fix(stt): add primary local Whisper M4 pipeline with ffmpeg audio extraction and working Gemini fallback models

handlers/voice.py

@@ -163,29 +163,77 @@ async def text_to_speech_bytes(text: str) -> bytes:
         logger.error(f"Ошибка Edge TTS: {e}")
         return b""
 
-def process_audio_with_gemini(audio_path: str) -> str:
+async def transcribe_audio(audio_path: str) -> str:
-    """Прямое транскрибирование аудио через Gemini Multimodal Audio API"""
+    """Двухконтурная транскрибация аудио:
+    1. Основной контур: локальный Faster-Whisper (Large-v3) на MacMini M4 (порт 9001)
+       - Быстро, приватно, без квот и без rate-limits от Google.
+       - Поддерживает .ogg, .mp3, .m4a, .mp4, .wav.
+    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
+    if audio_path.endswith('.mp4') or audio_path.endswith('.ogg'):
+        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
+        ], stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL)
+        if res.returncode == 0 and os.path.exists(tmp_wav):
+            clean_path = tmp_wav
+
+    # 1. Приоритет: локальный Whisper M4
     try:
-        logger.info(f"Выгрузка {audio_path} в Gemini Multimodal Audio API...")
+        timeout = aiohttp.ClientTimeout(total=25)
-        audio_file = genai.upload_file(path=audio_path)
+        async with aiohttp.ClientSession(timeout=timeout) as session:
-        
+            with open(clean_path, 'rb') as f:
-        prompt = (
+                form = aiohttp.FormData()
-            "Точно транскрибируй эту аудиозапись на русском языке в текст. "
+                form.add_field('file', f, filename=os.path.basename(clean_path), content_type='audio/wav')
-            "Не добавляй никаких вводных слов, пояснений и комментариев, отдай исключительно чистый текст произнесенных слов."
+                async with session.post("http://192.168.10.167:9001/transcribe", data=form) as resp:
-        )
+                    if resp.status == 200:
-        
+                        data = await resp.json()
-        model = genai.GenerativeModel('gemini-2.5-flash')
+                        text = (data.get('text') or "").strip()
-        response = model.generate_content([audio_file, prompt])
+                        if text:
-        
+                            logger.info(f"🎯 [Whisper M4] Распознано ({len(text)} симв): {text[:70]}...")
-        try:
+                            if tmp_wav and os.path.exists(tmp_wav):
-            genai.delete_file(name=audio_file.name)
+                                os.remove(tmp_wav)
-        except Exception:
+                            return text
-            pass
+                    else:
-
+                        logger.warning(f"Whisper M4 вернул HTTP {resp.status}, переход на Gemini...")
-        return response.text.strip() if response.text else ""
     except Exception as e:
-        logger.error(f"Ошибка Gemini Audio API: {e}")
+        logger.warning(f"⚠️ Whisper M4 недоступен ({e}), переход на Gemini...")
-        return ""
+
+    # 2. Резерв: Gemini Audio API
+    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})...")
+            audio_file = genai.upload_file(path=clean_path)
+            
+            prompt = (
+                "Точно транскрибируй эту аудиозапись на русском языке в текст. "
+                "Не добавляй никаких вводных слов, пояснений и комментариев, отдай исключительно чистый текст произнесенных слов."
+            )
+            
+            model = genai.GenerativeModel(model_name)
+            response = model.generate_content([audio_file, prompt])
+            
+            try:
+                genai.delete_file(name=audio_file.name)
+            except Exception:
+                pass
+
+            if response and response.text and response.text.strip():
+                text = response.text.strip()
+                logger.info(f"🎯 [Gemini {model_name}] Распознано: {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}")
+
+    if tmp_wav and os.path.exists(tmp_wav):
+        os.remove(tmp_wav)
+    return ""
 
 async def execute_antigravity_agent(user_text: str) -> str:
     """Обработка команды и мыслей агентом Майа с систематизацией, Битрикс24 и правом исполнения bash-команд"""
@@ -215,7 +263,7 @@ async def execute_antigravity_agent(user_text: str) -> str:
         "   Внутри <voice> пиши только чистый русский текст без звездочек, эмодзи и Markdown."
     )
 
-    models_to_try = ['gemini-2.5-flash', 'gemini-3.5-flash', 'gemini-3.5-flash-lite']
+    models_to_try = ['gemini-2.5-flash', 'gemini-flash-latest', 'gemini-2.5-flash-lite', 'gemini-3.7-flash', 'gemini-2.5-pro']
     last_error = None
 
     for model_name in models_to_try:
@@ -287,8 +335,8 @@ async def handle_voice_message(message: Message, bot: Bot):
         file_info = await bot.get_file(file_id)
         await bot.download_file(file_info.file_path, local_audio_path)
 
-        # 1. Прямая расшифровка через Gemini Audio
+        # 1. Прямая расшифровка через локальный Whisper M4 (с фоллбэком на Gemini)
-        transcribed_text = process_audio_with_gemini(local_audio_path)
+        transcribed_text = await transcribe_audio(local_audio_path)
         
         if os.path.exists(local_audio_path):
             os.remove(local_audio_path)