first commit

2026-09-11 19:47:15 +03:00
commit 32754a1fe2
56 changed files with 3836 additions and 0 deletions
@@ -0,0 +1,137 @@
+"""Тест STT-модуля (Модуль 1).
+
+Запуск:
+    python modules/stt/test_stt.py --make-sample       # сгенерировать sample.mp3 (edge-tts) и распознать
+    python modules/stt/test_stt.py modules/stt/samples/sample.mp3
+    python modules/stt/test_stt.py --record 5          # 5 секунд с микрофона → распознать
+    python modules/stt/test_stt.py --model base <file> # лёгкая модель для слабого ПК
+    python modules/stt/test_stt.py --repeat 3 <file>   # замерить скорость несколькими прогонами
+
+Критерий приёмки: фраза распознана верно, обработка <= 3 c на фразе ~5 c.
+"""
+from __future__ import annotations
+
+import argparse
+import asyncio
+import sys
+import time
+from pathlib import Path
+from typing import Optional
+
+import numpy as np
+
+try:
+    from modules.stt import get_provider
+except ImportError:  # запуск как обычного скрипта: добавляем корень проекта в путь
+    sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
+    from modules.stt import get_provider
+
+SAMPLES_DIR = Path(__file__).resolve().parent / "samples"
+SAMPLE_PHRASE = (
+    "Привет! Это тестовый голосовой ассистент. "
+    "Сегодня хорошая погода, и я хочу выпить чаю."
+)
+DEFAULT_VOICE = "ru-RU-SvetlanaNeural"
+
+
+def make_sample(path: Path, voice: str) -> None:
+    """Синтез русской фразы через edge-tts — удобный источник тестового аудио."""
+    import edge_tts
+
+    path.parent.mkdir(parents=True, exist_ok=True)
+    async def _save() -> None:
+        await edge_tts.Communicate(SAMPLE_PHRASE, voice).save(str(path))
+
+    print(f"Генерирую {path.name} (голос {voice})...")
+    asyncio.run(_save())
+
+
+def record(seconds: int, sample_rate: int = 16000) -> np.ndarray:
+    """Запись с микрофона по умолчанию → float32 mono, 16 кГц."""
+    import sounddevice as sd
+    import soundfile as sf
+
+    print(f"\nЗапись {seconds} с. Приготовьтесь:")
+    for i in (3, 2, 1):
+        print(f"  {i}...")
+        time.sleep(0.6)
+    print("  >>> ГОВОРИТЕ <<<")
+    raw = sd.rec(int(seconds * sample_rate), samplerate=sample_rate, channels=1, dtype="int16")
+    sd.wait()
+    audio = raw.astype(np.float32) / 32768.0
+    audio = audio.mean(axis=1)  # (frames, 1) → mono
+    wav = SAMPLES_DIR / "recording.wav"
+    sf.write(str(wav), audio, sample_rate)
+    print(f"Сохранено: {wav}")
+    return audio
+
+
+def parse_args() -> argparse.Namespace:
+    p = argparse.ArgumentParser(description="Тест STT-модуля (faster-whisper)")
+    p.add_argument("audio", nargs="?", help="аудио-файл (wav/mp3/flac)")
+    p.add_argument("--make-sample", action="store_true",
+                   help="сгенерировать sample.mp3 (edge-tts) и распознать его")
+    p.add_argument("--voice", default=DEFAULT_VOICE, help="голос edge-tts для --make-sample")
+    p.add_argument("--record", type=int, default=0, metavar="SEC",
+                   help="записать SEC секунд с микрофона и распознать")
+    p.add_argument("--model", default="small", help="tiny | base | small | medium")
+    p.add_argument("--device", default="cpu", help="cpu | cuda")
+    p.add_argument("--compute", default="int8", help="int8 | float16 | float32")
+    p.add_argument("--beam", type=int, default=1, help="beam size (1 = быстрее)")
+    p.add_argument("--no-vad", action="store_true", help="не отрезать тишину")
+    p.add_argument("--repeat", type=int, default=1, help="число прогонов для замера")
+    return p.parse_args()
+
+
+def main() -> int:
+    args = parse_args()
+
+    audio_array: Optional[np.ndarray] = None
+    target: Optional[Path] = None
+
+    if args.record:
+        audio_array = record(args.record)
+    elif args.make_sample:
+        target = SAMPLES_DIR / "sample.mp3"
+        if not target.exists():
+            make_sample(target, args.voice)
+        else:
+            print(f"Использую существующий {target}")
+    elif args.audio:
+        target = Path(args.audio)
+    else:
+        print(__doc__)
+        return 1
+
+    print(f"\nЗагружаю модель {args.model!r} ({args.compute}, {args.device})...")
+    print("Первый запуск скачивает модель с HuggingFace (small ≈ 460 МБ), это нормально.")
+    stt = get_provider(
+        "faster-whisper",
+        model_size=args.model,
+        device=args.device,
+        compute_type=args.compute,
+        beam_size=args.beam,
+        vad_filter=not args.no_vad,
+    )
+    print(f"Модель готова за {stt.load_sec:.1f} с.\n")
+
+    results = []
+    for i in range(1, args.repeat + 1):
+        source = audio_array if audio_array is not None else target
+        res = stt.transcribe(source)
+        results.append(res)
+        print(f"[прогон {i}/{args.repeat}] {res}")
+
+    best = min(results, key=lambda r: r.processing_sec)
+    print("\n=== ИТОГ ===")
+    print(f"Текст: {best.text or '(пусто — нечего распознавать)'}")
+    print(f"Аудио {best.duration_sec:.1f} c → обработка {best.processing_sec:.2f} c "
+          f"(RTF {best.realtime_factor:.2f})")
+    print(f"Язык: {best.language} (уверенность {best.language_probability:.2f})")
+    passed = bool(best.text.strip())
+    print("ПРИЁМКА:", "ПРОЙДЕНА ✅" if passed else "ПРОВАЛЕНА ❌ (пустой текст)")
+    return 0 if passed else 2
+
+
+if __name__ == "__main__":
+    sys.exit(main())