feat(voice): 100% Google Gemini Multimodal STT with ffmpeg audio normalization and model fallback

handlers/voice.py

@@ -164,17 +164,16 @@ async def text_to_speech_bytes(text: str) -> bytes:
         return b""
 
 async def transcribe_audio(audio_path: str) -> str:
-    """Двухконтурная транскрибация аудио:
+    """Распознавание речи через Gemini Multimodal Audio API:
-    1. Основной контур: локальный Faster-Whisper (Large-v3) на MacMini M4 (порт 9001)
+    - Идеальное распознавание Google (длинные записи, шумы, речь на ходу, естественные мысли).
-       - Быстро, приватно, без квот и без rate-limits от Google.
+    - Автоматическая нормализация через ffmpeg для видеосообщений (.mp4) и голосовых (.ogg).
-       - Поддерживает .ogg, .mp3, .m4a, .mp4, .wav.
+    - Умный перебор моделей при секундных задержках/лимитах сети.
-    2. Резервный контур: Gemini Multimodal Audio API с перебором рабочих моделей.
     """
     clean_path = audio_path
     tmp_wav = None
 
-    # Нормализация для видео/нестандартных форматов через ffmpeg
+    # Нормализация для видеосообщений и нестандартных контейнеров
-    if audio_path.endswith('.mp4') or audio_path.endswith('.ogg'):
+    if audio_path.endswith(('.mp4', '.ogg', '.m4a', '.3gp')):
         tmp_wav = f"/tmp/norm_{os.getpid()}_{int(datetime.now().timestamp())}.wav"
         res = subprocess.run([
             'ffmpeg', '-y', '-i', audio_path, '-vn', '-ar', '16000', '-ac', '1', tmp_wav
@@ -182,31 +181,16 @@ async def transcribe_audio(audio_path: str) -> str:
         if res.returncode == 0 and os.path.exists(tmp_wav):
             clean_path = tmp_wav
 
-    # 1. Приоритет: локальный Whisper M4
+    models_to_try = [
-    try:
+        'gemini-2.5-flash',
-        timeout = aiohttp.ClientTimeout(total=25)
+        'gemini-flash-latest',
-        async with aiohttp.ClientSession(timeout=timeout) as session:
+        'gemini-2.5-flash-lite',
-            with open(clean_path, 'rb') as f:
+        'gemini-3.5-transcribe'
-                form = aiohttp.FormData()
+    ]
-                form.add_field('file', f, filename=os.path.basename(clean_path), content_type='audio/wav')
-                async with session.post("http://192.168.10.167:9001/transcribe", data=form) as resp:
-                    if resp.status == 200:
-                        data = await resp.json()
-                        text = (data.get('text') or "").strip()
-                        if text:
-                            logger.info(f"🎯 [Whisper M4] Распознано ({len(text)} симв): {text[:70]}...")
-                            if tmp_wav and os.path.exists(tmp_wav):
-                                os.remove(tmp_wav)
-                            return text
-                    else:
-                        logger.warning(f"Whisper M4 вернул HTTP {resp.status}, переход на Gemini...")
-    except Exception as e:
-        logger.warning(f"⚠️ Whisper M4 недоступен ({e}), переход на Gemini...")
 
-    # 2. Резерв: Gemini Audio API
+    for model_name in models_to_try:
-    for model_name in ['gemini-2.5-flash', 'gemini-3.5-transcribe', 'gemini-flash-latest', 'gemini-2.5-flash-lite']:
         try:
-            logger.info(f"Выгрузка {clean_path} в Gemini Audio API ({model_name})...")
+            logger.info(f"🎙 [Gemini STT] Распознавание {clean_path} через {model_name}...")
             audio_file = genai.upload_file(path=clean_path)
             
             prompt = (
@@ -224,12 +208,13 @@ async def transcribe_audio(audio_path: str) -> str:
 
             if response and response.text and response.text.strip():
                 text = response.text.strip()
-                logger.info(f"🎯 [Gemini {model_name}] Распознано: {text[:70]}...")
+                logger.info(f"🎯 [Gemini STT] Успешно распознано ({model_name}): {text[:70]}...")
                 if tmp_wav and os.path.exists(tmp_wav):
                     os.remove(tmp_wav)
                 return text
         except Exception as e:
-            logger.warning(f"⚠️ Gemini Audio API ({model_name}) сбой: {e}")
+            logger.warning(f"⚠️ [Gemini STT] Ошибка на модели {model_name}: {e}")
+            await asyncio.sleep(1)
 
     if tmp_wav and os.path.exists(tmp_wav):
         os.remove(tmp_wav)