التفريغ الصوتي العربي المباشر عبر WebSocket (بديل جاهز لعملاء Deepgram)

تطبيقات تسجيل الاجتماعات وتدوين الملاحظات وسجلات المكالمات والترجمة المباشرة تحتاج كلها الشيء نفسه: صوت يدخل باستمرار، ونص يخرج والناس يتكلمون. وفي العربية كان هذا صعب المنال. يشرح هذا الدليل التفريغ الصوتي العربي المباشر عبر WebSocket في نُطق — الاتصال، والرسائل، والحدود الصريحة التي يحسن معرفتها قبل البناء عليه.

لماذا يصعب إيجاد تفريغ عربي مباشر؟

أغلب واجهات التفريغ المباشر بُنيت للإنجليزية أولًا. وDeepgram، الافتراضي في منصات كثيرة، ليس لديه نموذج عربي مخصص — nova-2 وnova-3 يرفضان ar — فالفرق التي بنت عليه لم يكن لديها طريق إلى العربية. أما نقطة نُطق فتتبع بروتوكول Deepgram المباشر عن قصد: إن كان لديك عميله، فأنت تغيّر رابطًا لا بنية.

كيف تتصل؟

wss://worker.nutq.dev/v1/listen?encoding=linear16&sample_rate=16000&channels=1&language=auto

المصادقة عبر Authorization: Token <key> (ما يرسله عميل Deepgram)، أو ترويسة Bearer، أو ?key= في الرابط للمنصات التي لا تسمح بترويسات المصافحة. والصيغة الأخيرة تصل إلى سجلات الوصول، فخصّص لها مفتاحًا مستقلًا.

ماذا ترسل؟

• إطارات ثنائية من صوت PCM الخام بالتردد وعدد القنوات اللذين أعلنتهما، وبأي حجم.
• ‏{"type":"KeepAlive"} — يُقبل، ولا يُغلق الاتصال بسبب الهدوء.
• ‏{"type":"Finalize"} — أعد ما هو مخزّن الآن، حين تتوقف وسط الجملة.
• ‏{"type":"CloseStream"} — أنهِ وأغلق؛ ويعود إطار Metadata بالمدة المحتسبة.

ماذا يعود؟

{
  "type": "Results",
  "start": 14.30,
  "duration": 14.70,
  "is_final": true,
  "speech_final": true,
  "channel": {
    "alternatives": [{
      "transcript": "تعلمت إن مو لازم كل شي يصير بسرعة",
      "confidence": null,
      "words": [],
      "language": "ar"
    }]
  }
}

لاحظ النص: لهجة خليجية كما قيلت، لا فصحى معاد صياغتها. ولماذا يهم ذلك، تجده في اللهجة الخليجية أم الفصحى.

ما الحدود؟

من الأفضل معرفتها قبل تصميم واجهتك:

• لا نتائج مؤقتة. كل نتيجة نهائية، بعد نحو 700 ملّي ثانية من توقف المتحدث. الكلمات لا تظهر واحدة تلو الأخرى أثناء الكلام.
• ‏confidence قيمته null. النموذج لا ينتج درجة ثقة معايَرة، فلا نخترع واحدة.
• ‏words فارغة. لا توقيت لكل كلمة، لكن start وduration في كل نتيجة حقيقيان، فيمكنك القفز إلى لحظة بعينها.
• الكلام المتصل بلا توقف يُقطع عند نحو 15 ثانية، عند أهدأ نقطة قرب تلك العلامة، فالمتحدث الذي لا يتوقف ينتج نتيجة كل خمس عشرة ثانية تقريبًا.

للترجمة المباشرة التي يجب أن تلاحق كل كلمة لحظة نطقها، هذه ليست الأداة المناسبة. أما للملاحظات والسجلات وتوثيق المكالمات والترجمة التي تظهر جملةً جملة، فهي مناسبة.

ما التردد والقنوات التي ترسلها؟

أرسل الصوت بتردده الحقيقي. صوت الهاتف 8000 هرتز، فأرسله كذلك مع sample_rate=8000؛ رفع التردد لا يضيف شيئًا ينتفع به النموذج. وأعلن عدد القنوات الذي ترسله فعلًا — إعلان قناة واحدة مع إرسال قناتين يُفرّغ عيّنة من كل اثنتين. وفي تسجيلات المكالمات التي تضع العميل في قناة والموظف في أخرى، اختر بالمعامل channel من تريد تفريغه، أو افتح اتصالين لتحصل على نص لكل طرف.

والترميز الوحيد المقبول linear16. أي ترميز آخر يُرفض عند الاتصال بدل أن يُشغَّل ضجيجًا، فتعرف الخطأ فورًا لا بعد ساعة من نصوص فارغة.

عميل Python بسيط

import asyncio, json, websockets

URL = ("wss://worker.nutq.dev/v1/listen"
       "?encoding=linear16&sample_rate=16000&channels=1&language=auto")

async def main(pcm_frames):
    async with websockets.connect(
        URL, additional_headers={"Authorization": f"Token {NUTQ_API_KEY}"}
    ) as ws:
        async def send():
            for frame in pcm_frames:
                await ws.send(frame)
            await ws.send(json.dumps({"type": "CloseStream"}))

        async def read():
            async for raw in ws:
                m = json.loads(raw)
                if m["type"] == "Results":
                    print(m["channel"]["alternatives"][0]["transcript"])
                elif m["type"] == "Metadata":
                    return

        await asyncio.gather(send(), read())

مباشر أم ملفات؟

للتسجيلات يكفي طلب POST واحد — راجع دليل تحويل الكلام العربي إلى نص. وللوكلاء الهاتفيين، المحرك نفسه موصول بمنصة Vapi في بناء وكيل صوتي عربي. وكل الرسائل في التوثيق، وأول 5 دولارات مجانية عند التسجيل.