Interview Simulator

Голосовой тренажёр собеседований: вставляете текст вакансии, выбираете грейд и стиль интервьюера — LLM-интервьюер проводит голосовое интервью по раундам (technical / behavioral / algorithms / system_design), задаёт follow-up вопросы по вашим ответам, а в конце формирует отчёт: скоринг по компетенциям, разбор каждого ответа, план подготовки и вердикт.

Стек

Слой	Технологии
Backend	FastAPI (порт :8100, Swagger — :8100/docs), SQLAlchemy, SQLite
Frontend	Next.js (порт :3000), Tailwind, shadcn/ui
STT	faster-whisper (локально, CUDA/CPU)
TTS	Silero (русский, локально)
Трекинг	MLflow (UI — :5100)
LLM	локальный omniroute-gateway или облачный OpenAI-совместимый провайдер

Быстрый старт

make setup       # python 3.12 через uv, зависимости backend (uv sync) и frontend (npm ci)
make models      # скачивание faster-whisper и Silero (~1.7 ГБ, кэш в ~/.cache)
make dev         # frontend :3000 + backend :8100 (Swagger: http://localhost:8100/docs)
make mlflow-ui   # MLflow UI: http://localhost:5100

LLM-провайдеры

• Локальный (по умолчанию) — omniroute-gateway, OpenAI-совместимый: http://localhost:20128/v1, модель glm/glm-5.3-flash (см. .env.example).
• Облачный — любой OpenAI-совместимый провайдер. Base URL, API-ключ и модель задаются в настройках UI — без правки кода. Ключ в репозиторий не попадает (.env в .gitignore).

Переключение local ↔ cloud — в UI, без рестарта бэкенда.

Голос: возможности и ограничения

Голосовой цикл работает полностью локально: faster-whisper (STT) и Silero (TTS). Целевая машина — RTX 3070 Ti 8 ГБ (whisper: CUDA int8_float16). Микрофон не обязателен: если его нет, вопросы приходят текстом, а отвечать можно текстом — текстовый fallback является частью продукта, а не обходным путём.

TTS: Silero (T135)

• POST /api/tts {"text": "...", "voice": "kseniya"} → audio/wav (24 кГц, mono). Голоса: aidar/baya/kseniya/xenia/eugene/random; смена голоса — без рестарта (модель — singleton).
• Текст длиннее 300 символов режется по предложениям (сверхдлинные предложения — ещё и по словам, каждая часть ≤300 символов) и склеивается в один непрерывный wav.
• Модель строго CPU (VRAM не занимает). Артефакт v4_ru.pt (~40 МБ, models.silero.ai) кладётся в ~/.cache/torch/hub/silero/; скачивание входит в make models (консолидация T141). Отдельный прогрев при необходимости: cd backend && uv run python -m app.download_silero.
• Порядок загрузки в app/tts.py: артефакт v4_ru.pt → torch.hub.load('snakers4/silero-models', ...) → source='local'. Фолбэк W200: torch.hub-путь требует omegaconf (в зависимостях проекта нет) и доступности репозитория snakers4/silero-models на Hugging Face (сейчас отдаёт 404) — поэтому основной путь в этом окружении артефактный.

Голосовые модели: make models (T141)

make models скачивает обе модели одним прогоном (шаги whisper → silero, каждый идемпотентен: повтор — «already cached»):

Шаг	Модель	Размер	Кэш
STT	faster-whisper large-v3-turbo (ct2)	~1.6 ГБ	~/.cache/huggingface
TTS	silero v4_ru.pt	~40 МБ	~/.cache/torch/hub/silero/

Офлайн-фолбэки при первом старте без сети:

Компонент	Настройка	Поведение без сети/кэша
STT	WHISPER_DEVICE=cpu|cuda|auto (дефолт auto → CUDA при наличии, иначе CPU)	Скачивание через make models обязательно; без кэша whisper не стартует
TTS	порядок в app/tts.py: артефакт → torch.hub → source='local'	Без артефакта основной путь недоступен; фолбэк source='local' требует репозитория snakers4/silero-models

База данных: SQLite WAL (T155)

app.db работает в WAL-режиме (PRAGMA journal_mode=WAL, ставится автоматически на каждом соединении в backend/app/db.py) — LLM-вызов во время /answer больше не держит write-лок: параллельные записи (PUT /api/settings, второй /answer) не падают database is locked. data/mlflow.db отдельный файл: чтобы перевести его на WAL, выполните разово sqlite3 data/mlflow.db "PRAGMA journal_mode=WAL;" (режим персистентен на файле).

Состояние репозитория (каркас, T128)

Директорий backend/ и frontend/ ещё нет — они появятся в следующих задачах (T129+). Поэтому make-цели setup, models, backend, frontend, dev, test, lint сейчас завершаются ошибкой с пояснением (ненулевой код выхода — ожидаемое поведение).

• clean — уже рабочий: удаляет data/, .venv/, node_modules/, .next/, __pycache__/.
• mlflow-ui — рецепт финальный (uv run mlflow ui --backend-store-uri sqlite:///data/mlflow.db --port 5100 из backend/); заработает, как только появится backend-окружение с MLflow.

Документация

• AGENTS.md — конституция проекта: правила для агентов (git-flow, коммиты, стиль кода).
• docs/PRD.md — продукт: проблема, решение, user stories, scope/non-goals, метрики успеха.
• docs/ARCHITECTURE.md — архитектура: дерево репо, модель данных, LLM-протоколы (PLAN/TURN/EVAL), API, MLflow-контракт.
• docs/example-vacancy.md — тестовая вакансия для сквозной E2E-проверки.

For agents (EN)

Voice interview-training web app: paste a vacancy, get a voice interview (technical / behavioral / algorithms / system_design rounds with follow-ups) and a scored report. Stack: FastAPI (port :8100, Swagger at :8100/docs) + Next.js (port :3000, shadcn/ui), faster-whisper STT, Silero TTS, MLflow (:5100), SQLite. Quickstart: make setup → make models → make dev; MLflow UI via make mlflow-ui. LLM providers: local omniroute-gateway at http://localhost:20128/v1 (model glm/glm-5.3-flash) or any OpenAI-compatible cloud provider configured in the UI — no code changes. Voice runs fully locally (target GPU: RTX 3070 Ti 8 GB); a text fallback exists for setups without a microphone. Note: backend/ and frontend/ are not scaffolded yet — the corresponding make targets exit with an explanatory error (non-zero exit code is expected). Agents must read AGENTS.md before writing code; product scope: docs/PRD.md, architecture and contracts: docs/ARCHITECTURE.md.