# ***********音频采集配置 *************
audio:
  sample_rate: 16000
  channels: 1
  sample_width: 2
  frame_size: 1024
  audio_format: "wav"
  # 麦克风：仅使用 input_device_index（PyAudio 整数）。null = 自动尝试默认输入 + 所有 in>0 设备。
  # 运行 python src/rocket_drone_audio.py 会默认打印 arecord -l、PyAudio 列表与 hw 映射并交互选择。
  # 自动化可加 --non-interactive 并在此写入整数索引；或传 --input-index / ROCKET_INPUT_DEVICE_INDEX。
  input_device_index: null
  # 以下字段已不再参与选麦逻辑（可删或保留作备忘）
  input_strict_selection: false
  input_hw_card_device: null
  input_device_name_match: null
  # 设备报告双声道、但 channels 为 1 时，用立体声打开再下混为 mono（Orange Pi ES8388 等需开启）
  prefer_stereo_capture: true
  # ES8388 常需 48k 才能打开；打开后会在采集里重采样回 sample_rate
  audio_open_try_rates: [16000, 48000, 44100]
  # conda 下 PyAudio 常链到残缺 ALSA 插件：请在 shell 用 bash with_system_alsa.sh python … 启动
  # ES8388 大声说话仍只有 RMS≈30：多为 ALSA「Left/Right Channel」采集=0%，先执行 scripts/es8388_capture_up.sh 再 sudo alsactl store
  
  # 高性能优化配置
  high_performance_mode: true  # 启用高性能模式（多线程+异步处理）
  use_callback_mode: true  # 使用回调模式（非阻塞）
  buffer_queue_size: 10  # 音频缓冲队列大小
  processing_threads: 2  # 处理线程数（采集和处理并行）
  batch_processing: true  # 启用批处理优化
  
  # 降噪配置
  noise_reduce: true
  noise_reduction_method: "lightweight"  # "lightweight" (轻量级) 或 "noisereduce" (完整版)
  noise_sample_duration_ms: 500  # 噪声样本收集时长（毫秒）
  noise_reduction_cutoff_hz: 80.0  # 轻量级降噪高通滤波截止频率（Hz）
  
  # 自动增益控制配置
  agc: true
  agc_method: "incremental"  # "incremental" (增量) 或 "standard" (标准)
  agc_target_db: -20.0  # AGC 目标音量（dB）
  # 过小（如 0.1）时在短时强噪声后易把波形压到 int16 近 0，能量 VAD 长期收不到音；建议 0.25～0.5
  agc_gain_min: 0.25  # AGC 最小增益倍数
  agc_gain_max: 10.0  # AGC 最大增益倍数
  agc_rms_threshold: 1e-6  # AGC RMS 阈值（避免除零）
  agc_smoothing_alpha: 0.1  # 压低增益时的平滑系数（0-1，越小越慢）
  agc_release_alpha: 0.45  # 需要抬增益时（巨响/小声后恢复）用更大系数，由 audio.py 读取

# ***********语音活动检测配置 *************
vad:
  # 略降低门槛，避免板载麦/经 AGC 后仍达不到 0.65
  threshold: 0.45
  start_frame: 2
  # 句尾连续静音块数（每块时长≈audio.frame_size/sample_rate）；recognizer.trailing_silence_seconds 优先覆盖此项与 energy_vad_end_chunks
  end_frame: 10
  min_silence_duration_s: 0.5
  max_silence_duration_s: 30
  model_path: "models/SileroVad/silero_vad.onnx"

# ***********语音识别配置 *************
stt:
  # 模型路径配置
  model_dir: "models/SenseVoiceSmall"  # 模型目录
  model_path: "models/SenseVoiceSmall/model.int8.onnx"  # 直接指定模型路径（优先级高于 model_dir）
  prefer_int8: true  # 是否优先使用 INT8 量化模型
  warmup_file: ""  # 预热音频文件
  
  # 音频预处理配置
  sample_rate: 16000  # 采样率（与 audio 配置保持一致）
  n_mels: 80  # Mel 滤波器数量
  frame_length_ms: 25  # 帧长度（毫秒）
  frame_shift_ms: 10  # 帧移（毫秒）
  log_eps: 1e-10  # log 计算时的极小值（避免 log(0)）
  
  # ARM 设备优化配置
  arm_optimization:
    enabled: true  # 是否启用 ARM 优化
    max_threads: 4  # 最大线程数（RK3588 使用 4 个大核）
  
  # CTC 解码配置
  ctc_decode:
    blank_id: 0  # 空白 token ID
  
  # 语言和文本规范化配置（默认值，实际从模型元数据读取）
  language:
    zh_id: 3  # 中文语言ID（默认值）
  text_norm:
    with_itn_id: 14  # 使用 ITN 的 ID（默认值）
    without_itn_id: 15  # 不使用 ITN 的 ID（默认值）
  
  # 后处理配置
  postprocess:
    special_tokens:  # 需要移除的特殊 token
      - "<|zh|>"
      - "<|NEUTRAL|>"
      - "<|Speech|>"
      - "<|woitn|>"
      - "<|withitn|>"

# ***********文本转语音配置 *************
tts:
  # Kokoro ONNX 中文模型目录
  model_dir: "models/Kokoro-82M-v1.1-zh-ONNX"

  # ONNX 子目录中的模型文件名
  # 清晰度优先: model_fp16.onnx / model.onnx > model_q4f16.onnx > int8/uint8
  # 速度（板端 CPU）：可试 model_q4f16.onnx；uint8 有时更慢（取决于 ORT/CPU）
  # 若仓库中仅有量化版，可改回 model_uint8.onnx 或 model_q4f16.onnx
  model_name: "model_uint8.onnx"

  # 语音风格(对应 voices 目录下的 *.bin, 这里不写扩展名)
  # 女声常用 zf_001 / zf_002；可换 zm_* 男声。以本机 voices 目录实际文件为准。
  voice: "zm_009"

  # 语速系数(1.0 最自然; >1 易显赶、含糊; <1 更稳但略慢)
  speed: 1.15
  # 输出采样率(与 Kokoro 模型保持一致, 官方为 24000Hz)
  sample_rate: 24000

  # sounddevice 播放输出设备（命令应答语音走扬声器时请指定，避免播到虚拟声卡/耳机）
  # null：使用系统默认输出设备
  # 整数：设备索引（启动日志会列出「sounddevice 输出设备列表」供对照）
  # 字符串：设备名称子串匹配（不区分大小写），例如 "扬声器"、"Speakers"、"Realtek"
  # 香橙派走 HDMI 出声时 PortAudio 名常含 rockchip-hdmi0，可设 output_device: "rockchip-hdmi0"（与 ROCKET_TTS_DEVICE 一致）
  output_device: null

  # 播放前重采样到该输出设备的 default_samplerate（Windows/WASAPI 下 24000Hz 常无声，强烈建议 true）
  playback_resample_to_device_native: true

  # 播放前将峰值压到约 0.92，减轻削波导致的爆音/杂音
  playback_peak_normalize: true
  # 播放音量增益（波形幅度乘法，1.0 不变；1.3～1.8 更响，过大可能削波失真）
  playback_gain: 2.5
  # 首尾淡入淡出（毫秒），减轻驱动/缓冲区切换时的爆音与「咔哒」声
  playback_edge_fade_ms: 8
  # sounddevice OutputStream 延迟: low / medium / high（high 易积缓冲，部分机器听感发闷或拖尾）
  playback_output_latency: low

# ***********云端语音（LLM + TTS 上云，见 clientguide.md）*************
cloud_voice:
  enabled: false
  server_url: "ws://192.168.0.186:8766/v1/voice/session"
  auth_token: "drone-voice-cloud-token-2024"
  device_id: "drone-001"
  timeout: 120
  # PROMPT_LISTEN：麦克 RMS 持续低于 recognizer.energy_vad_rms_low 的累计秒数 ≥ 此值则超时（非滴声后固定墙上时钟）；消抖/提示音见下
  listen_silence_timeout_sec: 5
  post_cue_mic_mute_ms: 200
  segment_cue_duration_ms: 120
  # 问候语 / 本地 LLM 文案 / 飞控确认超时等字符串是否走 WebSocket tts.synthesize（见 docs/API.md §3.3）；失败回退 Kokoro
  remote_tts_for_local: true
  # 云端失败时是否回退本地 Qwen + Kokoro（需本地模型）
  fallback_to_local: true
  # PX4/MAV 语境：合并进 WebSocket session.start 的 client，供服务端 LLM；也可用 ROCKET_CLOUD_PX4_CONTEXT_FILE 覆盖路径
  px4_context_file: "voice_drone/config/cloud_voice_px4_context.yaml"

# ***********socket服务器配置 *************
socket_server:
  # deployed
  host: "192.168.43.200"
  port: 6666

 #local
  # host: "127.0.0.1"
  # port: 8888
  connection_timeout: 5.0
  send_timeout: 2.0
  reconnect_interval: 3.0
  # -1：断线后持续重连并发送直到成功（仅打 warning，不当作一次性致命错误）；正整数：最多尝试次数
  max_retries: -1

# ***********文本预处理配置 *************
text_preprocessor:
  # 功能开关
  enable_traditional_to_simplified: true  # 启用繁简转换
  enable_segmentation: true  # 启用分词
  enable_correction: true  # 启用纠错
  enable_number_extraction: true  # 启用数字提取
  enable_keyword_detection: true  # 启用关键词检测
  
  # 性能配置
  lru_cache_size: 512  # LRU缓存大小（分词结果缓存）

# ***********识别器流程配置 *************
recognizer:
  # 句尾连续静音达到该秒数后才切段送 STT，减少句中停顿被切开、识别半句。按 audio.frame_size 与 sample_rate 换算块数，
  # 并同时设置 Silero 的 vad.end_frame 与 energy 的 energy_vad_end_chunks。不配置则分别用 yaml 中上述两项。
  trailing_silence_seconds: 1.5
  # VAD 后端：energy（默认，无需 Silero ONNX）或 silero（需 models/SileroVad/silero_vad.onnx）
  vad_backend: energy
  energy_vad_rms_high: 8000    # int16 块 RMS，连续达到 start_chunks 块判为开始说话
  energy_vad_rms_low: 5000    # 连续 end_chunks 块低于此判为结束（高噪底时单独不够）
  # 相对峰值判停：首字很响时若仍用 0.88，句中略轻易误判「已说完」。可改为 0.75～0.82；设 0 则关闭相对判据（只靠 rms_low + 尾静音）
  energy_vad_end_peak_ratio: 0.80
  # 每音频块后对句内峰值衰减系数（0.95～0.999），与 end_peak_ratio 配合减少「长句说到一半被切」
  energy_vad_utt_peak_decay: 0.988
  energy_vad_start_chunks: 4
  energy_vad_end_chunks: 15
  # 预缓冲：在检测到语音开始时，把开始前的一小段音频也拼进语音段
  # 用于避免 VAD 起始判定稍慢导致“丢字/丢开头”
  pre_speech_max_seconds: 0.8
  # Socket 命令发送成功后，是否用 TTS 语音回复（需 Kokoro 模型与 sounddevice）
  ack_tts_enabled: true
  # 若配置了 ack_tts_phrases 且非空：仅下列命令会播报，且每次从对应列表随机选一句。
  # 若未配置或为空 {}：回退为全局 ack_tts_text，所有成功命令均播报同一句（并可预缓存波形）。
  # 阻塞预加载时会对所有「不重复」的备选句逐条合成并缓存；句数越多启动阶段越久，但播报为低延迟播放缓存。
  ack_tts_phrases:
    takeoff:
      - "收到，正在控制无人机起飞"
      - "明白，正在准备起飞"
      - "懂你意思, 这就开始起飞"
    land:
      - "收到，正在控制无人机降落"
      - "明白，马上降落"
      - "懂你意思, 这就开始降落"
    follow:
      - "好的，我将持续跟随你，但请你不要移动太快"
      - "主人，我已经开始跟随模式，请不要突然离开我的视线"
      - "我已经开启了跟随模式"
    hover:
      - "我已悬停"
      - "我已经停下脚步了"
      - "放心，我现在开始不会乱动了"
  # 未使用 ack_tts_phrases 时的全局固定应答（旧行为）
  ack_tts_text: "收到！执行命令！"
  # 应答波形磁盘缓存：文案与 tts 配置未变时从 cache/ack_tts_pcm/ 读取，跳过后续启动时的逐条合成（可明显加快二次启动）
  ack_tts_disk_cache: true
  # 启动时预加载 Kokoro（首次加载约需十余秒）
  ack_tts_prewarm: true
  # true：启动阶段阻塞到 TTS 就绪后再进入监听（命令成功后可马上播报）；false：后台加载（首条命令可能仍要等十余秒）
  ack_tts_prewarm_blocking: true
  # 播报应答前暂时停止 PyAudio 麦克风（Windows 上输入/输出同时占用时常导致扬声器无声；单独跑 tts 脚本时无此问题）
  # 香橙派 ES8388：暂停/恢复采集后出现「VAD RMS≈0、像没电平」时，可改为 false（避免 stop/start 采集），或加大 ROCKET_MIC_RESTART_SETTLE_MS。
  ack_pause_mic_for_playback: true

# ***********主程序 main_app（TakeoffPrintRecognizer）*************
assistant:
  # 「keywords.yaml 里 takeoff 词 → 本地 offboard + WAV」捷径；默认关，飞控走云端 flight_intent / ROS 桥即可。
  # 若需恢复口令起飞：此处改为 true，或启动前 export ROCKET_LOCAL_KEYWORD_TAKEOFF=1（非空环境变量优先于本项）。
  local_keyword_takeoff_enabled: false

# ***********日志配置 *************
logging:
  level: "INFO"
  debug: false