SSD Nodes Learn Hosting plans →
راهنماها Matt Connorتوسط Matt Connor

راهنمای اجرای Whisper و Piper روی سرور شخصی (VPS)

با اجرای Whisper و Piper روی VPS، سرویس STT و TTS اختصاصی بسازید. این راهنما نحوه راه‌اندازی endpoint سازگار با OpenAI، میزان مصرف CPU و فضای دیسک مورد نیاز را بررسی می‌کند.

تبدیل گفتار به متن و متن به گفتار به‌صورت self-hosted، به زبان ساده

سرویس‌های self-hosted تبدیل گفتار به متن (STT) و متن به گفتار (TTS) روی سروری که مالک آن هستید اجرا می‌شوند. برای رونویسی (Transcription) از Whisper با استفاده از runtime مدل faster-whisper استفاده می‌شود. برای تولید صدا (Synthesis) نیز از Piper استفاده می‌کنیم. هر دو روی یک VPS معمولی با CPU و بدون نیاز به GPU کار می‌کنند. مدل کوچک Whisper حدود 484 MB فضا روی دیسک اشغال می‌کند و صدای Piper شامل دو فایل است: یک مدل ONNX و یک فایل پیکربندی کوچک JSON که مجموعاً کمتر از 150 MB حجم دارند.

به همین دلیل است که حوزه صوت، نقطه شروع مناسبی است. تولیدکننده تصویر self-hosted و تولید ویدیو به‌صورت self-hosted هر دو پیش از آنکه قابل استفاده باشند، به GPU نیاز دارند. اما صوت نیازی به آن ندارد.

این راهنما هر دو جهت و لایه‌ای که آن‌ها را به هم متصل می‌کند پوشش می‌دهد. Whisper صوت را به متن تبدیل می‌کند. Piper متن را به صوت تبدیل می‌کند. یک سرور HTTP سازگار با OpenAI که در مقابل هر دو قرار می‌گیرد، به کلاینت‌های موجود اجازه می‌دهد بدون تغییر در هیچ‌چیز، تنها با تغییر base URL، به سرور شما متصل شوند.

تمام نسخه‌های ذکر شده در دستورات این راهنما، در تاریخ 11 اکتبر 2026 با صفحه releases پروژه‌های مربوطه مطابقت داده شده‌اند. نسخه‌های CTranslate2 که در بخش حالت‌های خطا نام برده شده‌اند، نشانگرهای سازگاری هستند و نه نسخه‌های جاری.

چرا faster-whisper و نه بسته مرجع Whisper

بسته whisper شرکت OpenAI مدل را در PyTorch اجرا می‌کند. بسته faster-whisper همان وزن‌های مدل را روی CTranslate2 اجرا می‌کند که یک موتور استنتاج است که به‌طور اختصاصی برای مدل‌های ترنسفورمر نوشته شده است. مدل یکسان است، اما تنظیمات کوانتیزاسیون و دیکودینگ بر خروجی متن تأثیر می‌گذارند. زمان اجرا دلیل تفاوت سرعتی است که در زیر اندازه‌گیری شده است.

موتور CTranslate2 وزن‌ها را هنگام بارگذاری کوانتیزه می‌کند، به همین دلیل compute_type="int8" یک آرگومان است و نه یک مرحله تبدیل جداگانه. این موتور همچنین هیچ وابستگی به PyTorch ندارد. بسته pip install faster-whisper شامل CTranslate2، یک توکنایزر و PyAV برای دیکود کردن صدا است، بنابراین حجم محیط مجازی (virtual environment) به جای چندین گیگابایت، در حد چند صد مگابایت باقی می‌ماند. در یک VPS با دیسک 40 گیگابایتی، این اختلاف به معنای تفاوت بین فضای کافی و فضای محدود است.

در اینجا ارقام منتشرشده توسط خود پروژه برای مدل small روی CPU آمده است. این بنچمارک 13 دقیقه صدا را با استفاده از 8 ترد روی پردازنده Intel Core i7-12700K رونویسی می‌کند. ستون x_realtime همان 13 دقیقه تقسیم بر زمان اندازه‌گیری شده است: عدد 7.6 یعنی یک ضبط 13 دقیقه‌ای در کمی بیش از 1 دقیقه و 40 ثانیه به پایان رسیده است.

نمودارWhisper small on CPU, 13 minutes of audio (published project figures)
داده‌های پشت این نمودار
[
  {
    "label": "openai/whisper, fp32",
    "x_realtime": 1.9,
    "seconds": 418,
    "memory_mb": "2,335"
  },
  {
    "label": "whisper.cpp, fp32",
    "x_realtime": 6.2,
    "seconds": 125,
    "memory_mb": "1,049"
  },
  {
    "label": "faster-whisper, fp32",
    "x_realtime": 5.0,
    "seconds": 157,
    "memory_mb": "2,257"
  },
  {
    "label": "faster-whisper, int8",
    "x_realtime": 7.6,
    "seconds": 102,
    "memory_mb": "1,477"
  },
  {
    "label": "faster-whisper, int8, batch 8",
    "x_realtime": 15.3,
    "seconds": 51,
    "memory_mb": "3,608"
  }
]

ردیف دوم را با دقت بخوانید. در حالت fp32، بسته whisper.cpp روی این CPU سریع‌تر از faster-whisper عمل می‌کند، 6.2 برابر در مقابل 5.0 برابر، و این کار را با کمتر از نصف حافظه انجام می‌دهد. این همان خانواده ggml است که در بخش llama.cpp از پشته LLM محلی قرار دارد. بسته faster-whisper زمانی که int8 و دسته‌بندی (batching) فعال باشند پیش می‌افتد و به 15.3 برابر می‌رسد و برای این کار 3,608 مگابایت رم مصرف می‌کند. بنابراین: برای استفاده از API پایتون و قابلیت batching، بسته faster-whisper را انتخاب کنید؛ زمانی که رم محدودیتی است که نمی‌توانید از آن عبور کنید، whisper.cpp را انتخاب کنید.

ردیف اول نکته اصلی این بخش است. بسته مرجع روی همان دستگاه 1.9 برابر زمان واقعی است، که یعنی پردازش یک ساعت صدا، نیم ساعت از زمان CPU را می‌گیرد.

مدل‌های Whisper به چه مقدار فضای دیسک نیاز دارند؟

نمودارfaster-whisper model weights on disk (Systran CTranslate2 conversions, float16)
داده‌های پشت این نمودار
[
  {
    "label": "tiny",
    "weights_mb": 75.5
  },
  {
    "label": "base",
    "weights_mb": 145
  },
  {
    "label": "small",
    "weights_mb": 484
  },
  {
    "label": "medium",
    "weights_mb": "1,530"
  },
  {
    "label": "large-v3",
    "weights_mb": "3,090"
  }
]

این مقادیر مربوط به تبدیل‌های CTranslate2 منتشرشده در فرمت float16 هستند. توجه داشته باشید که compute_type="int8" چه کاری انجام نمی‌دهد: این ابزار حجم فایل دانلودی را کاهش نمی‌دهد. وزن‌ها در قالب float16 دریافت می‌شوند و CTranslate2 آن‌ها را در زمان بارگذاری در حافظه به فرمت int8 کوانتایز می‌کند؛ بنابراین مدل large-v3 چه در حالت float16 اجرا شود و چه در حالت int8، روی دیسک 3,090 مگابایت فضا اشغال می‌کند. استفاده از int8 باعث صرفه‌جویی در RAM و افزایش سرعت می‌شود، نه کاهش فضای دیسک.

مدل‌ها در اولین استفاده در مسیر ~/.cache/huggingface/hub دانلود می‌شوند. اگر از یک VPS با حجم دیسک root محدود استفاده می‌کنید، با استفاده از آرگومان download_root یا متغیر محیطی HF_HOME، مسیر ذخیره‌سازی را به محلی با فضای کافی تغییر دهید؛ در غیر این صورت، اولین اجرای شما باعث پر شدن دیسک و متوقف شدن فرآیند در حین دانلود خواهد شد.

نصب faster-whisper بدون آسیب به Python سیستم

در Ubuntu 24.04 و Debian 13، پایتون سیستم به عنوان «مدیریت‌شده توسط سیستم» (externally managed) علامت‌گذاری شده است. اجرای pip install faster-whisper خارج از یک محیط مجازی (virtual environment) بلافاصله با خطای زیر متوقف می‌شود:

error: externally-managed-environment

این پیام نشان‌دهنده محافظت سیستم بسته‌بندی از فایل‌هایی است که apt مالک آن‌هاست. از یک محیط مجازی استفاده کنید.

sudo apt update
sudo apt install -y python3-venv ffmpeg
python3 -m venv ~/stt
~/stt/bin/pip install --upgrade pip
~/stt/bin/pip install faster-whisper==1.2.1

نسخه 1.2.1 آخرین نسخه منتشر شده در اکتبر 2025 است. کتابخانه faster-whisper صدا را از طریق PyAV رمزگشایی می‌کند که کتابخانه‌های ffmpeg اختصاصی خود را به همراه دارد؛ بنابراین فایل‌های mp3 یا m4a را بدون نیاز به باینری جداگانه ffmpeg می‌خواند. بسته ffmpeg که در بالا ذکر شد، برای پردازش‌های ویدیویی در ادامه این راهنما مورد نیاز است.

پیش از دانلود سه گیگابایت وزن‌های مدل (weights)، نصب را بررسی کنید:

~/stt/bin/python -c "from faster_whisper import WhisperModel; print('ok')"

مشاهده خطی که شامل ok باشد به این معنی است که بسته‌ها با موفقیت نصب شده‌اند. اگر خطایی با نام ImportError و اشاره به ctranslate2 دریافت کردید، یعنی runtime موجود نیست یا کتابخانه کامپایل‌شده آن بارگذاری نمی‌شود؛ ادامه پیام خطا علت دقیق را مشخص می‌کند. در ایمیج‌های 32-bit ARM هیچ بسته‌ای برای CTranslate2 وجود ندارد، بنابراین pip در زمان نصب با خطا مواجه می‌شود.

رونویسی فایل ضبط‌شدهٔ جلسه یا یادداشت صوتی

این کد را با نام transcribe.py ذخیره کنید:

from faster_whisper import WhisperModel

model = WhisperModel("small", device="cpu", compute_type="int8", cpu_threads=4)
segments, info = model.transcribe("meeting.m4a", beam_size=5, vad_filter=True)

print("language: %s (%.2f)" % (info.language, info.language_probability))
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

آن را با ~/stt/bin/python transcribe.py اجرا کنید. در اولین اجرا، وزن‌های مدل دانلود می‌شوند، بنابراین مدتی چیزی در خروجی چاپ نمی‌شود. پس از آن، مدل در چند ثانیه از حافظهٔ کش بارگذاری می‌شود.

segments یک generator است، بنابراین رونویسی تا زمانی که روی آن iterate نکنید، آغاز نمی‌شود. برخی افراد زمان اجرای فراخوانی transcribe() را اندازه‌گیری می‌کنند، می‌بینند که بلافاصله برمی‌گردد و تصور می‌کنند مشکلی وجود دارد. هیچ مشکلی وجود ندارد. پردازش اصلی در داخل حلقه انجام می‌شود.

vad_filter=True ابتدا Silero VAD (تشخیص فعالیت صوتی) را اجرا می‌کند و بخش‌های سکوت را پیش از آنکه Whisper آن‌ها را ببیند، حذف می‌کند. در فایل‌های ضبط‌شدهٔ جلسات که وقفه‌های طولانی دارند، این بزرگ‌ترین بهینه‌سازی سرعت است، زیرا Whisper هیچ زمانی را صرف پردازش بخش‌های بدون گفتار نمی‌کند. این کار همچنین از تکرار جملات که Whisper هنگام دریافت سکوت و تلاش برای یافتن کلمات در آن تولید می‌کند، جلوگیری می‌کند.

مقدار cpu_threads را روی تعداد هسته‌های واقعی خود تنظیم کنید. تنظیم آن روی عددی بیشتر از تعداد vCPU، سرعت رونویسی را کاهش می‌دهد، زیرا ترد‌های اضافی برای استفاده از یک هسته با هم رقابت می‌کنند و scheduler هزینهٔ هر سوئیچ را پرداخت می‌کند.

زیرنویس برای کتابخانه Jellyfin

Jellyfin فایل‌های زیرنویس خارجی را که در کنار فایل ویدیو قرار دارند و نامی مشابه آن دارند، می‌خواند. بنابراین، قرار دادن Movie (2019).en.srt در کنار Movie (2019).mkv باعث می‌شود که آن فایل به عنوان یک ترک انگلیسی بدون نیاز به بازسازی کتابخانه شناسایی شود. اینکه یک کلاینت خاص آن را مستقیماً پخش کند، یا سرور آن را remux کرده یا روی ویدیو حک (burn) کند، به قابلیت‌های پشتیبانی‌شده توسط همان کلاینت بستگی دارد.

ابتدا صدا را استخراج کنید. Whisper به‌صورت داخلی همه فایل‌ها را به 16 kHz مونو تبدیل می‌کند، بنابراین ارائه فایل 16 kHz مونو از همان ابتدا، بار پردازشی را در هر دو سمت کاهش می‌دهد:

ffmpeg -i "Movie (2019).mkv" -vn -ac 1 -ar 16000 -c:a pcm_s16le "Movie (2019).wav"

ابزار faster-whisper قابلیت نوشتن فایل SRT را ندارد، بنابراین باید بخش‌ها (segments) را خودتان فرمت کنید. این کد را با نام srt.py ذخیره کنید:

import sys
from faster_whisper import WhisperModel

def ts(seconds):
    ms = int(round(seconds * 1000))
    hours, ms = divmod(ms, 3600000)
    minutes, ms = divmod(ms, 60000)
    secs, ms = divmod(ms, 1000)
    return "%02d:%02d:%02d,%03d" % (hours, minutes, secs, ms)

model = WhisperModel("small", device="cpu", compute_type="int8")
segments, info = model.transcribe(sys.argv[1], vad_filter=True)

with open(sys.argv[2], "w", encoding="utf-8") as out:
    for index, segment in enumerate(segments, start=1):
        out.write("%d\n" % index)
        out.write("%s --> %s\n" % (ts(segment.start), ts(segment.end)))
        out.write("%s\n\n" % segment.text.strip())

سپس در کتابخانه خود پیمایش کنید:

for f in /srv/media/films/*.mkv; do
  ffmpeg -nostdin -y -i "$f" -vn -ac 1 -ar 16000 -c:a pcm_s16le "${f%.mkv}.wav"
  nice -n 15 ~/stt/bin/python srt.py "${f%.mkv}.wav" "${f%.mkv}.en.srt"
  rm -f "${f%.mkv}.wav"
done

فلگ -nostdin تعامل صفحه‌کلید با ffmpeg را غیرفعال می‌کند. این کار همچنین از مصرف نام فایل‌ها توسط ffmpeg در زمانی که درون حلقه‌ای اجرا می‌شود که نام‌ها را از ورودی استاندارد (stdin) می‌خواند، جلوگیری می‌کند. حلقه مبتنی بر glob در بالا، لیست فایل‌های خود را از ورودی استاندارد نمی‌خواند.

پیش از شروع، زمان مورد نیاز را تخمین بزنید. با توجه به نرخ 7.6x که در بالا ذکر شد، یک فیلم 100 دقیقه‌ای تقریباً به 13 دقیقه زمان CPU نیاز دارد، بنابراین پردازش یک کتابخانه 50 فیلمی یک کار شبانه است. در پلن‌های vCPU اشتراکی، سرعت از این هم کمتر خواهد بود؛ این همان دلیلی است که nice برای آن در نظر گرفته شده است: با این کار، فرآیند تولید زیرنویس به هر فعالیت دیگری که سرور در حال انجام آن است، اولویت می‌دهد.

تبدیل متن به گفتار با Piper

Piper یک موتور عصبی تبدیل متن به گفتار است که مدل صوتی ONNX را روی CPU اجرا می‌کند. این ابزار از espeak-ng برای تبدیل متن به واج‌ها استفاده می‌کند، بنابراین نیازی به نصب phonemizer جداگانه نیست. نسخه فعلی 1.8.0 است که در سپتامبر 2026 منتشر شده است.

python3 -m venv ~/tts
~/tts/bin/pip install piper-tts==1.8.0
~/tts/bin/python -m piper.download_voices en_US-lessac-medium
~/tts/bin/python -m piper -m en_US-lessac-medium -f test.wav -- 'This is a test.'

download_voices دو فایل را در دایرکتوری کاری می‌نویسد: وزن‌های .onnx و یک فایل پیکربندی .onnx.json که نرخ نمونه‌برداری و لیست گویندگان را نگه می‌دارد. این فایل‌ها باید در کنار هم باقی بمانند. اگر صداها را در مسیر ثابتی نگهداری می‌کنید، --data-dir را به هر دو دستور پاس دهید، زیرا در غیر این صورت پخش‌کننده در دایرکتوری کاری جستجو می‌کند و نمی‌تواند صدایی که در آنجا نیست را پیدا کند.

-- پیش از متن نیز اهمیت دارد. این جداکننده، متن را از گزینه‌های خط فرمان متمایز می‌کند، از جمله گزینه‌هایی که ممکن است توسط جمله‌ای که با خط تیره شروع می‌شود، فعال شوند.

صداها در سطوح کیفی مختلفی عرضه می‌شوند. یک صدای انگلیسی متوسط حدود 60 MB و صدای با کیفیت بالا تقریباً دو برابر آن حجم دارد. کیفیت بالاتر به معنای مدل بزرگ‌تر و مصرف CPU بیشتر در هر ثانیه از گفتار است، نه گوینده‌ای متفاوت.

CLI را در یک حلقه فراخوانی نکنید. این ابزار در هر بار اجرا مدل را بارگذاری می‌کند و بارگذاری مدل، هزینه اصلی برای جملات کوتاه است. به جای آن، سرور HTTP را اجرا کنید:

~/tts/bin/pip install 'piper-tts[http]==1.8.0'
~/tts/bin/python -m piper.http_server -m en_US-lessac-medium --host 127.0.0.1 --port 5000
curl -X POST -H 'Content-Type: application/json' \
  -d '{ "text": "This is a test." }' \
  -o test.wav localhost:5000/synthesize

یک test.wav که می‌توانید پخش کنید به این معنی است که همه‌چیز درست کار می‌کند. آن endpoint ساختار اختصاصی Piper است، نه OpenAI، بنابراین کلاینتی که انتظار /v1/audio/speech را دارد با آن ارتباط برقرار نخواهد کرد. بخش بعدی این مشکل را حل می‌کند.

آن را با یک unit file اجرا کنید، نه در ترمینالی که قرار است ببندید. این unit، ابزار Piper را به عنوان یک کاربر piper بدون دسترسی ورود (login) و از دایرکتوری home همان کاربر اجرا می‌کند تا سرویس به حساب کاربری شما وابسته نباشد. کاربر را ایجاد کنید و Piper و صدا را در آنجا نصب کنید:

sudo useradd --system --create-home --home-dir /home/piper --shell /usr/sbin/nologin piper
sudo -u piper python3 -m venv /home/piper/tts
sudo -u piper /home/piper/tts/bin/pip install 'piper-tts[http]==1.8.0'
sudo -u piper /home/piper/tts/bin/python -m piper.download_voices --data-dir /home/piper/voices en_US-lessac-medium

سروری که در ترمینال خود شروع کرده‌اید را متوقف کنید، سپس unit را بنویسید:

[Unit]
Description=Piper text to speech HTTP server
After=network-online.target

[Service]
User=piper
ExecStart=/home/piper/tts/bin/python -m piper.http_server -m en_US-lessac-medium --data-dir /home/piper/voices --host 127.0.0.1 --port 5000
Restart=on-failure

[Install]
WantedBy=multi-user.target

sudo systemctl enable --now piper آن را شروع می‌کند و پس از reboot دوباره بالا می‌آورد. اگر دستور curl بالا چیزی برنگرداند، journalctl -u piper -n 50 دلیل آن را نشان می‌دهد و معمولاً دلیل آن نبود فایل صوتی است.

ساختار سرور سازگار با OpenAI

بیشتر نرم‌افزارهایی که صوت را پردازش می‌کنند، از قبل با API صوتی OpenAI سازگار هستند: یک درخواست multipart POST به /v1/audio/transcriptions برای فایل، و یک JSON POST به /v1/audio/speech برای متن. اگر این دو مسیر را خودتان میزبانی کنید، کلاینت تنها به یک تغییر نیاز دارد: آدرس پایه (base URL).

Speaches سروری است که هر دو جهت را پوشش می‌دهد. این سرور از faster-whisper برای تبدیل صوت به متن و از Piper یا Kokoro برای تبدیل متن به صوت، پشت مسیرهای OpenAI استفاده می‌کند. نسخه فعلی v0.9.0-rc.3 مربوط به دسامبر 2025 است و هنوز به 1.0 نرسیده؛ بنابراین تگ image خود را ثابت (pin) کنید و پیش از ارتقا، یادداشت‌های انتشار (release notes) را بخوانید.

curl --silent --remote-name https://raw.githubusercontent.com/speaches-ai/speaches/master/compose.yaml
curl --silent --remote-name https://raw.githubusercontent.com/speaches-ai/speaches/master/compose.cpu.yaml
export COMPOSE_FILE=compose.cpu.yaml
docker compose up --detach

شکل تک‌کانتینری، اگر ترجیح می‌دهید فایل‌های compose را نگه ندارید:

docker run --rm --detach --publish 8000:8000 --name speaches \
  --volume hf-hub-cache:/home/ubuntu/.cache/huggingface/hub \
  ghcr.io/speaches-ai/speaches:latest-cpu

volume نام‌گذاری‌شده بخشی است که کاربران فراموش می‌کنند. بدون آن، کش مدل داخل کانتینر باقی می‌ماند و با حذف و ایجاد مجدد کانتینر، وزن‌های دانلود شده از دست می‌روند. راه‌اندازی مجدد همان کانتینر، آن‌ها را حفظ می‌کند.

سرویس Speech نیاز دارد پیش از پاسخ‌دهی /v1/audio/speech، یک صدا دانلود شده باشد:

uvx speaches-cli model download speaches-ai/Kokoro-82M-v1.0-ONNX

پس از آن، هر کلاینت OpenAI با تغییر آدرس پایه کار می‌کند:

from pathlib import Path
from openai import OpenAI

openai = OpenAI(base_url="http://localhost:8000/v1", api_key="cant-be-empty")
res = openai.audio.speech.create(
    model="speaches-ai/Kokoro-82M-v1.0-ONNX",
    voice="af_heart",
    input="Hello, world!",
    response_format="mp3",
    speed=1,
)
with Path("output.mp3").open("wb") as f:
    f.write(res.response.read())

مقدار جای‌گیر api_key الزامی است، زیرا کتابخانه کلاینت OpenAI بدون آن از ارسال درخواست خودداری می‌کند. سرور تا زمانی که یک کلید واقعی پیکربندی نکنید، مقدار آن را نادیده می‌گیرد.

vox-box پروژه دیگری است که ارزش نام بردن دارد. این یک بسته پایتونی است تا یک کانتینر، و همان مسیرها را با Whisper، FunASR، Bark، Dia یا CosyVoice ارائه می‌دهد. نسخه 0.0.21 نسخه فعلی در دسامبر 2025 است و به پایتون 3.10 یا بالاتر نیاز دارد.

python3 -m venv ~/voice
~/voice/bin/pip install vox-box==0.0.21
~/voice/bin/vox-box start --huggingface-repo-id Systran/faster-whisper-small \
  --data-dir ~/voice/data --host 127.0.0.1 --port 8010

مثال خود پروژه، پورت 80 را bind می‌کند که به دسترسی root یا قابلیت CAP_NET_BIND_SERVICE نیاز دارد. استفاده از یک پورت بالا پشت یک reverse proxy، ساختار بهتری برای سروری است که کارهای دیگری هم انجام می‌دهد. vox-box start یک مدل را می‌پذیرد، بنابراین پوشش هر دو جهت به معنای اجرای یک نمونه دوم روی پورت دوم با شناسه مخزن صوتی است.

از سرور بپرسید چه چیزی بارگذاری کرده است، سپس از آن شناسه در فیلد model استفاده کنید:

curl http://127.0.0.1:8010/v1/models
curl http://127.0.0.1:8010/v1/audio/transcriptions \
  -H "Content-Type: multipart/form-data" \
  -F file="@voice-note.m4a" \
  -F model="faster-whisper-small"

یک بدنه JSON به فرم {"text": "..."} به این معنی است که کل مسیر کار می‌کند. برای خطای 404، بدنه پاسخ را بخوانید و شناسه مدل را با /v1/models مطابقت دهید. Speaches همچنین برای مدل معتبری که به‌صورت محلی نصب نشده باشد، خطای 404 برمی‌گرداند. اگر خطا این موضوع را اعلام کرد، مدل درخواستی را با uvx speaches-cli model download MODEL_ID دانلود کنید و سپس دوباره تلاش کنید. مسیر دانلود آن POST /v1/models/{model_id} است.

هیچ‌کدام از این سرورها به‌صورت پیش‌فرض احراز هویت را فعال نمی‌کنند. آن‌ها را به 127.0.0.1 متصل کنید و از طریق VPN یا reverse proxy که درخواست اعتبارنامه می‌کند، به آن‌ها دسترسی داشته باشید. یک /v1/audio/transcriptions باز روی یک IP عمومی، CPU رایگان برای هر کسی است که آن را پیدا کند، و آن‌ها حتماً آن را پیدا خواهند کرد.

یک رابط کاربری صوتی برای دستیار شخصی

هنگامی که هر دو مسیر در مسیرهای OpenAI پاسخ‌گو باشند، یک رابط کاربری چت می‌تواند آن‌ها را هدایت کند. Open WebUI و جایگزین‌های آن یک base URL سازگار با OpenAI برای صوت در تنظیمات خود می‌پذیرند، بنابراین یک سیستم می‌تواند یک LLM محلی را با Ollama اجرا کند و حلقه صوتی را در هر دو انتها ببندد.

تأخیر را صادقانه برآورد کنید، زیرا این سه مرحله یکی پس از دیگری روی همان هسته‌ها اجرا می‌شوند. یک پرسش 10 ثانیه‌ای حدود 1.3 ثانیه زمان می‌برد تا با نرخ 7.6x که در بالا ذکر شد، تبدیل به متن شود و این پیش از آن است که مدل حتی یک توکن را خوانده باشد. تولید توکن توسط CPU را به آن اضافه کنید؛ رفت و برگشت آن‌قدر کند است که آزمایش‌کنندگان تصور می‌کنند سیستم کرش کرده است. تبدیل متن به صورت دسته‌ای (Batch) روی CPU مناسب است. مکالمه این‌گونه نیست و این همان نقطه‌ای است که یک VPS دارای GPU ارزش هزینه کردن را پیدا می‌کند.

چه زمانی استفاده از GPU واقعاً ارزشش را دارد؟

نمودارWhisper large-v2 on an RTX 3070 Ti, 13 minutes of audio (published project figures)
داده‌های پشت این نمودار
[
  {
    "label": "openai/whisper, fp16",
    "x_realtime": 5.5,
    "seconds": 143,
    "memory_mb": "4,708"
  },
  {
    "label": "faster-whisper, fp16",
    "x_realtime": 12.4,
    "seconds": 63,
    "memory_mb": "4,525"
  },
  {
    "label": "faster-whisper, int8",
    "x_realtime": 13.2,
    "seconds": 59,
    "memory_mb": "2,926"
  },
  {
    "label": "faster-whisper, int8, batch 8",
    "x_realtime": 48.8,
    "seconds": 16,
    "memory_mb": "4,500"
  }
]

روی GPU، مدل بزرگ با فرمت int8 با سرعت 13.2 برابر زمان واقعی و با اشغال 2,926 مگابایت VRAM اجرا می‌شود و با استفاده از batching، این سرعت به 48.8 برابر می‌رسد. به آنچه در این دو نمودار ذکر نشده است، به‌دقت توجه کنید. آن‌ها مدل‌های متفاوتی را اجرا می‌کنند: ردیف‌های GPU مربوط به large-v2 و ردیف‌های CPU مربوط به مدل small هستند. GPU مدل کوچک را شش برابر سریع‌تر نمی‌کند، بلکه مدل دقیق را قابل‌استفاده می‌سازد.

منبع این اعداد

هر دو نمودار، بنچمارک منتشرشده در README پروژه faster-whisper را بازتولید می‌کنند. فایل صوتی، یک فایل واحد 13 دقیقه‌ای است. ردیف‌های CPU از 8 ترد روی پردازنده Intel Core i7-12700K استفاده کرده‌اند و ردیف‌های GPU از CUDA 12.4 روی کارت گرافیک NVIDIA RTX 3070 Ti با 8 گیگابایت VRAM بهره برده‌اند. ستون‌های ثانیه و حافظه، ارقام منتشرشده هستند. ستون x_realtime حاصل محاسبات ریاضی روی آن‌هاست: 780 ثانیه صوت تقسیم بر زمان اندازه‌گیری‌شده، که به یک رقم اعشار گرد شده است. ستون حافظه برای نمودار CPU نشان‌دهنده RAM سیستم و برای نمودار GPU نشان‌دهنده VRAM است.

یک پلن vCPU اشتراکی به ارقام CPU نخواهد رسید. آن بنچمارک از 8 ترد یک پردازنده دسکتاپ قدرتمند به‌صورت اختصاصی استفاده کرده است. عدد 7.6 برابر را به‌عنوان سقف در نظر بگیرید و پیش از برنامه‌ریزی بر اساس آن، سیستم خود را با time روی یک ضبط واقعی بسنجید.

چهار قاعده کلی که در عمل صادق هستند:

  • رونویسی گهگاه ضبط‌های شخصی: CPU، مدل small، فرمت int8. با دو vCPU اختصاصی شروع کنید و زمان رونویسی را اندازه بگیرید.
  • کارهای دسته‌ای شبانه مانند تولید زیرنویس: CPU، مدل small یا medium، فرمت int8، که در nice بسته‌بندی شده باشد.
  • هر کار تعاملی یا پردازش یک کتابخانه کامل در یک شب: GPU.
  • مدل Piper: همیشه CPU. یک مدل صوتی با این ابعاد، تقریباً هیچ بهره‌ای از GPU نمی‌برد.

اگر در حال بررسی این هستید که سخت‌افزار فعلی شما چه کارهای دیگری را می‌تواند پشتیبانی کند، پرسش گسترده‌تر درباره اینکه کدام مدل‌های هوش مصنوعی را می‌توانید خودمیزبانی کنید، مدل‌هایی را که در این سخت‌افزار جا می‌شوند یا نمی‌شوند، پوشش می‌دهد.

حالت‌های شکست و پیام‌های مربوطه

error: externally-managed-environment در هنگام نصب. پایتونِ سیستم توسط توزیع لینوکس محافظت می‌شود. یک محیط مجازی (virtual environment) همان‌طور که در بالا نشان داده شد، ایجاد کنید.

عدم تطابق cuDNN در سیستم‌های دارای GPU. این خطا به شکل زیر ظاهر می‌شود:

Unable to load any of {libcudnn_ops.so.9.1.0, libcudnn_ops.so.9.1, libcudnn_ops.so.9, libcudnn_ops.so}
Invalid handle. Cannot load symbol cudnnCreateTensorDescriptor

نسخه 4.5.0 از CTranslate2 بیلد‌های CUDA 12 خود را به cuDNN 9 منتقل کرده است، در حالی که میزبان از cuDNN 8 استفاده می‌کند. یا cuDNN 9 را نصب کنید، یا نسخه قدیمی‌تر runtime را با pip install --force-reinstall ctranslate2==4.4.0 ثابت (pin) کنید. فقط یکی از این دو کار را انجام دهید. انجام همزمان هر دو، شما را به نقطه شروع بازمی‌گرداند.

This CTranslate2 package was not compiled with CUDA support خطای متفاوتی است که مشابه به نظر می‌رسد. بیلد نصب‌شده از CTranslate2 فاقد پشتیبانی از CUDA است. فایل‌های wheel رسمی برای لینوکس و ویندوز از اجرای GPU پشتیبانی می‌کنند؛ پلتفرم و منبع بسته را بررسی کرده و سپس یک بیلد با قابلیت CUDA نصب کنید. بازسازی همان محیط با همان بیلد مخصوص CPU، مشکل را حل نمی‌کند.

تکرار عبارات در متن پیاده‌سازی‌شده. تکرار یک جمله برای ده بار، تقریباً همیشه به این معناست که سکوت یا موسیقی به عنوان گفتار تفسیر شده است. ابتدا vad_filter=True را فعال کنید. اگر مشکل همچنان باقی بود، به آن بخش از فایل صوتی گوش دهید: صدای نزدیک به سکوت، هیچ نقطه اتکایی برای Whisper باقی نمی‌گذارد و مدل آخرین حدس مطمئن خود را تکرار می‌کند.

تشخیص اشتباه زبان. به‌طور پیش‌فرض، faster-whisper زبان را فقط از 30 ثانیه اول تشخیص می‌دهد. مقدار info.language_probability بسیار کمتر از 1.0 به این معناست که مدل در تشخیص خود تردید داشته است؛ این اتفاق زمانی رخ می‌دهد که ضبط با موسیقی یا صحبت‌های همزمان شروع شود. اگر از قبل زبان را می‌دانید، از language="en" استفاده کنید، یا language_detection_segments را افزایش دهید تا مدل پیش از تصمیم‌گیری، پنجره‌های بیشتری را بررسی کند.

پردازش عبارت Killed را چاپ کرده و متوقف می‌شود. فایل dmesg را برای یافتن خط مربوط به oom-kill بررسی کنید تا مطمئن شوید که هسته سیستم‌عامل (kernel) به دلیل کمبود حافظه، پردازش را متوقف کرده است. مدل large-v3 بیش از 3 گیگابایت وزن‌های float16 دانلود می‌کند، اما استفاده از int8 حجم حافظه مورد نیاز در زمان بارگذاری را کاهش می‌دهد. بنچمارک منتشرشده برای مدل کوچک با فرمت int8 از 1,477 مگابایت رم استفاده می‌کند، بنابراین یک VPS با 2 گیگابایت رم، فضای بسیار کمی برای سیستم‌عامل و سایر سرویس‌ها باقی می‌گذارد.

Piper نمی‌تواند صدا (voice) را پیدا کند. پخش‌کننده در دایرکتوری جاری جستجو می‌کند، مگر اینکه --data-dir را تعیین کنید. دستور ls را روی دایرکتوری مورد نظر اجرا کنید و تأیید کنید که هر دو فایل .onnx و .onnx.json موجود باشند، زیرا نبود یکی از آن‌ها به اندازه نبودِ هر دو، باعث شکست در اجرا می‌شود.

FAQ

آیا می‌توانم تبدیل گفتار به متن را روی یک VPS بدون GPU اجرا کنم؟

بله، و برای پردازش‌های دسته‌ای (batch)، این انتخاب منطقی است. با استفاده از faster-whisper و مدل small با کوانتایز int8، بنچمارک منتشرشده توسط پروژه نشان می‌دهد که 13 دقیقه صوت در 102 ثانیه روی 8 ترد یک پردازنده i7 دسکتاپ پردازش می‌شود که حدود 7.6 برابر سرعت واقعی است و 1,477 مگابایت رم مصرف می‌کند. یک پلن vCPU اشتراکی کندتر از این عمل می‌کند، بنابراین عملکرد را روی سرور خودتان بسنجید. تبدیل متن به گفتار با Piper حتی ساده‌تر است و تحت هیچ شرایطی به GPU نیاز ندارد.

از کدام اندازه مدل Whisper باید استفاده کنم؟

با مدل small و کوانتایز int8 شروع کنید. این مدل 484 مگابایت حجم دارد و گفتار ضبط‌شدهٔ واضح را به‌خوبی پردازش می‌کند. اگر لهجه‌ها یا نویز پس‌زمینه باعث خطاهایی شد که قابل چشم‌پوشی نیستند، به مدل medium بروید. تنها زمانی از large-v3 استفاده کنید که دقت برایتان از هر چیز دیگری مهم‌تر باشد، زیرا این مدل به 3,090 مگابایت فضای دیسک نیاز دارد. میزان مصرف رم آن به نوع پردازش و بار کاری بستگی دارد، پس پیش از انتخاب اندازه VPS، آن را اندازه‌گیری کنید. در سوی دیگر، مدل tiny با حجم 75.5 مگابایت برای تشخیص زبان و تست پایپ‌لاین مفید است، نه برای متونی که قرار است توسط انسان خوانده شوند.

چرا faster-whisper سریع‌تر از پکیج اصلی Whisper است؟

مدل یکسان است، اما runtime متفاوت است. پکیج مرجع، Whisper را در PyTorch اجرا می‌کند، در حالی که faster-whisper همان وزن‌ها را روی CTranslate2 اجرا می‌کند؛ موتوری که برای استنتاج (inference) مدل‌های ترنسفورمر ساخته شده، وزن‌ها را در زمان بارگذاری کوانتایز می‌کند و نیازی به نصب PyTorch ندارد. در بنچمارک CPU منتشرشده، سرعت پکیج مرجع 1.9 برابر سرعت واقعی است، در حالی که faster-whisper با کوانتایز int8 به 7.6 برابر می‌رسد و حافظه کمتری نیز مصرف می‌کند.

چرا متن خروجی من یک جمله را مدام تکرار می‌کند؟

Whisper سکوت یا موسیقی را به عنوان گفتار تفسیر می‌کند و به آخرین حدس مطمئن خود بازمی‌گردد. پارامتر vad_filter=True را در فراخوانی transcribe() تنظیم کنید؛ این کار باعث می‌شود ابتدا از تشخیص فعالیت صوتی Silero استفاده شود و بخش‌های ساکت پیش از رسیدن به مدل حذف شوند. اگر همچنان تکرار وجود دارد، سطح صدا را بررسی کنید، زیرا ضبطی که تقریباً در تمام طول خود ساکت است، داده‌ای برای پردازش به مدل نمی‌دهد.

چگونه می‌توانم یک endpoint صوتی سازگار با OpenAI روی سرور شخصی خود داشته باشم؟

سروری را اجرا کنید که POST /v1/audio/transcriptions و POST /v1/audio/speech را پیاده‌سازی می‌کند، سپس کلاینت را با یک base URL جدید به آن متصل کنید. Speaches یک گزینه است که به صورت ایمیج کانتینر با بیلد CPU منتشر شده و از faster-whisper برای تبدیل گفتار و از Piper یا Kokoro برای تولید گفتار استفاده می‌کند. vox-box گزینه دیگری است که با pip install vox-box نصب شده و با vox-box start --huggingface-repo-id اجرا می‌شود و هر مدل را در یک پردازش (process) مجزا سرویس‌دهی می‌کند. هیچ‌کدام از این‌ها به‌صورت پیش‌فرض احراز هویت ندارند، بنابراین آن‌ها را روی localhost بایند کنید و یک پروکسی یا VPN در مقابلشان قرار دهید.

آیا این مقاله مفید بود؟

#whisper#tts#piper#speech-to-text#self-hosted-ai