Montact STT (Pipecat — Whisper محلی)
تبدیل صوت به متن — فقط STT. بدون TTS، بدون مکالمهٔ صوتی، بدون GapGPT.
از Pipecat سرویس WhisperSTTService استفاده می‌شود؛ مدل Faster-Whisper روی همین سرور اجرا می‌شود و کلید ابری لازم نیست.
لوکال (ویندوز)
Python 3.11+ و ترجیحاً ffmpeg در PATH.
cd apps/stt
py -3.11 -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt
copy .env.example .env
uvicorn main:app --host 127.0.0.1 --port 3040
در apps/api/.env:
STT_ENABLED=true
STT_URL=http://127.0.0.1:3040
STT_INTERNAL_TOKEN=
تنظیمات apps/stt/.env
| کلید | پیش‌فرض | توضیح |
|---|---|---|
STT_MODEL |
small |
tiny / base / small / medium (فارسی: حداقل small) |
STT_DEVICE |
cpu |
یا cuda اگر GPU دارید |
STT_COMPUTE_TYPE |
int8 |
برای CPU؛ روی GPU معمولاً float16 |
STT_PROMPT |
متن فارسی فروش | راهنمای املا/اصطلاحات |
STT_INTERNAL_TOKEN |
خالی | اگر پر شود باید با API یکی باشد |
دیگر به OPENAI_API_KEY / GapGPT برای دیکته نیاز نیست.
اولین اجرا مدل را از Hugging Face دانلود می‌کند (چند صد مگابایت تا چند گیگ و بسته به مدل).
سرور
cd /var/www/crm/apps/stt
source .venv/bin/activate # یا مسیر venv فعلی
pip install -r requirements.txt
# OPENAI_* را از .env بردارید یا نادیده بگیرید
pm2 restart mento-stt
اگر RAM کم است، STT_MODEL=base یا tiny بگذارید.