دیبا-استیتی (Diba-STT) گفتارِ فارسی را به متن تبدیل میکند. کاملاً آفلاین اجرا میشود — روی CPU، روی گوشی، یا کاملاً داخلِ مرورگر — بدونِ ابر و بدونِ GPU، و بلادرنگ همزمان با صحبتِ شما کار میکند. بخشی از خانوادهٔ مدلهای دیبا ساختهٔ دیباچین.
چه کارهایی انجام میدهد
- رونویسیِ بلادرنگ گفتار فارسی از میکروفون.
- رونویسیِ آفلاین فایلهای صوتیِ WAV (۱۶ کیلوهرتز، تککاناله).
- اجرای روی دستگاه — دسکتاپ، موبایل یا مرورگر — هیچ دادهای از دستگاه خارج نمیشود.
مشخصات فنی
| نوع | تبدیل گفتار به متن (ASR) |
|---|---|
| زبان | فارسی |
| اجرا | آفلاین و بلادرنگ روی CPU، موبایل یا مرورگر (WASM) |
| ورودی | صدای WAV با نرخ ۱۶ کیلوهرتز و تککاناله (برای API پایتون) |
| نسخهها | از مدلِ کوچکِ حدود ۵۳ مگابایتی تا مدلِ بزرگِ حدود ۱٫۶ گیگابایتی |
| مجوز | Apache 2.0 (متنباز) |
نسخهها (توازنِ حجم و دقت)
دیبا-استیتی در چند نسخه عرضه میشود تا بتوانید بینِ حجم و دقت انتخاب کنید:
| نسخه | حجم | مناسبِ |
|---|---|---|
| fa-small-0.42 | حدود ۵۳ مگابایت | بلادرنگ، موبایل، مرورگر (پیشفرضِ پیشنهادی) |
| fa-0.42 | حدود ۱٫۶ گیگابایت | بالاترین دقت، سرور / دسکتاپ |
| fa-small-0.5 | حدود ۶۰ مگابایت | کوچک، دسکتاپ |
| fa-0.5 | حدود ۱ گیگابایت | واژگانِ بزرگ، سرور |
دقت به کیفیتِ میکروفون، نویزِ محیط و لهجه بستگی دارد؛ مدلهای کوچک بخشی از دقت را با سرعت و حجم عوض میکنند.
شروع سریع
pip install diba-stt
from diba_stt import DibaSTT
stt = DibaSTT("fa-small") # یا "fa" برای مدل بزرگ و دقیقتر
print(stt.transcribe("audio.wav")) # فایل WAV، ۱۶ کیلوهرتز، تککانالهstt = DibaSTT("fa-small")
for chunk in pcm_chunks: # بایتهای PCM ۱۶ بیتی
print(stt.accept(chunk))
print(stt.final())راهنمای کامل، فایلهای GGUF/ONNX و نمونههای بیشتر در کارتِ مدل روی Hugging Face در دسترس است.
دموها و نمایشِ زنده
کاربرد و محدودیتها
دقت به کیفیتِ میکروفون، نویزِ محیط و لهجه بستگی دارد؛ مدلهای کوچک بخشی از دقت را با سرعت و حجم عوض میکنند. برای API پایتون صدا باید ۱۶ کیلوهرتز و تککاناله باشد. بهترین نتیجه روی گفتارِ فارسیِ واضح و محاورهای.
پرسشهای متداول
آیا دیبا-استیتی آفلاین و بدون اینترنت کار میکند؟
بله؛ کاملاً آفلاین روی CPU، موبایل یا حتی داخلِ مرورگر (WASM) اجرا میشود و هیچ دادهای از دستگاه خارج نمیشود.
آیا رونویسی بلادرنگ است؟
بله؛ گفتار را همزمان با صحبتِ شما از میکروفون رونویسی میکند. نمایشِ زندهٔ مرورگری هم موجود است.
کدام نسخه را انتخاب کنم؟
برای بلادرنگ/موبایل/مرورگر نسخهٔ کوچکِ حدود ۵۳ مگابایتی (fa-small-0.42) و برای بالاترین دقتِ سروری نسخهٔ حدود ۱٫۶ گیگابایتی (fa-0.42).