Original em inglês: https://argusic.com/subject/voicestreamai
VoiceStreamAI
Transcrição de áudio quase em tempo real usando Whisper auto-hospedado e WebSocket em Python/JS
Executafonte: GitHubPythonMITcommit 9248cd1fcf26
Python, licença MIT. O projeto se descreve como: ai, speech recognition, speech to text e websocket.
VoiceStreamAI executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 2 minutos e encontrou 3 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 100 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 2 minutos
- Da máquina limpa até o fim
- 15 minutos
- Erros encontrados e corrigidos
- 3 encontrados, 3 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 9248cd1fcf26
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
Assista à sessão
A execução inteira, a partir de uma máquina limpa, na velocidade em que realmente aconteceu. Nada é cortado e nada é acelerado.
Uma gravação da tentativa 1, executada em , a tentativa que decidiu o veredito acima. A gravação do terminal da qual ele foi feito é a evidência, guardada com uma impressão digital sha256; o vídeo é uma renderização dela. Nada é carregado do serviço de vídeo até você apertar o play.
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
- 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)**Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Instalado em 2 minutos, mais rápido que a mediana dos 230 projetos comparáveis que a Argusic mediu.
- Recuperou-se de todos os 3 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 231 projetos de ai que a Argusic instalou e cronometrou, VoiceStreamAI foi o 39º mais rápido a chegar a um estado de execução, e 152 de 231 chegaram a esse estado.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Uma avaliação rápida: ele estava executando 2 minutos depois do clone.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
Tópicos (de GitHub)
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/voicestreamai)Perguntas
- VoiceStreamAI executa?
- Sim. VoiceStreamAI executa. A Argusic o instalou e iniciou em uma máquina limpa em 2 minutos, encontrando 3 erros no caminho, e gravou a sessão.
- Como a Argusic testou VoiceStreamAI?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 9248cd1fcf26. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar VoiceStreamAI?
- A execução que produziu este veredito custou US$ 0,08: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar VoiceStreamAI?
- 2 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- VoiceStreamAI precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar VoiceStreamAI?
- 3 coisas quebraram na execução registrada, e 3 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como VoiceStreamAI se compara às alternativas?
- Dos 231 projetos de ai que a Argusic instalou e cronometrou, VoiceStreamAI foi o 39º mais rápido a chegar a um estado de execução, e 152 de 231 chegaram a esse estado.
- Onde estão as evidências de VoiceStreamAI?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.