File size: 32,041 Bytes
6a4a552 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 | # Phase 2 Architecture Diagram
## System Overview
```
┌─────────────────────────────────────────────────────────────────────────┐
│ SCAMSHIELD AI SYSTEM │
│ │
│ ┌────────────────────────────────────────────────────────────────────┐ │
│ │ USER INTERFACES │ │
│ │ │ │
│ │ ┌──────────────────┐ ┌──────────────────┐ │ │
│ │ │ Phase 1 UI │ │ Phase 2 UI │ │ │
│ │ │ (index.html) │ │ (voice.html) │ │ │
│ │ │ │ │ │ │ │
│ │ │ Text Chat │ │ 🎤 Voice Chat │ │ │
│ │ │ Interface │ │ Interface │ │ │
│ │ └────────┬─────────┘ └────────┬─────────┘ │ │
│ └───────────┼────────────────────────────────┼──────────────────────┘ │
│ │ │ │
│ │ HTTP/JSON │ HTTP/FormData │
│ │ │ │
└──────────────┼─────────────────────────────────┼────────────────────────┘
│ │
▼ ▼
┌──────────────────────────────────────────────────────────────────────────┐
│ API LAYER │
│ │
│ ┌────────────────────────┐ ┌────────────────────────┐ │
│ │ Phase 1 Endpoints │ │ Phase 2 Endpoints │ │
│ │ (endpoints.py) │ │ (voice_endpoints.py) │ │
│ │ │ │ │ │
│ │ POST /honeypot/engage │ │ POST /voice/engage │ │
│ │ GET /honeypot/session│ │ GET /voice/audio/:id │ │
│ │ POST /honeypot/batch │ │ GET /voice/health │ │
│ └────────────┬───────────┘ └────────────┬───────────┘ │
└───────────────┼──────────────────────────────────┼───────────────────────┘
│ │
│ │
│ ▼
│ ┌──────────────────────────┐
│ │ Phase 2 Voice Layer │
│ │ │
│ │ ┌────────────────────┐ │
│ │ │ Audio Upload │ │
│ │ │ (multipart/form) │ │
│ │ └─────────┬──────────┘ │
│ │ │ │
│ │ ▼ │
│ │ ┌────────────────────┐ │
│ │ │ ASR Engine │ │
│ │ │ (Whisper) │ │
│ │ │ │ │
│ │ │ Audio → Text │ │
│ │ └─────────┬──────────┘ │
│ │ │ │
│ └────────────┼─────────────┘
│ │
│ │ Transcribed Text
│ │
▼◄────────────────────────────────┘
┌──────────────────────────────────────────────────────────────────────────┐
│ PHASE 1 CORE (UNCHANGED) │
│ │
│ ┌─────────────────────────────────────────────────────────────────────┐ │
│ │ DETECTION LAYER │ │
│ │ │ │
│ │ ┌──────────────────┐ ┌──────────────────┐ ┌──────────────┐ │ │
│ │ │ Language Detector│ │ Scam Detector │ │ Scam Type │ │ │
│ │ │ (language.py) │───▶│ (detector.py) │───▶│ Classifier │ │ │
│ │ │ │ │ │ │ │ │ │
│ │ │ Auto-detect │ │ IndicBERT + │ │ Financial │ │ │
│ │ │ en/hi/gu/etc │ │ Rules-based │ │ Tech Support│ │ │
│ │ └──────────────────┘ └──────────────────┘ │ Impersonation│ │
│ │ └──────────────┘ │ │
│ └──────────────────────────────────────┬───────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────────────┐ │
│ │ HONEYPOT LAYER │ │
│ │ │ │
│ │ ┌──────────────────────────────────────────────────────────────┐ │ │
│ │ │ LangGraph Workflow │ │ │
│ │ │ │ │ │
│ │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │ │
│ │ │ │ Plan │─────▶│Generate │─────▶│ Extract │ │ │ │
│ │ │ │ Node │ │ Node │ │ Node │ │ │ │
│ │ │ └─────────┘ └─────────┘ └─────────┘ │ │ │
│ │ │ │ │ │ │ │ │
│ │ │ │ ▼ │ │ │ │
│ │ │ │ ┌──────────┐ │ │ │ │
│ │ │ │ │ Groq LLM │ │ │ │ │
│ │ │ │ │ (Llama) │ │ │ │ │
│ │ │ │ └──────────┘ │ │ │ │
│ │ │ │ │ │ │ │
│ │ │ └───────────────┬───────────────────┘ │ │ │
│ │ │ │ │ │ │
│ │ │ ▼ │ │ │
│ │ │ ┌───────────────┐ │ │ │
│ │ │ │ State Manager │ │ │ │
│ │ │ │ (Redis) │ │ │ │
│ │ │ └───────────────┘ │ │ │
│ │ └──────────────────────────────────────────────────────────────┘ │ │
│ │ │ │
│ │ Output: Text Reply │ │
│ └──────────────────────────────────────┬───────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────────────┐ │
│ │ EXTRACTION LAYER │ │
│ │ │ │
│ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │
│ │ │ UPI Extractor│ │ Bank Account │ │ Phone/URL │ │ │
│ │ │ (Regex) │ │ Extractor │ │ Extractor │ │ │
│ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │
│ │ │ │
│ │ Output: Extracted Intelligence │ │
│ └──────────────────────────────────────┬───────────────────────────────┘ │
└─────────────────────────────────────────┼───────────────────────────────┘
│
│ Text Reply
│
▼
┌──────────────────────────────────────────────────────────────────────────┐
│ PHASE 2 OUTPUT LAYER │
│ │
│ ┌────────────────────────────────────────────────────────────────────┐ │
│ │ TTS Engine (gTTS) │ │
│ │ │ │
│ │ Text Reply ───▶ Text-to-Speech ───▶ Audio File (.mp3) │ │
│ │ │ │
│ │ Languages: en, hi, gu, ta, te, bn, mr │ │
│ └────────────────────────────────────────────────────────────────────┘ │
│ │
│ Output: Audio URL │
└───────────────────────────────────────────────────────────────────────────┘
│
│ Audio URL
│
▼
┌──────────┐
│ User │
│ Hears │
│ AI Voice│
└──────────┘
```
## Data Flow: Voice Conversation
### Step-by-Step Flow
```
1. USER SPEAKS
│
│ "Your account is blocked. Send OTP now!"
│
▼
2. BROWSER CAPTURES AUDIO
│
│ MediaRecorder API → WebM/WAV blob
│
▼
3. UPLOAD TO API
│
│ POST /api/v1/voice/engage
│ FormData: audio_file, session_id, language
│
▼
4. ASR (WHISPER)
│
│ Audio → Text Transcription
│ Output: "Your account is blocked. Send OTP now!"
│ Language: "en"
│ Confidence: 0.95
│
▼
5. PHASE 1 DETECTION (UNCHANGED)
│
│ Input: Transcribed text
│ Scam Detector → is_scam: true, confidence: 0.92
│ Type: "financial_fraud"
│
▼
6. PHASE 1 HONEYPOT (UNCHANGED)
│
│ LangGraph Workflow:
│ - Plan: Select "confused_elderly" persona
│ - Generate: Groq LLM creates reply
│ - Extract: Parse for UPI/bank/phone
│
│ Output: "Oh no! What should I do? I'm scared!"
│
▼
7. TTS (gTTS)
│
│ Text → Speech Synthesis
│ Input: "Oh no! What should I do? I'm scared!"
│ Language: "en"
│ Output: /tmp/reply_xyz.mp3
│
▼
8. RESPONSE TO USER
│
│ JSON Response:
│ {
│ "ai_reply_text": "Oh no! What should I do?",
│ "ai_reply_audio_url": "/api/v1/voice/audio/reply_xyz.mp3",
│ "transcription": {...},
│ "scam_detected": true,
│ ...
│ }
│
▼
9. BROWSER PLAYS AUDIO
│
│ <audio controls src="/api/v1/voice/audio/reply_xyz.mp3">
│
▼
10. USER HEARS AI VOICE
│
│ "Oh no! What should I do? I'm scared!"
│
└─▶ Loop continues for multi-turn conversation
```
## Component Isolation
### Phase 1 (Existing - Untouched)
```
┌─────────────────────────────────────┐
│ PHASE 1 COMPONENTS │
│ │
│ ✅ app/models/detector.py │
│ ✅ app/models/language.py │
│ ✅ app/models/extractor.py │
│ ✅ app/agent/honeypot.py │
│ ✅ app/agent/personas.py │
│ ✅ app/agent/strategies.py │
│ ✅ app/api/endpoints.py │
│ ✅ app/api/schemas.py │
│ ✅ ui/index.html │
│ ✅ ui/app.js │
│ │
│ NO MODIFICATIONS REQUIRED │
└─────────────────────────────────────┘
```
### Phase 2 (New - Isolated)
```
┌─────────────────────────────────────┐
│ PHASE 2 COMPONENTS │
│ │
│ 🆕 app/voice/asr.py │
│ 🆕 app/voice/tts.py │
│ 🆕 app/voice/fraud_detector.py │
│ 🆕 app/api/voice_endpoints.py │
│ 🆕 app/api/voice_schemas.py │
│ 🆕 ui/voice.html │
│ 🆕 ui/voice.js │
│ 🆕 ui/voice.css │
│ │
│ COMPLETELY SEPARATE │
└─────────────────────────────────────┘
```
### Integration Points (Minimal)
```
┌─────────────────────────────────────┐
│ INTEGRATION POINTS │
│ │
│ 📝 app/main.py │
│ + Add voice router (conditional)│
│ │
│ 📝 app/config.py │
│ + Add Phase 2 settings │
│ │
│ 📝 .env │
│ + Add PHASE_2_ENABLED=true │
│ │
│ MINIMAL CHANGES │
└─────────────────────────────────────┘
```
## Optional: Voice Fraud Detection
```
┌──────────────────────────────────────────────────────────────┐
│ VOICE FRAUD DETECTION (OPTIONAL) │
│ │
│ Audio Input │
│ │ │
│ ├──────────────────────────────────────┐ │
│ │ │ │
│ ▼ ▼ │
│ ┌─────────┐ ┌─────────┐ │
│ │ ASR │ │ Fraud │ │
│ │(Whisper)│ │Detector │ │
│ └────┬────┘ │(Wav2Vec2│ │
│ │ │resemb.) │ │
│ │ └────┬────┘ │
│ │ │ │
│ │ Transcribed Text │ Fraud Score │
│ │ │ │
│ ▼ ▼ │
│ ┌──────────────────────────────────────────────┐ │
│ │ Combined Analysis │ │
│ │ │ │
│ │ - Text content (scam detection) │ │
│ │ - Voice authenticity (fraud detection) │ │
│ │ │ │
│ │ Risk Score = f(scam_conf, fraud_conf) │ │
│ └──────────────────────────────────────────────┘ │
│ │
│ If VOICE_FRAUD_DETECTION=true │
└──────────────────────────────────────────────────────────────┘
```
## Database & State Management
```
┌─────────────────────────────────────────────────────────────┐
│ STATE PERSISTENCE │
│ │
│ ┌──────────────────────┐ ┌──────────────────────┐ │
│ │ Redis │ │ PostgreSQL │ │
│ │ (Session State) │ │ (Conversation Logs) │ │
│ │ │ │ │ │
│ │ - Active sessions │ │ - Full transcripts │ │
│ │ - Turn count │ │ - Extracted intel │ │
│ │ - Extracted intel │ │ - Audio metadata │ │
│ │ - Persona state │ │ - Timestamps │ │
│ │ - TTL: 1 hour │ │ - Permanent storage │ │
│ └──────────────────────┘ └──────────────────────┘ │
│ │
│ SAME AS PHASE 1 - NO CHANGES │
└─────────────────────────────────────────────────────────────┘
```
## Performance Considerations
```
┌─────────────────────────────────────────────────────────────┐
│ LATENCY BREAKDOWN │
│ │
│ User Speaks (5s audio) │
│ │ │
│ ▼ │
│ Upload to API (0.5s) │
│ │ │
│ ▼ │
│ ASR Transcription (1.5s) ◄── Whisper base model │
│ │ │
│ ▼ │
│ Scam Detection (0.2s) ◄── IndicBERT │
│ │ │
│ ▼ │
│ Honeypot LLM (1.0s) ◄── Groq API │
│ │ │
│ ▼ │
│ TTS Synthesis (0.8s) ◄── gTTS │
│ │ │
│ ▼ │
│ Download Audio (0.3s) │
│ │ │
│ ▼ │
│ Total: ~4.3s │
│ │
│ Target: <5s ✅ │
└─────────────────────────────────────────────────────────────┘
```
## Deployment Architecture
```
┌─────────────────────────────────────────────────────────────┐
│ DEPLOYMENT │
│ │
│ ┌────────────────────────────────────────────────────────┐ │
│ │ Docker Container │ │
│ │ │ │
│ │ ┌──────────────────────────────────────────────────┐ │ │
│ │ │ FastAPI Application │ │ │
│ │ │ │ │ │
│ │ │ - Phase 1 Endpoints (always enabled) │ │ │
│ │ │ - Phase 2 Endpoints (if PHASE_2_ENABLED=true) │ │ │
│ │ │ │ │ │
│ │ │ Dependencies: │ │ │
│ │ │ - Base: transformers, langchain, groq │ │ │
│ │ │ - Phase 2: whisper, gTTS, torchaudio │ │ │
│ │ └──────────────────────────────────────────────────┘ │ │
│ │ │ │
│ │ ┌──────────────────────────────────────────────────┐ │ │
│ │ │ Model Cache │ │ │
│ │ │ │ │ │
│ │ │ - IndicBERT (~500MB) │ │ │
│ │ │ - Whisper base (~150MB) [Phase 2] │ │ │
│ │ └──────────────────────────────────────────────────┘ │ │
│ └────────────────────────────────────────────────────────┘ │
│ │
│ External Services: │
│ - Redis (session state) │
│ - PostgreSQL (conversation logs) │
│ - Groq API (LLM) │
└─────────────────────────────────────────────────────────────┘
```
## Security Architecture
```
┌─────────────────────────────────────────────────────────────┐
│ SECURITY LAYERS │
│ │
│ 1. API Authentication │
│ └─▶ x-api-key header (both Phase 1 & 2) │
│ │
│ 2. Input Validation │
│ ├─▶ File size limits (<10MB) │
│ ├─▶ File type validation (audio/* only) │
│ └─▶ Sanitize filenames │
│ │
│ 3. Rate Limiting │
│ └─▶ Max requests per session │
│ │
│ 4. Data Privacy │
│ ├─▶ Temporary audio storage │
│ ├─▶ Auto-delete after processing │
│ └─▶ No raw audio in database │
│ │
│ 5. Error Handling │
│ └─▶ No sensitive info in error messages │
└─────────────────────────────────────────────────────────────┘
```
---
## Key Takeaways
1. **Phase 2 wraps Phase 1**: Voice is input/output layer only
2. **Zero modifications to Phase 1**: Core honeypot unchanged
3. **Conditional loading**: Phase 2 only loads if enabled
4. **Separate UI**: Voice UI is independent of text UI
5. **Same state management**: Reuses Redis/PostgreSQL
6. **Performance target**: <5s for full voice loop
7. **Security first**: Audio files temporary, validated, rate-limited
---
**For detailed implementation steps, see:** `PHASE_2_VOICE_IMPLEMENTATION_PLAN.md`
**For quick start guide, see:** `PHASE_2_README.md`
**For progress tracking, see:** `PHASE_2_CHECKLIST.md`
|