Local voice assistant on top of Canary, llama.cpp and qwentts

Pipeline en Rust de hilos y canales que une los tres motores: el micrófono
alimenta un segmentador con VAD, las intervenciones cerradas van al
reconocedor, la transcripción al modelo y cada frase que este cierra sale
hacia el sintetizador sin esperar al resto de la respuesta.

Dos reglas sostienen el diseño: ninguna etapa bloquea a la anterior —quien va
sobrado descarta trabajo en lugar de acumular retraso— y todo lo que viaja por
los canales lleva el turno al que pertenece, así que interrumpir es subir el
contador y levantar dos banderas de cancelación.

Seis crates: core (configuración, eventos, HTTP, telemetría, herramientas),
audio (cpal, VAD, anillo de reproducción), asr, llm, tts y app (supervisor de
procesos y orquestador). Los motores van como submódulos fijados a un commit,
con los cambios locales en vendor/patches.

Midiendo el pipeline aparecieron tres cuellos de botella de configuración que
valieron más que cualquier cambio de código, todos documentados en
docs/RENDIMIENTO.md:

- tts-server decodificaba el audio en bloques de 24 s, de modo que el modo
  «streaming» llegaba de una pieza: 4948 ms -> 585 ms hasta el primer audio.
- La plantilla de chat del modelo abre <think> y no lo cierra nunca, sin
  variable que lo apague: 8630 ms -> 413 ms hasta el primer token, con una
  copia de la plantilla que deja el bloque cerrado de entrada.
- Cualquier indicación de estilo junto a la guía de herramientas hace que este
  modelo de 2B deje de llamarlas y se invente el dato (8/8 aciertos con la
  guía sola, 0/8 con la persona de asistente de voz). El turno alterna ahora
  entre dos instrucciones de sistema.

La ejecución de órdenes del sistema queda implementada y apagada, tras cuatro
barreras: lista blanca sobre el ejecutable, rutas rechazadas, sin shell que
interprete metacaracteres y plazo máximo.

68 pruebas unitarias sin modelos, más seis de integración que se saltan solas
si no hay servidores y se turnan la GPU: en paralelo, los dos servidores no
caben en 4 GB y miden contención en vez de latencia.

Claude-Session: https://claude.ai/code/session_01FNxz5cSdQSscJH9H7b8uGU

1 files changed, 41 insertions, 0 deletions

diff --git a/vendor/patches/qwentts.cpp.patch b/vendor/patches/qwentts.cpp.patch
new file mode 100644
index 0000000..fea7dec
--- /dev/null
+++ b/vendor/patches/qwentts.cpp.patch
@@ -0,0 +1,41 @@
+diff --git a/buildall.sh b/buildall.sh
+index 8ce58a6..a461d07 100755
+--- a/buildall.sh
++++ b/buildall.sh
+@@ -4,7 +4,15 @@ rm -rf build
+ mkdir build
+ cd build
+ 
+-export PATH=/usr/local/cuda/bin:$PATH
++# Find nvcc: honor CUDACXX/PATH, then fall back to common install locations
++NVCC="${CUDACXX:-$(command -v nvcc)}"
++if [ -z "$NVCC" ]; then
++  for c in /opt/cuda/bin/nvcc /usr/local/cuda/bin/nvcc; do
++    [ -x "$c" ] && NVCC="$c" && break
++  done
++fi
++# Make sure the detected CUDA bin dir is on PATH for the rest of the toolkit
++[ -n "$NVCC" ] && export PATH="$(dirname "$NVCC"):$PATH"
+ 
+-cmake .. -DGGML_CPU_ALL_VARIANTS=ON -DGGML_CUDA=ON -DGGML_VULKAN=ON -DGGML_BACKEND_DL=ON
++cmake .. -DGGML_CPU_ALL_VARIANTS=ON -DGGML_CUDA=ON -DGGML_VULKAN=ON -DGGML_BACKEND_DL=ON ${NVCC:+-DCMAKE_CUDA_COMPILER="$NVCC"}
+ cmake --build . --config Release -j "$(nproc)"
+diff --git a/buildcuda.sh b/buildcuda.sh
+index 67f711f..242bb39 100755
+--- a/buildcuda.sh
++++ b/buildcuda.sh
+@@ -4,5 +4,13 @@ rm -rf build
+ mkdir build
+ cd build
+ 
+-cmake .. -DGGML_CUDA=ON -DCMAKE_CUDA_COMPILER=/usr/local/cuda/bin/nvcc
++# Find nvcc: honor CUDACXX/PATH, then fall back to common install locations
++NVCC="${CUDACXX:-$(command -v nvcc)}"
++if [ -z "$NVCC" ]; then
++  for c in /opt/cuda/bin/nvcc /usr/local/cuda/bin/nvcc; do
++    [ -x "$c" ] && NVCC="$c" && break
++  done
++fi
++
++cmake .. -DGGML_CUDA=ON ${NVCC:+-DCMAKE_CUDA_COMPILER="$NVCC"}
+ cmake --build . --config Release -j "$(nproc)"