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

config.py

@@ -13,6 +13,10 @@ BOT_TOKEN = os.getenv('BOT_TOKEN', '')
 ADMIN_CHAT_ID = int(os.getenv('ADMIN_CHAT_ID', '0'))
 ADMIN_USER_ID = int(os.getenv('ADMIN_USER_ID', '0'))
 
+# Gemini API
+GOOGLE_API_KEY = os.getenv('GOOGLE_API_KEY', os.getenv('GEMINI_API_KEY', 'AIzaSyAJMfQ_mRZ1picRXVFNaeFJ7fpAkZxUKyk'))
+GEMINI_API_KEY = GOOGLE_API_KEY
+
 # База данных
 BASE_DIR = Path(__file__).resolve().parent
 DATABASE_PATH = os.getenv('DATABASE_PATH', str(BASE_DIR / 'database' / 'domovoy.db'))

docker-compose.yml

@@ -10,11 +10,13 @@ services:
       - PYTHONPATH=/app:/app/services
       - MUTT_DIR=/home/matrixhasyou/mutt
       - GOOGLE_CREDS_FILE=/home/matrixhasyou/domovoy_google_creds.json
+      - TZ=Europe/Ulyanovsk
     volumes:
       - /var/run/docker.sock:/var/run/docker.sock
       - ./logs:/app/logs
       - ./exports:/app/exports
       - ./data:/app/data
+      - ./handlers:/app/handlers
       - ../libs/swarmlib:/app/swarmlib:ro
       - /home/matrixhasyou/domovoy_google_creds.json:/home/matrixhasyou/domovoy_google_creds.json:ro
       - /home/matrixhasyou/mutt:/home/matrixhasyou/mutt:rw
@@ -36,11 +38,13 @@ services:
       - PYTHONPATH=/app:/app/services
       - MUTT_DIR=/home/matrixhasyou/mutt
       - GOOGLE_CREDS_FILE=/home/matrixhasyou/domovoy_google_creds.json
+      - TZ=Europe/Ulyanovsk
     volumes:
       - /var/run/docker.sock:/var/run/docker.sock
       - ./logs:/app/logs
       - ./exports:/app/exports
       - ./data:/app/data
+      - ./handlers:/app/handlers
       - ../libs/swarmlib:/app/swarmlib:ro
       - /home/matrixhasyou/domovoy_google_creds.json:/home/matrixhasyou/domovoy_google_creds.json:ro
       - /home/matrixhasyou/mutt:/home/matrixhasyou/mutt:rw

handlers/voice.py

@@ -1,18 +1,42 @@
 import os
+import re
 import logging
-import aiohttp
+import asyncio
-import json
 import sqlite3
+import subprocess
 from datetime import datetime
 from aiogram import Router, F, Bot
-from aiogram.types import Message
+from aiogram.types import Message, BufferedInputFile
 from config import ADMIN_USER_ID, DATABASE_PATH
-from pathlib import Path
+import google.generativeai as genai
+import edge_tts
 
 logger = logging.getLogger(__name__)
 router = Router()
 
-WHISPER_API_URL = "http://192.168.10.168:9001/transcribe"
+# Валидный проверенный ключ Gemini API
+WORKING_GEMINI_KEY = "AIzaSyAJMfQ_mRZ1picRXVFNaeFJ7fpAkZxUKyk"
+genai.configure(api_key=WORKING_GEMINI_KEY)
+
+def execute_bash_command(command: str) -> str:
+    """Выполняет bash-команду на локальном Linux хосте (DockerServer) или по SSH на узлах сети (MacMini 192.168.10.167, Synology 192.168.10.105, MikroTik 192.168.10.215, NanoPi 192.168.10.1) и возвращает результат вывода."""
+    logger.info(f"⚡️ [Voice Agent Command] Executing bash: {command}")
+    try:
+        res = subprocess.run(
+            command,
+            shell=True,
+            capture_output=True,
+            text=True,
+            timeout=45
+        )
+        out = (res.stdout or "") + ("\n" + res.stderr if res.stderr else "")
+        output_str = out.strip()
+        if len(output_str) > 3000:
+            output_str = output_str[:3000] + "\n... [вывод обрезан]"
+        return output_str if output_str else "Команда выполнена успешно (вывод пуст)."
+    except Exception as e:
+        logger.error(f"❌ Bash Execution Error: {e}")
+        return f"Ошибка выполнения bash-команды: {e}"
 
 def log_voice_to_db(user_id, username, msg_type, duration, text):
     """Фиксация статистики в основную базу Домового"""
@@ -39,68 +63,192 @@ def log_voice_to_db(user_id, username, msg_type, duration, text):
     except Exception as e:
         logger.error(f"❌ DB Log error: {e}")
 
-@router.message(F.voice | F.video_note)
+async def text_to_speech_bytes(text: str) -> bytes:
+    """Синтез качественного женского голосового ответа на русском через Edge TTS с глубоким тембром"""
+    # Если в тексте есть тег <voice>...</voice>, озвучиваем именно его
+    match = re.search(r"<voice>(.*?)</voice>", text, re.DOTALL | re.IGNORECASE)
+    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""
+    if os.path.exists(out_path):
+        with open(out_path, "rb") as f:
+            audio_bytes = f.read()
+        os.remove(out_path)
+    return audio_bytes
+
+def process_audio_with_gemini(audio_path: str) -> str:
+    """Прямое транскрибирование аудио через Gemini Multimodal API"""
+    try:
+        logger.info(f"Выгрузка {audio_path} в Gemini Multimodal Audio API...")
+        audio_file = genai.upload_file(path=audio_path)
+        
+        prompt = (
+            "Точно транскрибируй эту аудиозапись на русском языке в текст. "
+            "Не добавляй никаких вводных слов, пояснений и комментариев, отдай исключительно чистый текст произнесенных слов."
+        )
+        
+        model = genai.GenerativeModel('gemini-2.5-flash')
+        response = model.generate_content([audio_file, prompt])
+        
+        try:
+            genai.delete_file(name=audio_file.name)
+        except Exception:
+            pass
+
+        return response.text.strip() if response.text else ""
+    except Exception as e:
+        logger.error(f"Ошибка Gemini Audio API: {e}")
+        return ""
+
+async def execute_antigravity_agent(user_text: str) -> str:
+    """Обработка команды и мыслей агентом Майа с систематизацией и правом исполнения bash-команд"""
+    system_instruction = (
+        "Ты — Майа (Maya / Antigravity Lead Agent), суперинтеллектуальный помощник Александра. "
+        "Александр обращается к тебе голосом в Телеграмме или надиктованной аудиозаписью с диктофона. "
+        "Твоя задача — быть идеальным личным инженером и аналитиком:\n\n"
+        "1. СТРУКТУРИРОВАНИЕ МЫСЛЕЙ (если Александр надиктовал идеи, мысли, список дел или сумбурный поток):\n"
+        "   Разложи всё по четким блокам:\n"
+        "   🎯 Суть: краткая главная мысль в 1-2 предложениях.\n"
+        "   📋 Задачи к выполнению (Action Items): конкретные пункты с галочками [ ].\n"
+        "   💡 Идеи в копилку / Бэклог: новые задумки, архитектурные гипотезы.\n"
+        "   🗄️ Куда зафиксировать: в какую заметку Obsidian (HomeLab или Work) это стоит сохранить.\n\n"
+        "2. СИСТЕМНЫЕ КОМАНДЫ (если Александр просит проверить ресурсы, диски, сеть, контейнеры, запустить что-то):\n"
+        "   ОБЯЗАТЕЛЬНО используй execute_bash_command! Выполни команду, проанализируй вывод и дай четкий отчет.\n"
+        "   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-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"🚀 [Maya Agent] Запуск с моделью: {model_name}")
+            model = genai.GenerativeModel(
+                model_name=model_name,
+                system_instruction=system_instruction,
+                tools=[execute_bash_command]
+            )
+            chat = model.start_chat(enable_automatic_function_calling=True)
+            response = chat.send_message(user_text)
+            if response and response.text:
+                return response.text.strip()
+        except Exception as e:
+            logger.warning(f"⚠️ [Maya Agent] Сбой на модели {model_name}: {e}")
+            last_error = e
+            await asyncio.sleep(1)
+
+    return f"❌ Ошибка исполнения Maya Agent: {last_error}"
+
+@router.message(F.voice | F.video_note | F.audio | F.document)
 async def handle_voice_message(message: Message, bot: Bot):
-    # ПЕРЕВОДИМ 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>Распознаю голос (Whisper AI)...</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:
+        local_audio_path = f"/tmp/{filename}"
-            file_id = message.voice.file_id
+        file_info = await bot.get_file(file_id)
-            filename = f"{file_id}.oga"
+        await bot.download_file(file_info.file_path, local_audio_path)
-            msg_type = "VOICE"
+
+        # 1. Прямая расшифровка через Gemini Audio
+        transcribed_text = process_audio_with_gemini(local_audio_path)
+        
+        if os.path.exists(local_audio_path):
+            os.remove(local_audio_path)
+
+        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>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 Maya Lead Agent (систематизация + команды хоста)
+            agent_response = await execute_antigravity_agent(transcribed_text)
+
+            # 3. Подготовка текста для отправки (вырезаем тег <voice> из визуального сообщения)
+            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:
+                await status_msg.edit_text(formatted_text[:4000], parse_mode="HTML")
+                await message.reply(formatted_text[4000:], parse_mode="HTML")
             else:
-            file_id = message.video_note.file_id
+                await status_msg.edit_text(formatted_text, parse_mode="HTML")
-            filename = f"{file_id}.mp4"
-            msg_type = "VIDEO_NOTE"
 
-        file = await bot.get_file(file_id)
+            # 4. Синтез и отправка голосовой заметки (Voice Note)
+            try:
+                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 Майи")
+            except Exception as tts_err:
+                logger.error(f"TTS Send error: {tts_err}")
 
-        # Используем aiohttp для отправки файла в микросервис
-        async with aiohttp.ClientSession() as session:
-            # Скачиваем файл во временный буфер
-            file_url = f"https://api.telegram.org/file/bot{bot.token}/{file.file_path}"
-            
-            # Прокси если нужно (подтянется из конфига если настроено, но тут идем напрямую)
-            async with session.get(file_url) as file_resp:
-                if file_resp.status != 200:
-                    raise Exception(f"Не удалось скачать файл из TG: {file_resp.status}")
-                
-                file_content = await file_resp.read()
-                
-                # Отправляем в наш Whisper-Service
-                data = aiohttp.FormData()
-                data.add_field('file', file_content, filename=filename)
-                
-                async with session.post(WHISPER_API_URL, data=data) as whisper_resp:
-                    if whisper_resp.status != 200:
-                        err_text = await whisper_resp.text()
-                        raise Exception(f"Ошибка Whisper API: {err_text}")
-                    
-                    result = await whisper_resp.json()
-                    text = result.get("text", "")
-                    duration = result.get("duration", 0)
-
-        if text:
-            # Логируем в базу
-            log_voice_to_db(message.from_user.id, message.from_user.username, msg_type, int(duration), text)
-            
-            # Формируем красивый ответ
-            response = f"📝 <b>РАСШИФРОВКА</b> ({msg_type})\n"
-            response += f"⏱ Длительность: {int(duration)}с\n"
-            response += f"━━━━━━━━━━━━━━\n"
-            response += f"<i>{text}</i>"
-            
-            await status_msg.edit_text(response, parse_mode="HTML")
         else:
-            await status_msg.edit_text("🔇 Голос обнаружен, но слов не разобрал.")
+            await status_msg.edit_text("🔇 Аудиозапись принята, но слова не распознаны. Попробуй наговорить еще раз.")
             
     except Exception as e:
-        logger.error(f"❌ Voice Integration Error: {e}")
+        logger.error(f"❌ Maya Voice Integration Error: {e}")
-        await status_msg.edit_text(f"❌ Ошибка модуля Whisper: {e}")
+        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