# webrtc-komaroff: от голоса к действию Основная серия — три версии одного объясняющего ролика: 1080p, 30 кадров/с, встроенные субтитры, 19 анимированных сцен. В этих трёх версиях нет музыки и записей голоса человека; голос — локальная Silero v5.5 RU: | Голос | Длительность по таймлайну | Полное видео | Первые 30 секунд | |---|---:|---|---| | Xenia | 3:08.133 | [MP4](#archive-availability) | [Фрагмент](#archive-availability) | | Aidar | 3:44.433 | [MP4](#archive-availability) | [Фрагмент](#archive-availability) | | Eugene | 2:54.300 | [MP4](#archive-availability) | [Фрагмент](#archive-availability) | [Основной MP4](#archive-availability) совпадает с вариантом Xenia. Предыдущая версия Piper сохранена в [архиве](#archive-availability) для сравнения, но не входит в три новых варианта. Отдельно подготовлены [два 20-секундных демо с Fish Audio](): один и тот же фрагмент с женским и мужским русскоязычными голосами через бесплатную API-модель `s2.1-pro-free`. После подтверждения пользователем прав на использование записи и голоса создана [новая полная версия с синтетической имитацией голоса Владимира Путина](): [MP4, 3:44.900](#archive-availability). Её образец и текст передавались Fish Audio; постоянная пометка в кадре поясняет, что это не реальное выступление и не поддержка проекта. У версии собственные таймлайн, SRT и отчёт проверки. - [Текст диктора](), [SRT](), [план сцен](). - [Точные интервалы и параметры голоса](). - [Установка, размер зависимостей и требования](); исходные WAV, SRT и таймлайны каждой версии лежат в `voice-variants/<голос>/`. - [Анимация](#archive-availability), [контроль качества](). - [Архитектурный разбор](), [реестр доказательств](). - [Предложения изменений](). Ролик сделан для заявленного пользователем некоммерческого использования. Он не опубликован во внешнем сервисе. Код приложения, deployment, задачи и MR этой работой не менялись. ## О чём ролик Реплика «Покажи ближайшие аэропорты» связывает объяснение в одну историю: WebRTC → Core → NATS → Whisper bridge → LinTO → Agent → workflow → инструменты → событие браузеру. Схемы объясняют взаимодействие, но не воспроизводят настоящий экран приложения. Карта и графики условные. Сцены 13–18 помечены «Предложение»: они не показывают уже внедрённую архитектуру. Основной снимок: [webrtc-komaroff, 772de4a](), 16.09.2026. ASR bridge проверен по [py_faster_whisper, 21c85b0](). Текущее состояние кластера не проверялось. Наличие трёх движков в исходниках не означает, что все три используются в production. ## Источники сцен | Сцены | Основание | Граница | |---|---|---| | 01–04 | handle_track.py, whisper_stream_node.py, handle_transcription.py | 20 мс — параметр аудиокадра, не задержка ответа | | 05 | py_faster_whisper/src/stt_whisper_to_nats.py | VAD + внешний LinTO; не локальный Whisper inference | | 06–08 | src_agent/agent.py, runtime/engine.rb | Восстановление диалога из БД; не доказательство crash recovery каждого внешнего шага | | 09 | find_nearest_airport_spec.rb: routing_decision + tool_params | Два LLM-вызова для нового запроса в Ruby node сценарии; не для любого turn | | 10–12 | src_api_gateway/main.py, src_agent/service.py | Демо-позиция, погода и рейсы; отдельные HTTP-ответ и UI-event | | 13 | handle_init_map.py | В коде сначала airports/list, затем pilot/location. Параллелизм допустим после решения требований к согласованности snapshot | | 14 | src_llm/utils/base_service.py: create_task до semaphore | Риск роста ожидающих задач; overload benchmark не выполнялся | | 15 | runtime_state.py, utils/db.py, src_agent/agent.py | Отдельные записи; повторное выполнение при сбое — вывод, не воспроизведённый инцидент | | 16 | stack/webrtc.drs + три src_langgraph* | Выбор одного движка требует проверки паритета и потребителей | | 17 | src_agent/agent.py и вызов workflow | Объединение — вариант, не готовое решение; экономия latency не измерена | | 18–19 | Реестр доказательств и восемь отдельных предложений | Нет выдуманного baseline, процентов ускорения и утверждений о production | Точные файлы каждой сцены указаны в story.json. На схемах часть вспомогательных хопов опущена ради объяснения ответственности, а не протокольной спецификации. ## Воспроизведение Node и pnpm, Python 3.12, ffmpeg/ffprobe, Chrome. В этой сборке: Remotion 4.0.507, React 19.2.8, TypeScript 5.9.3, CPU PyTorch 2.8.0 и NumPy 2.5.3. JS-зависимости зафиксированы `pnpm-lock.yaml`; детали Python-установки и веса — в [VOICE_SETUP.md](). ```bash pnpm install --ignore-scripts python3.12 -m venv .venv .venv/bin/pip install numpy==2.5.3 .venv/bin/pip install torch==2.8.0 --index-url https://download.pytorch.org/whl/cpu # Загрузить и проверить официальный v5_5_ru.pt (URL и SHA в VOICE_SETUP.md). .venv/bin/python scripts/codex_audio.py --project . --model /absolute/v5_5_ru.pt --speaker xenia --threads 4 env -u NODE_OPTIONS pnpm exec tsc --noEmit env -u NODE_OPTIONS node scripts/codex_render.mjs stills env -u NODE_OPTIONS node scripts/codex_render.mjs pilot env -u NODE_OPTIONS node scripts/codex_render.mjs full python3 scripts/mux.py # Повторить синтез + render + mux отдельно для aidar и eugene. ``` Готовый master WAV включён: для повторного render без изменения текста модель не нужна. Укажи `REMOTION_BROWSER_EXECUTABLE`, если Chrome расположен не в `/usr/bin/google-chrome`. На машине сборки `NODE_OPTIONS` снимался только для дочернего процесса Node, глобальная конфигурация не менялась. Аудио сначала измеряется, затем округляется до кадров; при 48000 Гц и 30 fps это ровно 1600 отсчётов на кадр. SRT и картинки используют один timeline. Нормализация громкости выполнена при mux; исходная озвучка остаётся отдельно. ## Toolkit, голос и авторство Required Notice: Copyright (c) 2026 Vincent Wei (https://github.com/Vincentwei1021/anything2explainer) Использован [anything2explainer](): шаблон проекта, структура производства, DotFieldBg и библиотека компонентов. Сценарий, русская типографика, предметные схемы, локальная озвучка и Codex helpers добавлены отдельно. Условия toolkit сохранены в [LICENSE.anything2explainer](#archive-availability); исходный автор указывает, что готовые видео принадлежат их создателям. Шрифты исходного шаблона имеют отдельный OFL notice. В ролике используется DejaVu Sans: [условия](). [Remotion имеет собственные условия](). Основные полные версии озвучены локально: Silero `v5_5_ru.pt`, голоса Xenia, Aidar и Eugene. [Модель и список голосов](), [лицензия CC BY-NC-SA 4.0](). Исключение MIT для CIS base не распространяется на `v5_5_ru`. SHA модели записан в каждом `film-timeline.json`. Для отдельного [20-секундного демо Fish Audio]() текст четырёх фраз передавался облачному TTS; в [новой полной версии Fish]() передавались текст и разрешённый пользователем голосовой образец. Это не относится к локальным версиям. Старая [карточка Piper]() относится только к архивной версии. API сборки проверен по Context7 (/remotion-dev/remotion) и установленным type declarations: bundle, selectComposition, openBrowser, renderStill, renderMedia. См. [официальный server-side rendering]().