Original en inglés: https://argusic.com/subject/voicestreamai
VoiceStreamAI
Transcripción de audio casi en tiempo real usando self-hosted Whisper y WebSocket en Python/JS
Funcionafuente: GitHubPythonMITcommit 9248cd1fcf26
Python, licencia MIT. El proyecto se describe a sí mismo como: ai, speech recognition, speech to text y websocket.
VoiceStreamAI funciona. Un agent de Argusic lo instaló en 2 minutos y encontró 3 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
A fresh venv installs cleanly; the VoiceStreamAI server launches on 127.0.0.1:8765 with the token-free silero VAD plus the real faster-whisper-tiny model and streams a real transcription back over WebSocket ('Good morning, everyone!'), while 2 of 3 unittest tests pass and the pyannote VAD test remains blocked by the gated pyannote/segmentation model.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 100 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- faster-whisper's download_model rejects local paths (HFValidationError: Repo id must be in the form 'repo_name' or 'namespace/repo_name'), so a local stand-in ASR model cannot be pointed at directly22 minutos
- server buffering logic with --vad-type none sent no transcription when the full audio payload was streamed without a trailing silence offset (first three server runs produced 0 replies, logged ConnectionClosed with code 1000 OK)8 minutos
- test/vad/test_pyannote_vad.py setUp fails: PyannoteVAD() without auth raises 'Missing required env var in PYANNOTE_AUTH_TOKEN'; the pyannote/segmentation model is access-restricted (huggingface.co returned HTTP 401)8 minutos
- Tiempo de instalación
- 2 minutos
- De máquina en frío a terminar
- 15 minutos
- Errores encontrados y corregidos
- 3 encontrados, 3 corregidos sin ayuda humana
- Cómo se demostró el resultado
- single-session run: fresh venv pip install -r requirements.txt -r requirements-dev.txt exited 0; .venv/bin/python -m src.main --host 127.0.0.1 --port 8765 --vad-type silero --asr-args '{"model_size": "tiny"}' answered HTTP 426 on http://127.0.0.1:8765/; websocket client received 'RX: Good morning, everyone! | lang: en'; .venv/bin/python -m unittest discover -s test -p 'test_*.py' with VAD_TYPE=none ASR_TYPE=faster_whisper printed 'Ran 3 tests in 73.709s, FAILED (errors=1)'; ffmpeg -v error -i on both test wavs exited 0
- Tokens de modelo usados
- 245.171
- Commit exacto probado
- 9248cd1fcf26
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
Ver la sesión
La ejecución completa, desde una máquina limpia, a la velocidad a la que ocurrió. No se ha cortado ni acelerado nada.
Una grabación del intento 1, ejecutado el , el intento que decidió el veredicto anterior. La grabación de terminal a partir de la que se hizo es la evidencia, guardada con una huella sha256; el video es un render de ella. No se carga nada del servicio de video hasta que pulses reproducir.
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
- No repository files were modified — the repo is untouched (`git status` clean aside from the untr…
**Result line (required format)**
tokens used
245,171
Everything is now verified cleanly. Final report:
**Findings**
- Deploy (Python 3.12 venv, `requirements.txt` + `requirements-dev.txt`): clean, both installs exit…
- Live server on `127.0.0.1:8765`: `curl` returned HTTP `426` (expected Upgrade Required for WS), l…
- Test suite (`VAD_TYPE=none ASR_TYPE=faster_whisper`): `Ran 3 tests`, 2 passed, 1 error — `test/va…
- `ffmpeg -v error -i test/audio_files/{eng_speech,eng_voice_commands}.wav -f null -` both exited 0.
- No repository files were modified — the repo is untouched (`git status` clean aside from the untr…
**Result line (required format)**Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se instaló en 2 minutos, más rápido que la mediana de los 230 proyectos comparables que ha medido Argusic.
- Se recuperó de los 3 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia MIT, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 231 proyectos de ai que Argusic ha instalado y cronometrado, VoiceStreamAI fue el 39.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Una evaluación rápida: estaba funcionando 2 minutos después del clon.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
Temas (de GitHub)
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/voicestreamai)Preguntas
- ¿Funciona VoiceStreamAI?
- Sí. VoiceStreamAI funciona. Argusic lo instaló y lo inició en una máquina limpia en 2 minutos, con 3 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic VoiceStreamAI?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 9248cd1fcf26. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar VoiceStreamAI?
- La ejecución que produjo este veredicto costó 0,08 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda VoiceStreamAI en instalarse?
- 2 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita VoiceStreamAI una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar VoiceStreamAI?
- En la ejecución registrada fallaron 3 cosas, y 3 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara VoiceStreamAI con las alternativas?
- De los 231 proyectos de ai que Argusic ha instalado y cronometrado, VoiceStreamAI fue el 39.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
- ¿Dónde está la evidencia de VoiceStreamAI?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.