Voice Service

Микросервис синтеза речи (TTS) и распознавания речи (STT) платформы Unishift на базе движка sherpa-onnx (ONNX Runtime).

Основные возможности

1. Синтез речи (TTS):

   • Базовая модель: sherpa-onnx-supertonic-3-tts-int8-2026-05-11.
   • Офлайн-инференс без сетевых запросов к внешним API.
   • Автоматическая расстановка ударений по словарю stress.txt для корректного звучания русской речи.
   • Препроцессинг текста: очистка Markdown, нормализация чисел/дат, транслитерация латиницы.
   • Поддержка выбора спикеров (sid), регулировки скорости речи (speed).

2. Потоковый синтез через SSE (Server-Sent Events):

   • Эндпоинт POST /api/v1/tts/stream разбивает длинный текст на предложения и синтезирует каждый фрагмент независимо.
   • Аудио-чанки передаются в веб-клиент потоком через SSE, что позволяет браузеру начинать воспроизведение до завершения генерации всего текста.

3. Распознавание речи (STT):

   • Поддержка моделей Whisper (whisper-base, whisper-turbo).
   • Транскрибация WAV-аудио в текст с автоопределением языка или фиксацией (ru, en).
   • Нормализация распознанного текста.

4. CLI-утилиты:

   • В бинарник встроены консольные команды для синтеза (tts), транскрибации (stt), инспекции моделей (models) и проверки жизнеспособности (healthcheck).

Порты

• Native PM2: 8116
• Docker host: 18116 (VOICE_PORT)
• БД: не требуется (stateless)

HTTP API

Базовый префикс: /api/v1

Метод	Путь	Описание
POST	/api/v1/tts/synthesize	Генерация полного WAV-файла из текста
POST	/api/v1/tts/stream	Потоковая генерация аудио по предложениям (SSE)
POST	/api/v1/stt/transcribe	Транскрибация речи из WAV (multipart или binary)
GET	/api/v1/voice/models	Список загруженных моделей и доступных спикеров
GET	/health	Проверка готовности движков (Health check)
GET	/swagger/*any	Интерактивная Swagger-документация

Конфигурация и переменные окружения

Переменная	По умолчанию	Описание
PORT	8116	Порт HTTP-сервера
HOST	0.0.0.0	Хост сервера
GIN_MODE	release	Режим работы Gin (debug, release)
LOG_LEVEL	info	Уровень логирования (debug, info, warn, error)
LOG_FORMAT	json	Формат логов (json, text)
VOICE_MODELS_DIR	models	Путь к директории с ONNX-моделями
VOICE_DEFAULT_MODEL	sherpa-onnx-supertonic-3-tts-int8-2026-05-11	TTS-модель по умолчанию
VOICE_STRESS_LEXICON	stress.txt	Путь к словарю ударений
VOICE_NUM_THREADS	4	Число потоков CPU инференса
VOICE_NUM_STEPS	5	Число шагов диффузии TTS
VOICE_STT_MODEL	sherpa-onnx-whisper-turbo	Дефолтная STT-модель
VOICE_STT_LANGUAGE	ru	Язык распознавания по умолчанию
JWT_SECRET	—	Секрет валидации JWT
SERVICE_TOKEN	—	Токен межсервисной аутентификации