Newer
Older
gnexus-book / 10-systems / workstations / gmikcon-pc.md

title: gmikcon PC — AI workstation (voice pipeline) type: workstation environment: home status: active owner: gmikcon confidence: high review_interval: 180d last_reviewed: 2026-11-04 reviewed_by: navi rei

source_of_truth: ssh-host

gmikcon PC (192.168.1.129)

Оборудование и ОС

  • Arch Linux (rolling), kernel 7.2.11-arch1-1, hostname gmikcon
  • 62 GiB RAM; NVMe 468G, used 362G (82%), free ~83G
  • nginx 1.30.6 на :80 (vhost-конфиг /etc/nginx/conf.d/local-sites.conf, .local-сайты из /srv/http)
  • GPU: NVIDIA GeForce RTX 3090 24GB
  • Локальный Ollama: /usr/local/bin/ollama serve (root, systemd-less, autostart), :11434 — модели qwen3.6:35b-128k (22.6GB), qwen3.6:35b (22.6GB), gemma4:e2b-it-qat (4.3GB), nomic-embed-text (0.3GB)

Роль

Рабочая AI-станция в home LAN. Голосовой пайплайн (STT→LLM→TTS), будущее ядро аватара.

Сервисы

zonos2-server (TTS) — :1919

  • zonos2.cpp prebuild v0.5.2 в /home/gmikcon/zonos2/ (zonos2-server, zonos2-cli, dac-cli, spk-encoder-cli, quantize-cli, start-zonos2.sh)
  • Модели: zonos2-q6_k.gguf 6786454400 B, dac.gguf 254172448 B, spk-encoder.gguf 24299552 B
  • GPU backbone q6_k (~11.7GB VRAM), RTF ~0.45
  • Дефолтные спикеры: default_ad689b18cfb01a0d (AmericanFemale), default_80050000b2773f20 (AmericanMale), default_6adf52c0e46c9566 (BritishFemale); клон-спикеры видны только в своей X-TTS-Session-ID
  • Тестовые WAV: /home/gmikcon/zonos2/test_*.wav; diag-файлы: /home/gmikcon/voice-pipeline/diag/

ВАЖНО: endpoint'ы и стабильность

  • POST /v1/audio/speech НЕ использовать для продакшена: серверные дефолты сэмплинга (temp ~1.15) + quality-conditioning дают лотерею «разноса» — бесконечная бормотня/шум (замеры: 19с и 23с «аудио» на одно предложение), редкие оглуховки слов. Это и есть «высокочастотные шумы» из жалобы владельца 2026-11-04.
  • POST /tts/generate — родной протокол (поля в tts_ui.html ~line 2315): text, language, text_normalization, temperature, topk, top_p, min_p, max_tokens, fade_out_ms, repetition_window/penalty/codebooks, seed, stream (false → сырой float32 LE 44.1k mono, НЕ WAV!), accurate_mode, speaker_embedding_id, clean_speaker_background, quality_enabled/quality_buckets, speaking_rate_enabled/speaking_rate_bucket, emotion
  • СТАБИЛЬНЫЙ ПРОФИЛЬ (проверено 3/3 точных синтеза + 2×E2E): temperature=0.6, topk=100, min_p=0.15, top_p=0, max_tokens=1200, repetition_window=50, repetition_penalty=1.2, repetition_codebooks=8, accurate_mode=true, quality_enabled=false, speaking_rate_enabled=false, seed=42, fade_out_ms=20. Дефолт UI (temp 1.15) — оглуховки («в Афганистан» вместо «в парк»); speaking_rate_bucket сам даёт разнос; при seed=null результат варьируется.
  • Разнос лечится регенерацией с другим seed (в оркестраторе guard: ожидаемая длительность ≈ len(text)/14 с; фактическая > 2.5×+0.5с → один реген с alt seed).

orchestrator.py (голосовой пайплайн) — WS :9199

  • Каталог /home/gmikcon/voice-pipeline/ (venv py3.14: faster-whisper 1.2.1, ctranslate2 4.8.5, av 19.0.2, websockets, webrtcvad, numpy; setuptools<81 обязателен для webrtcvad/pkg_resources)
  • Запуск: ~/voice-pipeline/start.sh (оркестратору нужен LD_LIBRARY_PATH на venv nvidia-библиотеки, иначе ctranslate2 не найдёт libcublas.so.12)
  • Цепочка: webrtcvad VAD (30мс, RMS>300, hangover 300мс, pre-roll 300мс) → faster-whisper large-v3-turbo (cuda, int8_float16, autolang) → Ollama gemma4:e2b-it-qat (локальный, think:false) → чанк-синтез по предложениям через /tts/generate (стабильный профиль) + анти-разнос guard
  • Протокол WS: клиент шлёт бинарные PCM16 mono 16kHz кадры; сервер отвечает {"type":"transcript"|"answer","text":...}, {"type":"tts_chunk","index":n,"b64":wav-base64}
  • E2E-тест: ./venv/bin/python3 test_e2e.py; 2026-11-04 после фикса E2E_OK ×2, чанки 0.5/3.4/1.2с и 0.5/4.1/0.6с, Whisper round-trip дословный

Демо-UI — http://192.168.1.129:9090/demo.html

  • web/demo.html + python3 -m http.server 9090 (user-space, без правок nginx): кнопка «Говорить», стрим mic PCM16 16k в WS, чат-пузыри, воспроизведение tts_chunk по очереди.
  • Требования: браузер с getUserMedia (для LAN IP в Chrome нужно unsafely-treat-insecure-origin-as-secure http://192.168.1.129:9090)

Доступ

SSH gmikcon@192.168.1.129, пароль в gnexus-creds secret cfc8ee47-6bde-4155-a45b-1da8f1b40685 (SSH=sudo). GOTCHA: faillock после серии неверных попыток — таймаут ~4-5 мин.

История

  • 2026-10-01: записана как выключенная (stale-информация, хост жив)
  • 2026-11-04: navi rei — zonos2.cpp v0.5.2 + модели, TTS :1919, STT (faster-whisper cuda), оркестратор WS :9199, демо-UI :9090, E2E_OK
  • 2026-11-04: navi rei — диагноз «шумы вместо речи»: разнос zonos2 при серверных дефолтах /v1/audio/speech. Фикс: /tts/generate, профиль temp 0.6/topk 100/min_p 0.15/seed 42, guard от разноса. Повторный E2E ×2 чист, Whisper round-trip дословный.