Assistant vocal local ESP32 : étapes 1 à 15, et 15b écrite

État du projet au premier commit :
- firmware ESP32 : micro I2S, lecture anti-gigue, MQTT (état retenu, testament),
  mains libres, domotique de démonstration, chien de garde, présence du serveur ;
- serveur Python : sessions, VAD, faster-whisper, pyannote, identification,
  droits par profil, domotique, mot de réveil, Piper ;
- broker Mosquitto : configuration, comptes et ACL (non activés en développement) ;
- étape 15b écrite, en attente d'essai : agent MQTT pour machines Linux.

Étapes 1 à 15 validées. 203 tests, pyright sans erreur.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

tools/speech_check.py

@@ -0,0 +1,102 @@
+#!/usr/bin/env python3
+"""Vérifie VAD, transcription, réponse et synthèse sans ESP32 ni broker (étapes 6-7).
+
+Deux usages :
+    texte → Piper → Whisper → Assistant → Piper        (la chaîne se relit elle-même)
+    WAV   → VAD → Whisper → Assistant → Piper      (un enregistrement de l'ESP32, comme le serveur)
+
+La réponse synthétisée est écrite dans --out, à écouter avec « make play ».
+
+Exemples :
+    python3 tools/speech_check.py "Quelle heure est-il ?"
+    python3 tools/speech_check.py --wav server/recordings/esp32-01_xxx.wav
+"""
+
+from __future__ import annotations
+
+import argparse
+import logging
+import sys
+import wave
+from pathlib import Path
+
+SERVER_DIR = Path(__file__).resolve().parents[1] / "server"
+if str(SERVER_DIR) not in sys.path:
+    sys.path.insert(0, str(SERVER_DIR))
+
+from voice_server.assistant import Assistant  # noqa: E402
+from voice_server.audio_resampler import AudioFormatError, AudioResampler  # noqa: E402
+from voice_server.settings import load_settings  # noqa: E402
+from voice_server.speech_to_text import SpeechToText  # noqa: E402
+from voice_server.text_to_speech import TextToSpeech  # noqa: E402
+from voice_server.voice_activity import VoiceActivityDetector  # noqa: E402
+
+logger = logging.getLogger("speech_check")
+
+
+def main(argv: list[str]) -> int:
+    """Déroule la chaîne et affiche le temps de chaque maillon."""
+    parser = argparse.ArgumentParser(description=__doc__, formatter_class=argparse.RawDescriptionHelpFormatter)
+    parser.add_argument("text", nargs="?", help="phrase a synthetiser puis transcrire")
+    parser.add_argument("--wav", type=Path, help="enregistrement a transcrire")
+    parser.add_argument("--out", type=Path, default=Path("recordings/reponse.wav"),
+                        help="WAV de la reponse synthetisee")
+    parser.add_argument("--config", type=Path, default=SERVER_DIR / "config.yaml")
+    args = parser.parse_args(argv)
+    if (args.text is None) == (args.wav is None):
+        parser.error("donnez soit une phrase, soit --wav")
+
+    logging.basicConfig(level=logging.INFO, format="%(message)s")
+    logging.getLogger("httpx").setLevel(logging.WARNING)
+    logging.getLogger("faster_whisper").setLevel(logging.WARNING)
+    settings = load_settings(args.config)
+    audio = settings.audio
+    try:
+        tts = TextToSpeech(settings.tts, AudioResampler(audio), audio.sample_rate)
+        stt = SpeechToText(settings.stt, audio.sample_rate)
+    except FileNotFoundError as error:
+        logger.error("%s", error)
+        return 1
+
+    if args.wav is not None:
+        try:
+            # Sans normalisation : Whisper doit entendre le niveau réel du micro.
+            pcm = AudioResampler(audio, None).from_wav(args.wav)
+        except (AudioFormatError, FileNotFoundError) as error:
+            logger.error("%s", error)
+            return 1
+        vad = VoiceActivityDetector(settings.vad, audio.sample_rate).detect(pcm)
+        logger.info("VAD : parole %.2f s sur %.2f s, segments %s", vad.speech_s, vad.total_s,
+                    f"{vad.bounds()} s" if vad.has_speech else "aucun")
+        pcm = vad.speech_pcm  # sans parole, Whisper reçoit un audio vide et ne rend rien
+    else:
+        spoken = tts.synthesize(args.text)
+        logger.info("synthese de la question : %.2f s de calcul pour %.2f s de parole",
+                    spoken.elapsed_s, spoken.audio_s)
+        pcm = spoken.pcm
+
+    transcript = stt.transcribe(pcm)
+    logger.info("transcription : %.2f s de calcul pour %.2f s d'audio", transcript.elapsed_s, transcript.audio_s)
+    if transcript.dropped:
+        logger.warning("hallucination ecartee : %s", " | ".join(transcript.dropped))
+    answer = Assistant().reply(transcript.text)
+    speech = tts.synthesize(answer)
+    logger.info("synthese de la reponse : %.2f s de calcul pour %.2f s de parole",
+                speech.elapsed_s, speech.audio_s)
+
+    args.out.parent.mkdir(parents=True, exist_ok=True)
+    with wave.open(str(args.out), "wb") as wav:
+        wav.setnchannels(audio.channels)
+        wav.setsampwidth(audio.bits // 8)
+        wav.setframerate(audio.sample_rate)
+        wav.writeframes(speech.pcm)
+
+    print(f"\n  entendu : « {transcript.text} »")
+    print(f"  reponse : « {answer} »")
+    print(f"  delai   : {transcript.elapsed_s + speech.elapsed_s:.2f} s de calcul avant le premier son")
+    print(f"  ecoute  : make play OUT={args.out}\n")
+    return 0
+
+
+if __name__ == "__main__":
+    sys.exit(main(sys.argv[1:]))