Qualité de transcription : audio propre pour le moteur (corrige les erreurs)

L'AGC sur-amplifiait (jusqu'à x60) l'audio envoyé au moteur -> signal
déformé/bruité -> mauvaise reconnaissance. Désormais :
- Le VAD détecte sur l'audio amplifié, mais le segment stocke l'audio BRUT
- Le segment est normalisé proprement (mise à l'échelle linéaire unique vers
  crête ~22000, sans saturation) juste avant le moteur
- Segment max ramené de 25 s à 15 s pour un retour plus rapide
Validé bout en bout : micro faible -> détecté -> audio propre -> transcrit.

https://claude.ai/code/session_01YHMp3EKzr4s6o8w1ygxuUe

app/main.py

@@ -189,19 +189,28 @@ def pcm_to_wav(pcm: bytes) -> bytes:
     return buf.getvalue()
 
 
-QUIET_PEAK = 9000  # niveau crête en dessous duquel on amplifie (échelle int16)
+NORM_TARGET_PEAK = 22000   # niveau crête visé (≈0,67 pleine échelle), sans saturer
+NORM_MAX_GAIN = 25.0       # amplification maximale
+NORM_NOISE_FLOOR = 80      # en dessous : silence, on ne touche pas
 
 
 def boost_quiet_audio(pcm: bytes) -> tuple[bytes, int]:
-    """Amplifie les segments trop faibles (micros Bluetooth mains-libres...).
+    """Normalise proprement le niveau du segment pour le moteur ASR.
 
-    Retourne (audio, niveau crête d'origine).
+    Mise à l'échelle linéaire unique du segment entier vers un niveau cible
+    confortable, SANS saturation (gain = cible / crête), bien meilleure pour
+    la reconnaissance qu'une amplification par à-coups. Renvoie (audio, crête).
     """
     peak = audioop.max(pcm, 2)
-    if 0 < peak < QUIET_PEAK:
+    if peak < NORM_NOISE_FLOOR:
-        factor = min(6.0, 26000 / peak)
+        return pcm, peak
-        return audioop.mul(pcm, 2, factor), peak
+    gain = min(NORM_MAX_GAIN, NORM_TARGET_PEAK / peak)
-    return pcm, peak
+    if gain <= 1.05:
+        return pcm, peak
+    try:
+        return audioop.mul(pcm, 2, gain), peak
+    except Exception:
+        return pcm, peak
 
 
 async def _post_transcription(data: dict, wav: bytes) -> httpx.Response:

app/segmenter.py

@@ -22,7 +22,7 @@ PREROLL_FRAMES = 10        # 300 ms conservées avant le déclenchement
 TRIGGER_RATIO = 0.6        # part de trames "parole" du pré-roll pour démarrer
 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
+MAX_SEGMENT_S = 15         # 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
@@ -83,10 +83,12 @@ class SpeechSegmenter:
         self._pending.extend(data)
         segments = []
         while len(self._pending) >= FRAME_BYTES:
-            frame = bytes(self._pending[:FRAME_BYTES])
+            raw = bytes(self._pending[:FRAME_BYTES])
             del self._pending[:FRAME_BYTES]
-            frame = self._agc.process(frame)  # amplifie avant le VAD
+            # Le VAD travaille sur l'audio amplifié (détection fiable même micro
-            seg = self._process_frame(frame)
+            # faible) ; le segment stocke l'audio BRUT (transcription propre).
+            amplified = self._agc.process(raw)
+            seg = self._process_frame(raw, amplified)
             if seg is not None:
                 segments.append(seg)
         return segments
@@ -98,12 +100,12 @@ class SpeechSegmenter:
         self._pending.clear()
         return seg
 
-    def _process_frame(self, frame: bytes) -> Segment | None:
+    def _process_frame(self, raw: bytes, amplified: bytes) -> Segment | None:
-        is_speech = self._vad.is_speech(frame, SAMPLE_RATE)
+        is_speech = self._vad.is_speech(amplified, SAMPLE_RATE)
         self._frame_index += 1
 
         if not self._triggered:
-            self._ring.append((frame, is_speech))
+            self._ring.append((raw, is_speech))
             voiced = sum(1 for _, s in self._ring if s)
             if len(self._ring) == self._ring.maxlen and voiced >= TRIGGER_RATIO * self._ring.maxlen:
                 self._triggered = True
@@ -114,7 +116,7 @@ class SpeechSegmenter:
                 self._ring.clear()
             return None
 
-        self._segment.extend(frame)
+        self._segment.extend(raw)
         if is_speech:
             self._speech_frames += 1
             self._silence_frames = 0