برای فایل فارسی OpenAI یا Whisper؟ کد فایل، realtime و تفکیک گوینده

راهنمای انتخاب میان API میزبانی‌شدهٔ OpenAI و Whisper محلی برای صوت فارسی؛ همراه با نمونه‌کد فایل، مسیر realtime، تفکیک گوینده و محدودیت‌های مقایسه.

اگر فایل ضبط‌شده دارید و می‌خواهید سریع متن بگیرید، API میزبانی‌شدهٔ OpenAI راه‌اندازی ساده‌تری دارد. اگر باید صوت داخل زیرساخت خودتان بماند یا هزینهٔ هر دقیقهٔ API را حذف کنید، Whisper متن‌باز را روی سرور اجرا کنید؛ در عوض، نگهداری مدل و سخت‌افزار هم با خودتان است. برای realtime و تشخیص گوینده هم باید سراغ مسیرهای جدا بروید: «Whisper» به‌تنهایی جواب هر سه مسئله نیست.

اول اسم‌ها را از هم جدا کنیم

`whisper-1` نام یک مدل میزبانی‌شده در API است. `openai-whisper` پروژهٔ متن‌بازی است که می‌توانید روی دستگاه خودتان اجرا کنید. این دو را نباید یک گزینه با دو روش نصب فرض کرد؛ نسخهٔ مدل، سخت‌افزار و مسیر اجرا فرق می‌کند.

`faster-whisper` هم پیاده‌سازی بهینه‌شده‌ای برای اجرای محلی مدل‌های Whisper است. خودش سرویس ابری OpenAI نیست. هزینهٔ API ندارد، اما زمان GPU یا CPU، حافظه، ذخیره‌سازی و نگهداری سرور رایگان نیست.

فایل ضبط‌شده: کمترین کد با API

برای فایل کوتاه‌تر از محدودیت بارگذاری، درخواست زیر متن خام را برمی‌گرداند. کلید API را در متغیر محیطی بگذارید و آن را داخل کد یا مخزن قرار ندهید.

```python
import os
from openai import OpenAI

client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])

with open("sample-fa.wav", "rb") as audio:
result = client.audio.transcriptions.create(
model="whisper-1",
file=audio,
language="fa",
response_format="text",
)

print(result)
```

نصب وابستگی و اجرا:

```text
pip install openai
export OPENAI_API_KEY="..."
python transcribe_openai.py
```

در مستندات فعلی، سقف فایل برای این مسیر ۲۵ مگابایت است. فایل بزرگ‌تر را باید با حفظ مرز جمله‌ها به قطعه‌های کوچک‌تر تقسیم کرد؛ بریدن وسط کلمه یا جمله می‌تواند هم متن و هم ارزیابی را خراب کند. برای فایل‌های طولانی، شناسه و ترتیب قطعه‌ها را نگه دارید تا مونتاژ خروجی قابل‌ردیابی بماند.

همان فایل روی سرور خودتان

نمونهٔ زیر از `faster-whisper` و مدل `large-v3` استفاده می‌کند. دریافت اولیهٔ وزن‌های مدل زمان و فضای دیسک می‌خواهد. برای اجرای آزمایش تکرارپذیر، نسخهٔ کتابخانه، نام دقیق مدل، نوع محاسبه و سخت‌افزار را هم ثبت کنید.

```python
from faster_whisper import WhisperModel

model = WhisperModel(
"large-v3",
device="cuda",
compute_type="float16",
)

segments, info = model.transcribe(
"sample-fa.wav",
language="fa",
vad_filter=True,
)

print(f"language={info.language} probability={info.language_probability:.3f}")
for segment in segments:
print(f"{segment.start:.2f}\t{segment.end:.2f}\t{segment.text}")
```

اگر GPU انویدیا ندارید، تنظیم دستگاه و `compute_type` را متناسب با CPU یا سخت‌افزارتان انتخاب کنید؛ همین انتخاب روی سرعت و گاهی خروجی اثر می‌گذارد. پس عبارت «Whisper محلی» بدون نام مدل و تنظیمات، نتیجهٔ قابل‌بازتولیدی تعریف نمی‌کند.

اگر متن باید هم‌زمان برسد

ارسال تکه‌تکهٔ یک فایل به endpoint معمولی، realtime واقعی نیست. در محصول زنده باید صدا هنگام ضبط به یک نشست streaming برسد و متن‌های موقت و نهایی جدا مدیریت شوند. API بلادرنگ OpenAI مسیر مستقل خودش را دارد؛ در مستندات فعلی، مدل transcription بلادرنگ `gpt-live-transcribe` است و نشست از WebSocket یا WebRTC برقرار می‌شود.

طرح سمت کارخواه چنین است؛ `sendAudioChunk` باید فریم‌های PCM با قالب و نرخ نمونه‌برداری مورد انتظار نشست را بفرستد. متن `delta` موقت است و ممکن است اصلاح شود؛ فقط رویداد تکمیل‌شده را به‌عنوان بخش نهایی ذخیره کنید.

```javascript
socket.onmessage = (event) => {
const message = JSON.parse(event.data);

if (message.type === "conversation.item.input_audio_transcription.delta") {
renderPartial(message.delta);
}

if (message.type === "conversation.item.input_audio_transcription.completed") {
saveFinal(message.transcript);
}
};

function sendAudioChunk(base64Pcm) {
socket.send(JSON.stringify({
type: "input_audio_buffer.append",
audio: base64Pcm,
}));
}
```

این قطعه فقط مدیریت رویدادهای نشست را نشان می‌دهد، نه کد کامل احراز هویت یا ضبط میکروفون. کلید محرمانه را در مرورگر عمومی قرار ندهید؛ نشست را از سرور خودتان یا با اعتبار کوتاه‌عمر و سازوکار رسمی ایجاد کنید. اگر اجرای کاملاً محلی لازم است، باید مدل و pipeline استریم محلی انتخاب کنید؛ Whisper فایل‌محور را با بریدن دلخواه صدا به یک مدل streaming تبدیل نمی‌کنید.

تفکیک گوینده قابلیت جداگانه‌ای است

`diarization` یعنی مشخص‌کردن این‌که هر بخش متن را کدام گوینده گفته است. مدل پایهٔ Whisper در کد فایل بالا برچسب گوینده تولید نمی‌کند. برای API، مستندات OpenAI مسیر `gpt-4o-transcribe-diarize` را با قالب `diarized_json` معرفی می‌کند. این نمونه ساختار درخواست است:

```python
with open("interview.wav", "rb") as audio:
result = client.audio.transcriptions.create(
model="gpt-4o-transcribe-diarize",
file=audio,
response_format="diarized_json",
chunking_strategy="auto",
)

for segment in result.segments:
print(segment.speaker_id, segment.start, segment.end, segment.text)
```

برای اجرای محلی باید diarization را جداگانه به pipeline اضافه کنید؛ صرفاً عوض‌کردن تنظیم Whisper کافی نیست. در ضبط چندنفره، هم‌پوشانی صدا، میکروفون مشترک و تغییر تُن ممکن است انتساب گوینده را خطادار کند. خروجی را پیش از نمایش یا ذخیرهٔ قطعی بازبینی کنید.

مقایسه را چطور منصفانه انجام دهیم؟

یک فایل فارسی را با متن مرجع ثابت آماده کنید و همان صوت را با هر دو مسیر اجرا کنید. خروجی خام، نام مدل، نسخهٔ کتابخانه، تاریخ اجرا، سخت‌افزار، مدت فایل، زمان پاسخ و هزینه را نگه دارید. برای کیفیت، متن‌ها را با یک نرمال‌ساز و evaluator یکسان بسنجید؛ تفاوت نیم‌فاصله، اعداد، نشانه‌گذاری و شکل نوشتن نام‌ها می‌تواند WER و CER را تغییر دهد.

گزارش‌های موجود این مجموعه چند اجرای موفق `whisper-1` دارند، اما برای آن‌ها WER و CER جفت‌شده با متن مرجع ثبت نشده است. بنابراین از آن داده‌ها نمی‌شود نتیجه گرفت کدام گزینه برای فارسی دقیق‌تر است. ادعای برنده‌بودن بدون معیار مشترک، آزمایش نیست.

برای شروع، یک مجموعهٔ کوچک اما ثابت از گفتار محاوره‌ای، رسمی، عدد و اسم خاص بسازید. دست‌کم هر فایل را سه بار اجرا کنید اگر مسیر یا زمان پاسخ متغیر است؛ میانه و صدک ۹۵ زمان را گزارش دهید، نه فقط یک اجرای خوش‌شانس. فایل‌ها و متن مرجع باید مجوز انتشار یا استفادهٔ آزمایشی داشته باشند.

انتخاب نهایی بر اساس نیاز

• API میزبانی‌شده را انتخاب کنید اگر سرعت راه‌اندازی و نداشتن عملیات مدل برایتان مهم‌تر است و ارسال صوت به سرویس بیرونی با سیاست دادهٔ شما سازگار است.

• اجرای محلی را انتخاب کنید اگر کنترل محل پردازش و امکان کار بدون درخواست API لازم است و هزینهٔ زیرساخت و نگهداری را می‌پذیرید.

• برای متن زنده، از ابتدا مسیر realtime را طراحی کنید؛ endpoint فایل جایگزین آن نیست.

• برای speaker label، قابلیت diarization را جداگانه انتخاب و کیفیت انتساب را روی ضبط واقعی خودتان بسنجید.

قیمت اعلام‌شده برای `whisper-1` در صفحهٔ مدل OpenAI، هنگام نگارش این مطلب، ۰٫۰۰۶ دلار برای هر دقیقه است؛ یعنی حدود ۰٫۳۶ دلار برای یک ساعت صوت، پیش از هزینه‌های جانبی. قیمت و دسترس‌پذیری مدل‌ها ممکن است تغییر کند. همچنین OpenAI برای ۲۶ فوریهٔ ۲۰۲۷ بازنشستگی چند مدل قدیمی transcription از جمله `whisper-1` و `gpt-4o-transcribe-diarize` را اعلام کرده است. پیش از انتخاب بلندمدت، صفحهٔ مهاجرت و مدل جایگزین را دوباره بررسی کنید؛ جایگزین‌بودن مدل به‌تنهایی تضمین نمی‌کند همهٔ قابلیت‌ها، از جمله برچسب گوینده، همان رفتار را داشته باشند.

منابع رسمی و بازتولید

• راهنمای تبدیل صوت به متن: https://developers.openai.com/api/docs/guides/speech-to-text

• راهنمای transcription بلادرنگ: https://developers.openai.com/api/docs/guides/realtime-transcription

• مدل `whisper-1` و قیمت روز: https://developers.openai.com/api/docs/models/whisper-۱

• مدل‌ها و زمان‌بندی بازنشستگی: https://developers.openai.com/api/docs/deprecations

• کد اجرای محلی `faster-whisper`: https://github.com/SYSTRAN/faster-whisper

تاریخ نگارش: ۲۸ سپتامبر ۲۰۲۶. نمونه‌های کد برای توضیح مسیر اجرا هستند؛ در این مطلب ادعا نمی‌کنیم که همین نمونه‌ها روی کلید API یا GPU خواننده اجرا شده‌اند. برای مقایسهٔ کیفیت، فایل صوتی، متن مرجع و خروجی واقعی هر دو طرف را منتشر کنید.

No comments yet