آموزش جامع تبدیل وویس به متن (STT) و متن به صدا (TTS) در هرمس ایجنت برای زبان فارسی

یکی از قابلیت‌های شگفت‌انگیز در نسخه جدید هرمس ایجنت (Hermes Agent)، پشتیبانی کامل و چندحالته از صوت است. شما می‌توانید با ارسال پیام صوتی (وویس) در تلگرام یا وب‌یوآی، مستقیماً با ایجنت خود تعامل داشته باشید و حتی پاسخ‌ها را به صورت وویس طبیعی با لحن استاندارد فارسی دریافت نمایید.

بخش اول: تبدیل وویس به متن فارسی (Speech-to-Text با Whisper.cpp)

برای پیاده‌سازی سیستم تبدیل گفتار به متن بر روی سرور یا رایانه شخصی، از موتور قدرتمند و بهینه‌سازی‌شده whisper.cpp به همراه پرامپت‌های آکوستیک تخصصی زبان فارسی استفاده می‌شود.

۱. کامپایل و آماده‌سازی موتور محلی

# دریافت و کامپایل نسخه بهینه با دستورات شتاب‌دهنده سخت‌افزاری
git clone https://github.com/ggerganov/whisper.cpp.git
cd whisper.cpp
cmake -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build --config Release -j2 --target whisper-cli

۲. انتخاب مدل مناسب برای زبان فارسی

• مدل Base (حجم ۱۴۲ مگابایت): بسیار سبک، نیازمند کمتر از ۲۰۰ مگابایت رم، مناسب برای دستورات سریع سروری.
• مدل Small (حجم ۴۶۶ مگابایت): تعادل عالی میان سرعت و دقت واژگان فارسی.
• مدل Large-v3-turbo (کوانتایز ۵۴۸ مگابایت): بالاترین دقت تشخیص کلمات محاوره‌ای و تلفظ‌های اصیل زبان فارسی.

۳. ترفند طلایی افزایش دقت تشخیص الفبای فارسی

مدل Whisper به صورت پیش‌فرض ممکن است حروفی مانند «ی» و «ک» را عربی تشخیص دهد یا تنوین‌ها را به صورت عامیانه ثبت کند. با پاس دادن پرامپت اولیه فارسی، دقت تا ۳ برابر افزایش می‌یابد:

whisper-cli -m models/ggml-base.bin -f input.wav -l fa -nt -np 
  --prompt "درود، مکالمه به زبان فارسی با رسم‌الخط معیار و نیم‌فاصله."

بخش دوم: تبدیل متن به صوت طبیعی (Text-to-Speech با Edge-TTS)

برای تولید پاسخ‌های صوتی و ارسال به تلگرام، با استفاده از صداهای رسمی زبان فارسی (نظیر fa-IR-FaridNeural برای صدای گوینده مرد و fa-IR-DilaraNeural برای صدای زن)، بدون نیاز به APIهای گران‌قیمت دلاری می‌توان صدای باکیفیت استودیویی ساخت:

# تولید فایل صوتی و تبدیل خودکار به فرمت OGG Opus جهت ارسال به عنوان وویس حبابی در تلگرام
edge-tts --voice fa-IR-FaridNeural --text "سلام! وضعیت سرور شما کاملاً پایدار است." --write-media /tmp/voice.mp3
ffmpeg -y -i /tmp/voice.mp3 -c:a libopus /tmp/voice.ogg

بخش سوم: اتصال به ربات تلگرام اختصاصی در پنل مستر هرمس

در پنل کاربری مستر هرمس، مشترکین می‌توانند با وارد کردن توکن ربات تلگرام اختصاصی خود (دریافتی از BotFather@)، ایجنت را در تلگرام فعال کنند. پس از اتصال، با ارسال وویس به ربات تلگرام:

1. وویس مستقیماً در سرور به متن تبدیل شده و پردازش می‌گردد.
2. پاسخ فنی و کدهای درخواستی فوراً در چت تلگرام برای شما ارسال می‌شود.

توجه به قانون پلن‌ها: با توجه به نیاز بالای پردازش محاسباتی موتور Whisper، قابلیت تبدیل وویس به متن (STT) در پلن‌های پایه (۱ میلیون تومان به بالا، Pro و Enterprise) فعال است و در پلن‌های زیر یک میلیون تومان، کنترل ربات تلگرام به صورت متنی انجام می‌پذیرد.