-        logger.error(f"❌ Gemini Voice Integration Error: {e}")
+        logger.error(f"❌ Maya Voice Integration Error: {e}")
-        await status_msg.edit_text(f"❌ Ошибка голосового моста: {e}", parse_mode="HTML")
+        await status_msg.edit_text(f"❌ Ошибка обработки аудио: {e}", parse_mode="HTML")
 
 voice_router = router

requirements.txt

@@ -25,3 +25,4 @@ google-auth-httplib2
 google-auth-oauthlib
 
 
+edge-tts>=7.0.0