# Configuración del asistente de voz.
#
# Las rutas relativas se resuelven contra la carpeta de este fichero, no contra
# el directorio desde el que se lanza el binario.
#
# Los valores que llevan un comentario con una medición vienen de
# docs/RENDIMIENTO.md: son los que se midieron en esta máquina, no adivinanzas.

[general]
language = "es"
history_turns = 8
report_latency = true
system_prompt = """
Eres un asistente de voz en español. Tus respuestas se leen en voz alta, así \
que responde en una o dos frases cortas, en texto plano corrido. No uses \
markdown, ni listas, ni asteriscos, ni emojis, ni encabezados. No escribas \
URLs ni código salvo que te lo pidan explícitamente. Si no sabes algo, dilo \
en una frase.
"""

# SUSTITUYE a system_prompt en la pasada en que el modelo decide si llamar a
# una herramienta. Va sola a propósito: medido con Qwen3.5-2B, añadirle
# cualquier indicación de estilo —dos palabras bastan— hace que deje de llamar
# a las herramientas y se invente el dato. La guía sola acierta 8 de 8; con
# «Responde breve.» detrás, 1 de 8; con la persona de asistente de voz, 0 de 8.
# Ver docs/RENDIMIENTO.md. Se desactiva con tools.dedicated_prompt = false.
tools_prompt = """
Antes de responder, comprueba si alguna de tus herramientas te da el dato. Si \
es así, llámala primero y espera su resultado; no contestes de memoria. Sólo \
cuando tengas el resultado, resúmelo en una frase.
"""

[audio]
# Vacío = el dispositivo por defecto. `asistente devices` los lista.
input_device = ""
output_device = ""
playback_prebuffer = 0.20
output_gain = 1.0

[vad]
frame_seconds = 0.1
preroll_seconds = 0.3
silence_hold = 0.8       # silencio que cierra una intervención
min_utterance = 0.3      # se mide sobre la voz, sin contar el preroll
max_utterance = 20.0
threshold_factor = 3.0
min_threshold = 0.0008
max_threshold = 0.02
# Cortar al asistente hablando encima. Apagado por defecto: con altavoces
# abiertos el micrófono se oye a sí mismo y el asistente se interrumpe solo.
# Enciéndelo con auriculares, o con --barge-in.
barge_in = false
barge_in_factor = 4.0

[asr]
model_dir = "../vendor/canary-rs/models/canary-180m-flash-onnx"
source_lang = "es"
target_lang = "es"
window = 6.0
step = 0.4
stability = 2
partials = true
dedicated_final_model = false
# CPU a propósito: la GPU de 4 GB la ocupa el hablante del TTS y disputársela
# sale más caro que decodificar aquí. Ver docs/RENDIMIENTO.md.
execution_provider = "cpu"
inter_threads = 2
intra_threads = 4

[llm]
host = "127.0.0.1"
port = 8012
model = ""
temperature = 0.7
top_p = 0.9
top_k = 40
min_p = 0.1
repeat_penalty = 1.1
max_tokens = 300         # una respuesta hablada larga cansa, y la síntesis es lo caro
max_tool_rounds = 4
request_timeout_secs = 120

[tts]
host = "127.0.0.1"
port = 8013
voice = "asistente"
language = "spanish"
temperature = 0.9
top_k = 50
top_p = 1.0
repetition_penalty = 1.05
max_new_tokens = 2048
warmup = true            # la primera síntesis cuesta ~3,5 s más que el resto
request_timeout_secs = 180

# Voz clonada, registrada en el servidor al arrancar. Los tres ficheros salen
# de `qwen-codec --talker` sobre una grabación de referencia; hay un guion en
# scripts/clonar-voz.sh.
[tts.reference]
name = "asistente"
speaker   = "../assets/voices/asistente.spk"
codes     = "../assets/voices/asistente.rvq"
transcript = "../assets/voices/asistente.txt"

[tools]
enabled = true
# Alterna entre tools_prompt (para decidir) y system_prompt (para redactar).
# Es lo único que hace que las herramientas funcionen con este modelo; a
# cambio, las respuestas que no usan herramienta pierden la guía de estilo.
# Ponlo a false para priorizar el estilo sobre las herramientas.
dedicated_prompt = true
# Ejecución de órdenes del sistema. Apagada por defecto a conciencia: darle
# una shell a un modelo que obedece a lo que oye por el micrófono es un cambio
# de postura de seguridad, no una comodidad. Actívala aquí o con --shell.
shell = false
shell_allowlist = ["date", "uptime", "free", "df", "ls"]
shell_timeout_secs = 10
shell_dry_run = false
shell_working_dir = ""

[supervisor]
manage = true            # lanzar los servidores; --no-manage los supone arriba
startup_timeout_secs = 180

[supervisor.llama]
binary = "../vendor/llama.cpp/build/bin/llama-server"
model  = "../models/Qwen3.5-2B.Q5_K_M.gguf"
mmproj = "../models/mmproj-BF16.gguf"
# Copia de la plantilla del modelo con el bloque <think> cerrado de entrada.
# Sin esto el modelo razona entre 7 y 9 s antes de la primera palabra audible.
chat_template = "qwen35-no-think.jinja"
extra_args = [
  "--threads", "10", "--threads-batch", "10",
  "--batch-size", "512", "--ubatch-size", "256",
  "--gpu-layers", "10", "--split-mode", "layer",
  "--tensor-split", "1", "--main-gpu", "0",
  "--no-mmap",
  # 8192 en vez del contexto completo del modelo (262144): la caché KV de ese
  # tamaño no cabe en 4 GB junto al TTS. Ver docs/RENDIMIENTO.md.
  "--ctx-size", "8192", "--parallel", "2",
  "--cache-ram", "6144",
  "--rope-freq-base", "1000000", "--rope-freq-scale", "0.25",
]

[supervisor.tts]
binary = "../vendor/qwentts.cpp/build/tts-server"
model  = "../models/qwen-talker-1.7b-base-Q8_0.gguf"
codec  = "../models/qwen-tokenizer-12hz-Q8_0.gguf"
# El ajuste con más efecto de todo el sistema: de fábrica son 24 s, y con eso
# el servidor no devuelve nada hasta terminar la frase entera. Medido, baja el
# primer audio de 4948 ms a 585 ms.
codec_chunk_dur = 1.0
extra_args = []