Модуль 1: STT (речь → текст)

Обёртка над faster-whisper с интерфейсом «провайдер»: если для ПК отца понадобится другой распознаватель (vosk), он добавляется новым классом без изменения остального проекта.

Файлы

Файл	Назначение
`base.py`	Интерфейс `SttProvider`, результат `TranscriptResult`
`provider_faster_whisper.py`	Реализация на faster-whisper (CPU, int8)
`test_stt.py`	Тест-скрипт: файл / генерация фразы / микрофон
`samples/`	Тестовые аудио (создаются при запуске, в git не входят)

Использование из кода

from modules.stt import get_provider

stt = get_provider("faster-whisper", model_size="small")  # tiny|base|small|medium
result = stt.transcribe("phrase.wav")          # путь к файлу (wav/mp3/flac)
result = stt.transcribe(np_array_float32_16k)  # или массив с микрофона
print(result.text, result.processing_sec)

Что замеряет тест

processing_sec — время распознавания (без загрузки модели);
RTF (realtime factor) — обработка/длина аудио; RTF < 1 — быстрее реального времени;
при --repeat N — лучший (минимальный) прогон.

Критерии приёмки Модуля 1

Тестовая фраза распознаётся дословно (allow punctuation/case).
Фраза ~5 c обрабатывается за <= 3 c (RTF <= 0.6) на small/int8/CPU.
Если нет — пробуем base, фиксируем цифры; если и base медленный — добавляем Vosk-провайдер.

Решение по скорости (замер 2026-09-10, Linux, фраза 8.9 c, edge-tts голос)

Модель	Обработка	RTF	Точность
small	1.17 c	0.13	дословно ✅
base	0.54 c	0.06	2 ошибки ("выпить чаю" → "выпечаю")
tiny	0.39 c	0.04	4 ошибки ("тестовы", "выпечаю")

Вердикт: faster-whisper small (int8, CPU, beam=1, VAD on) — RTF 0.13 даёт запас ×3 даже на слабом ПК; качество base/tiny недостаточно для пожилого пользователя. Загрузка модели при старте: ~2–5 c (после скачивания), кэш в ~/.cache/huggingface.

Память по факту не замерена — при желании: /usr/bin/time -v .venv/bin/python modules/stt/test_stt.py --make-sample.

Известные ограничения

Первый запуск качает модель с HuggingFace (small ≈ 460 МБ). Если недоступно: export HF_ENDPOINT=https://hf-mirror.com перед запуском.
Запись с микрофона идёт на 16 кГц: если запись звучит «с ускорением», у устройства проблемы с ресемплингом — сообщи, добавим ресемплинг явно.

3.4 KiB Raw Blame History