Micro : amplification serveur avant le VAD + diarisation stabilisée

Captation micro :
- Plus AUCUN test/bascule de micro automatique (choix manuel uniquement)
- Amplification adaptative (AGC) déplacée dans le segmenteur, AVANT la
  détection de parole : un micro faible (casque) était sous le seuil du VAD,
  aucune phrase n'était détectée. Validé : signal crête 1473 -> 16600, capté.
- Le client envoie l'audio brut (plus de gain navigateur qui se battait avec) ;
  vumètre affiché amplifié pour rester lisible

Diarisation (locuteurs éclatés en 3, 4, 5... pour une même personne) :
- Seuil abaissé (0.70 -> 0.35) + zone morte large : un nouveau locuteur n'est
  créé que si le score est nettement bas ET le segment assez long (>=1.2s)
- Centroïde plus stable (EMA alpha 0.15) + adhérence au dernier locuteur
- Validé : 1 personne reste 1 locuteur même très bruitée ; 2-3 voix séparées

https://claude.ai/code/session_01YHMp3EKzr4s6o8w1ygxuUe

app/diarizer.py

@@ -25,10 +25,14 @@ class _SpeakerProfile:
     label: str
     embedding: np.ndarray            # centroïde courant (moyenne mobile)
     count: int = 0                   # nombre d'observations
-    _ema_alpha: float = field(default=0.3, repr=False)
+    _ema_alpha: float = field(default=0.15, repr=False)
 
     def update(self, new_emb: np.ndarray) -> None:
-        """Met à jour le centroïde via une moyenne mobile exponentielle."""
+        """Met à jour le centroïde via une moyenne mobile exponentielle.
+
+        Alpha faible : le centroïde reste stable et ne dérive pas vers les
+        variations d'un segment à l'autre (qui scinderaient un même locuteur).
+        """
         self.count += 1
         if self.count == 1:
             self.embedding = new_emb.copy()
@@ -106,59 +110,77 @@ class SpeakerDiarizer:
     profils de locuteurs. Le modèle d'embedding est partagé (EmbeddingModel).
     """
 
+    # Un nouveau locuteur n'est créé que si le meilleur score est NETTEMENT
+    # sous le seuil (zone morte) ET que le segment est assez long pour donner
+    # une empreinte fiable. Sinon le segment est rattaché au meilleur profil.
+    # Cela évite qu'un même locuteur soit éclaté en Locuteur 3, 4, 5...
+    NEW_SPEAKER_MARGIN = 0.20   # écart sous le seuil pour autoriser un nouveau
+    NEW_SPEAKER_MIN_S = 1.2     # durée mini d'un segment pour créer un locuteur
+    STICKY_MARGIN = 0.05        # adhérence au dernier locuteur si scores proches
+
     def __init__(
         self,
         model: EmbeddingModel,
-        threshold: float = 0.70,
+        threshold: float = 0.35,
         max_speakers: int = 8,
     ) -> None:
         self._model = model
         self._threshold = threshold
         self._max_speakers = max_speakers
         self._profiles: list[_SpeakerProfile] = []
+        self._last: _SpeakerProfile | None = None
 
     def identify(self, pcm: bytes, sample_rate: int = 16000) -> str:
         """Identifie le locuteur d'un segment PCM.
 
         Returns:
-            Label du locuteur ("Locuteur 1", "Locuteur 2", etc.)
+            Label du locuteur ("Locuteur 1", "Locuteur 2"...) ou chaîne vide
-            ou chaîne vide si le segment est trop court pour être analysé.
+            si le segment est trop court pour être analysé.
         """
         try:
             embedding = self._model.extract(pcm, sample_rate)
         except ValueError:
-            # Segment trop court — on ne peut pas identifier le locuteur
             return ""
 
-        # Comparer avec les profils existants
+        duration_s = (len(pcm) // 2) / sample_rate
-        best_score = -1.0
-        best_profile: _SpeakerProfile | None = None
 
-        for profile in self._profiles:
+        # Score de chaque profil existant
-            score = _cosine_similarity(embedding, profile.embedding)
+        scores = [(_cosine_similarity(embedding, p.embedding), p) for p in self._profiles]
-            if score > best_score:
+        best_score, best_profile = max(scores, default=(-1.0, None), key=lambda x: x[0])
-                best_score = score
-                best_profile = profile
 
+        # Adhérence : si le dernier locuteur est presque aussi proche que le
+        # meilleur, on le garde (réduit le clignotement entre deux profils).
+        if self._last is not None and best_profile is not self._last:
+            last_score = next((s for s, p in scores if p is self._last), -1.0)
+            if last_score >= best_score - self.STICKY_MARGIN:
+                best_score, best_profile = last_score, self._last
+
+        # Rattachement à un locuteur connu
         if best_profile is not None and best_score >= self._threshold:
             best_profile.update(embedding)
+            self._last = best_profile
             return best_profile.label
 
-        # Nouveau locuteur (sauf si on a atteint le max)
+        # Création d'un nouveau locuteur : conditions strictes
-        if len(self._profiles) >= self._max_speakers:
+        can_create = (
-            # Forcer l'attribution au profil le plus proche
+            len(self._profiles) < self._max_speakers
-            if best_profile is not None:
+            and duration_s >= self.NEW_SPEAKER_MIN_S
+            and best_score < self._threshold - self.NEW_SPEAKER_MARGIN
+        )
+        if not can_create and best_profile is not None:
+            # Zone ambiguë ou segment court : on rattache au plus proche
             best_profile.update(embedding)
+            self._last = best_profile
             return best_profile.label
-            # Cas dégénéré : aucun profil et max atteint (ne devrait pas arriver)
-            return "Locuteur 1"
 
         new_label = f"Locuteur {len(self._profiles) + 1}"
         new_profile = _SpeakerProfile(label=new_label, embedding=embedding)
         new_profile.update(embedding)
         self._profiles.append(new_profile)
+        self._last = new_profile
         return new_label
 
     def reset(self) -> None:
         """Réinitialise les profils pour une nouvelle session."""
         self._profiles.clear()
+        self._last = None

app/main.py

@@ -44,7 +44,7 @@ def clean_transcript(text: str) -> str:
 
 # Diarisation (identification des locuteurs) : embeddings ECAPA-TDNN sur CPU
 DIARIZATION = os.environ.get("DIARIZATION", "off").strip().lower() == "on"
-DIARIZATION_THRESHOLD = float(os.environ.get("DIARIZATION_THRESHOLD", "0.70"))
+DIARIZATION_THRESHOLD = float(os.environ.get("DIARIZATION_THRESHOLD", "0.35"))
 DIARIZATION_MAX_SPEAKERS = int(os.environ.get("DIARIZATION_MAX_SPEAKERS", "8"))
 
 LIVEFLOW_USER = os.environ.get("LIVEFLOW_USER", "admin")

app/segmenter.py

@@ -9,6 +9,8 @@ silence prolongé ou une durée maximale.
 from collections import deque
 from dataclasses import dataclass
 
+import audioop
+
 import webrtcvad
 
 SAMPLE_RATE = 16000
@@ -22,6 +24,15 @@ SILENCE_END_MS = 700       # silence qui clôt un segment
 MIN_SPEECH_MS = 300        # en dessous, le segment est ignoré (bruit)
 MAX_SEGMENT_S = 25         # coupe forcée pour garder une latence raisonnable
 
+# Contrôle de gain automatique appliqué AVANT la détection de parole : sans lui,
+# un micro faible (casque...) reste sous le seuil du VAD et aucune phrase n'est
+# détectée. On amène le niveau crête vers une cible exploitable.
+AGC_TARGET_PEAK = 11000    # niveau crête visé (échelle int16)
+AGC_NOISE_FLOOR = 120      # en dessous : du silence, on n'amplifie pas
+AGC_MAX_GAIN = 60.0        # amplification maximale
+AGC_ATTACK = 0.5           # vitesse de montée du gain (0-1)
+AGC_RELEASE = 0.2          # vitesse de descente du gain (0-1)
+
 
 @dataclass
 class Segment:
@@ -30,9 +41,29 @@ class Segment:
     t1: float
 
 
+class _AutoGain:
+    """Amplification adaptative du flux pour fiabiliser la détection de parole."""
+
+    def __init__(self):
+        self.gain = 1.0
+
+    def process(self, frame: bytes) -> bytes:
+        peak = audioop.max(frame, 2)
+        if peak >= AGC_NOISE_FLOOR:
+            desired = min(AGC_MAX_GAIN, AGC_TARGET_PEAK / peak)
+            rate = AGC_ATTACK if desired > self.gain else AGC_RELEASE
+            self.gain += (desired - self.gain) * rate
+            self.gain = max(1.0, min(AGC_MAX_GAIN, self.gain))
+        if self.gain > 1.01:
+            return audioop.mul(frame, 2, self.gain)
+        return frame
+
+
+
 class SpeechSegmenter:
     def __init__(self):
         self._vad = webrtcvad.Vad(VAD_AGGRESSIVENESS)
+        self._agc = _AutoGain()
         self._pending = bytearray()
         self._ring: deque[tuple[bytes, bool]] = deque(maxlen=PREROLL_FRAMES)
         self._frame_index = 0
@@ -49,6 +80,7 @@ class SpeechSegmenter:
         while len(self._pending) >= FRAME_BYTES:
             frame = bytes(self._pending[:FRAME_BYTES])
             del self._pending[:FRAME_BYTES]
+            frame = self._agc.process(frame)  # amplifie avant le VAD
             seg = self._process_frame(frame)
             if seg is not None:
                 segments.append(seg)

app/static/app.js

@@ -15,8 +15,6 @@ const state = {
   heardSound: false,
   silentWarned: false,
   sourceNode: null,
-  gainNode: null,
-  lastGainAt: 0,
   paused: false,
 };
 
@@ -78,8 +76,7 @@ async function switchMic(deviceId) {
   if (state.mediaStream) state.mediaStream.getTracks().forEach((t) => t.stop());
   state.mediaStream = stream;
   state.sourceNode = state.audioContext.createMediaStreamSource(stream);
-  state.sourceNode.connect(state.gainNode);
+  state.sourceNode.connect(state.workletNode);
-  state.gainNode.gain.value = savedGain();
   state.lastLoudAt = Date.now();
   return true;
 }
@@ -125,12 +122,10 @@ async function startRecording() {
   await state.audioContext.audioWorklet.addModule('worklet.js');
   state.workletNode = new AudioWorkletNode(state.audioContext, 'pcm-downsampler');
   state.workletNode.port.onmessage = (e) => queuePcm(new Int16Array(e.data));
-  // gain automatique : compense les micros trop faibles (casques...)
+  // L'amplification des micros faibles se fait côté serveur (AGC avant le
-  state.gainNode = state.audioContext.createGain();
+  // VAD) : le client envoie l'audio brut, sans gain qui se battrait avec.
-  state.gainNode.gain.value = savedGain();  // repart du gain mémorisé
-  state.gainNode.connect(state.workletNode);
   state.sourceNode = state.audioContext.createMediaStreamSource(state.mediaStream);
-  state.sourceNode.connect(state.gainNode);
+  state.sourceNode.connect(state.workletNode);
 
   // les libellés des micros ne sont disponibles qu'une fois la permission accordée
   listMics();
@@ -169,38 +164,13 @@ function updateVu(samples) {
     const v = Math.abs(samples[i]);
     if (v > peak) peak = v;
   }
-  $('vu-bar').style.width = Math.min(100, (peak / 32768) * 140) + '%';
+  // Affichage amplifié (x8) : le serveur amplifie le signal réel, le vumètre
-  if (peak > 1500) {
+  // reflète l'activité même avec un micro faible.
+  $('vu-bar').style.width = Math.min(100, (peak / 32768) * 140 * 8) + '%';
+  if (peak > 150) {
     state.lastLoudAt = Date.now();
     state.heardSound = true;
   }
-  autoGain(peak);
-}
-
-// Gain automatique : monte progressivement le volume des micros faibles
-// jusqu'à un niveau exploitable par la détection de parole, redescend en cas
-// de saturation, et mémorise le gain trouvé pour les prochaines réunions.
-function savedGain() {
-  const g = parseFloat(localStorage.getItem('liveflow-gain'));
-  return Number.isFinite(g) ? Math.min(80, Math.max(1, g)) : 1;
-}
-
-function autoGain(peak) {
-  if (!state.gainNode || state.paused) return;
-  const now = Date.now();
-  if (now - state.lastGainAt < 250) return;
-  state.lastGainAt = now;
-  const g = state.gainNode.gain.value;
-  let next = g;
-  if (peak > 27000) {
-    next = Math.max(1, g * 0.7);            // proche saturation
-  } else if (peak > 60 && peak < 12000) {
-    next = Math.min(80, g * 1.3);           // signal trop faible
-  }
-  if (next !== g) {
-    state.gainNode.gain.value = next;
-    localStorage.setItem('liveflow-gain', String(next));
-  }
 }
 
 function flushPcm() {