speech-server

speech-server هو خادم محلّي يعمل على HTTP وWebSocket يُتيح كلّ نموذج من نماذج Soniqo عبر واجهة REST بسيطة، إلى جانب WebSocket متوافق مع OpenAI Realtime API على /v1/realtime. يُشحن في الحزمة نفسها من Homebrew مع واجهة speech السطرية — يضع brew install speech كليهما في PATH الخاصّ بك.

التثبيت والتشغيل

brew install soniqo/tap/speech

speech-server --port 8080
# Starting server on http://127.0.0.1:8080
# Endpoints:
#   POST /transcribe  - Speech-to-text (WAV body or JSON with audio_base64)
#   POST /speak       - Text-to-speech (JSON: {text, engine?, language?})
#   POST /respond     - Speech-to-speech (WAV body, voice/max_steps via query)
#   POST /enhance     - Speech enhancement (WAV body)
#   GET  /health      - Health check
#   WS   /v1/realtime - OpenAI Realtime API (JSON events, base64 PCM16 audio)

وسوم سطر الأوامر

الوسمالافتراضيالوصف
--host127.0.0.1عنوان الربط. غيّره إلى 0.0.0.0 للإتاحة على الشبكة المحلّية.
--port8080منفذ TCP.
--preloadمعطَّلتحميل جميع النماذج بنشاط عند بدء التشغيل. إقلاع أبطأ (نحو 30–60 ثانية) لكن دون أيّ زمن استجابة لأوّل طلب.

تُنزَّل النماذج عند أوّل استخدام وتُخزَّن في ~/Library/Caches/qwen3-speech/. يدفع الطلب الأوّل لأيّ نموذج تكلفة التنزيل والتحميل (من 30 ثانية إلى دقيقتين بحسب حجم النموذج)؛ أمّا الطلبات اللاحقة فتكون ساخنة.

نقاط نهاية REST

POST /transcribe — كلام إلى نص

يقبل إمّا متن WAV خامًا أو غلاف JSON يحتوي على صوت مُشفَّر بصيغة base64.

# WAV body (preferred — lower overhead)
curl -X POST http://127.0.0.1:8080/transcribe \
  -H "Content-Type: audio/wav" \
  --data-binary @recording.wav

# JSON with base64
curl -X POST http://127.0.0.1:8080/transcribe \
  -H "Content-Type: application/json" \
  -d '{"audio_base64":"'"$(base64 -i recording.wav)"'","language":"en"}'

الاستجابة: {"text": "…", "language": "en", "confidence": 0.93}.

POST /speak — نص إلى كلام

curl -X POST http://127.0.0.1:8080/speak \
  -H "Content-Type: application/json" \
  -d '{"text":"Hello, world!","engine":"kokoro","language":"en"}' \
  --output hello.wav

متن الاستجابة هو ملفّ WAV. القيم المدعومة لـ engine: qwen3 (الافتراضي)، cosyvoice، kokoro.

POST /respond — كلام إلى كلام

curl -X POST "http://127.0.0.1:8080/respond?voice=en_female_calm&max_steps=256" \
  -H "Content-Type: audio/wav" \
  --data-binary @question.wav \
  --output answer.wav

يشغّل PersonaPlex 7B — كلام دخل، كلام خرج. يُعاد النصّ المفرَّغ في ترويسة X-Response-Text. راجع دليل PersonaPlex للاطّلاع على أسماء الإعدادات الصوتية المسبقة.

POST /enhance — تحسين الكلام

curl -X POST http://127.0.0.1:8080/enhance \
  -H "Content-Type: audio/wav" \
  --data-binary @noisy.wav \
  --output clean.wav

DeepFilterNet3 عند 48 kHz. تُعاد عيّنة المدخلات إذا لزم الأمر.

GET /health — فحص الجاهزية

curl http://127.0.0.1:8080/health
# {"status":"ok"}

WebSocket: /v1/realtime

متوافق فورًا مع OpenAI Realtime API — مخطّط أحداث JSON نفسه (session.update، input_audio_buffer.append، response.create، response.audio.delta، …) مع صوت PCM16 مُشفَّر بصيغة base64 عند 24 kHz. تعمل العملاء المكتوبون لـ SDK الزمن الفعلي من OpenAI مقابل speech-server دون أيّ تغيير في الشيفرة (يكفي تبديل عنوان WebSocket).

مثال JavaScript

const ws = new WebSocket("ws://127.0.0.1:8080/v1/realtime");

ws.onopen = () => {
  ws.send(JSON.stringify({
    type: "session.update",
    session: { modalities: ["audio", "text"] }
  }));

  // Stream PCM16 mono 24kHz audio from the mic:
  const audioBase64 = await capturePCM16Chunk();
  ws.send(JSON.stringify({
    type: "input_audio_buffer.append",
    audio: audioBase64
  }));

  ws.send(JSON.stringify({ type: "response.create" }));
};

ws.onmessage = ev => {
  const msg = JSON.parse(ev.data);
  if (msg.type === "response.audio.delta") {
    playPCM16Base64(msg.delta);
  }
};

مثال Python

import asyncio, base64, json, wave, websockets

async def main():
    async with websockets.connect("ws://127.0.0.1:8080/v1/realtime") as ws:
        await ws.send(json.dumps({"type": "session.update",
                                  "session": {"modalities": ["audio", "text"]}}))

        with wave.open("question.wav", "rb") as wav:
            pcm16 = wav.readframes(wav.getnframes())
        await ws.send(json.dumps({"type": "input_audio_buffer.append",
                                  "audio": base64.b64encode(pcm16).decode()}))
        await ws.send(json.dumps({"type": "response.create"}))

        async for raw in ws:
            msg = json.loads(raw)
            if msg["type"] == "response.audio.delta":
                open("answer.pcm", "ab").write(base64.b64decode(msg["delta"]))
            elif msg["type"] == "response.done":
                break

asyncio.run(main())

ملاحظات النشر

الشيفرة المصدرية