P2: Vision im Stream (C2), TTS-Warmup-Retry (L2), parallel-2-Config vorbereitet

- voice.py: Bildschirm-Sicht laeuft IM SSE-Stream (+hermes.vision.progress-Event fuer
  Warte-Ansage), Vision-Timeout 120->45s (MC_VISION_TIMEOUT); deployt + Smoke-Test ok
- useVoiceAgent: Warm-Gate mit Retry/Backoff + sichtbarer Meldung statt stummem Fake-ready
- deploy-Config: hermes -c 131072 --parallel 2 (+KV Q8_0) — Mem0-Extraktion blockiert
  Voice-Turns nicht mehr; speicherneutral. Live-Schaltung: User
- Report: P2-Nachtrag; C5 (pricing/token_stats) war Fehlalarm — in Benutzung

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

backend/routers/voice.py

@@ -57,7 +57,9 @@ async def _describe_images(image_urls: list[str], hint: str) -> str:
     for u in image_urls:
         content.append({"type": "image_url", "image_url": {"url": u}})
     try:
-        async with httpx.AsyncClient(timeout=httpx.Timeout(120.0, connect=5.0)) as client:
+        # 45 s statt 120 s: Qwen3-VL braucht warm ~5 s; wenn es 45 s nicht schafft, ist etwas
+        # kaputt und Lucy soll lieber ohne Bildschirm-Kontext antworten als ewig hängen.
+        async with httpx.AsyncClient(timeout=httpx.Timeout(float(os.environ.get("MC_VISION_TIMEOUT", "45")), connect=5.0)) as client:
             r = await client.post(f"{LLAMA_SWAP_URL}/v1/chat/completions", json={
                 "model": VISION_MODEL, "max_tokens": VISION_MAX_TOKENS, "stream": False,
                 "messages": [{"role": "user", "content": content}],
@@ -193,26 +195,6 @@ async def voice_chat(body: ChatIn) -> StreamingResponse:
     if not HERMES_API_KEY:
         raise HTTPException(503, "HERMES_API_KEY/API_SERVER_KEY nicht gesetzt — Agent-Auth fehlt.")
 
-    messages = []
-    if body.system:
-        messages.append({"role": "system", "content": body.system})
-    user_text = body.text
-    imgs = [u for u in (body.images or []) if u]
-    if imgs:
-        # Bildschirm-Sicht: erst das Vision-Modell die Monitore beschreiben lassen, dann die Beschreibung
-        # als TEXT-Kontext an Hermes (Lucy antwortet mit vollem Hirn/Gedächtnis, sieht via besserem VL-Modell).
-        with Timer("vision"):
-            desc = await _describe_images(imgs, body.text)
-        if desc:
-            safe_desc = wrap_untrusted(desc, "BILDSCHIRM")
-            user_text = f"[Bildschirm-Sicht — das ist gerade auf dem/den Schirm(en) zu sehen:\n{safe_desc}\n]\n\n{body.text}"
-    messages.append({"role": "user", "content": user_text})
-    payload = {"model": body.model or HERMES_API_MODEL, "messages": messages, "stream": True}
-    # Lucys Hirn (Qwen3.6) ist ein Thinking-Modell -> für die gesprochene Assistentin Thinking AUS,
-    # sonst generiert es tausende Reasoning-Token VOR der kurzen Antwort (gemessen: 11k Token, ~30s TTFB).
-    # Gleiches Muster wie die fast-Spur im Gateway (gateway_proxy.py) und die Mem0-Extraktion.
-    if os.environ.get("MC_VOICE_NO_THINK", "1") not in ("0", "false", "False"):
-        payload["chat_template_kwargs"] = {"enable_thinking": False}
     headers = {
         "Authorization": f"Bearer {HERMES_API_KEY}",
         "X-Hermes-Session-Id": body.session_id,
@@ -224,6 +206,28 @@ async def voice_chat(body: ChatIn) -> StreamingResponse:
         t0 = time.perf_counter()
         first = True
         first_content = True
+        # Bildschirm-Sicht INNERHALB des Streams (C2-Fix): so startet die SSE-Antwort sofort und
+        # der Client bekommt ein Progress-Event (-> Lucy kann eine Warte-Ansage sprechen), statt
+        # dass der Request bis zu 120 s "tot" hängt, während das Vision-Modell beschreibt.
+        user_text = body.text
+        imgs = [u for u in (body.images or []) if u]
+        if imgs:
+            yield b'event: hermes.vision.progress\ndata: {"note": "Bildschirm wird angeschaut"}\n\n'
+            with Timer("vision"):
+                desc = await _describe_images(imgs, body.text)
+            if desc:
+                safe_desc = wrap_untrusted(desc, "BILDSCHIRM")
+                user_text = f"[Bildschirm-Sicht — das ist gerade auf dem/den Schirm(en) zu sehen:\n{safe_desc}\n]\n\n{body.text}"
+        messages = []
+        if body.system:
+            messages.append({"role": "system", "content": body.system})
+        messages.append({"role": "user", "content": user_text})
+        payload = {"model": body.model or HERMES_API_MODEL, "messages": messages, "stream": True}
+        # Lucys Hirn (Qwen3.6) ist ein Thinking-Modell -> für die gesprochene Assistentin Thinking AUS,
+        # sonst generiert es tausende Reasoning-Token VOR der kurzen Antwort (gemessen: 11k Token, ~30s TTFB).
+        # Gleiches Muster wie die fast-Spur im Gateway (gateway_proxy.py) und die Mem0-Extraktion.
+        if os.environ.get("MC_VOICE_NO_THINK", "1") not in ("0", "false", "False"):
+            payload["chat_template_kwargs"] = {"enable_thinking": False}
         try:
             async with httpx.AsyncClient(timeout=httpx.Timeout(None, connect=5.0)) as client:
                 async with client.stream(