STT/sst.py

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import torchaudio
import torch

# تحميل المعالج والموديل العربي
processor = Wav2Vec2Processor.from_pretrained("jonatasgrosman/wav2vec2-large-xlsr-53-arabic")
model = Wav2Vec2ForCTC.from_pretrained("jonatasgrosman/wav2vec2-large-xlsr-53-arabic")

def speech_to_text(audio_path):
    if audio_path is None:
        raise ValueError("الصوت غير موجود")

    # تحميل الملف الصوتي
    waveform, sample_rate = torchaudio.load(audio_path)

    # إذا الصوت ستيريو نحوله لمونو
    if waveform.shape[0] > 1:
        waveform = waveform.mean(dim=0).unsqueeze(0)

    # إعادة تحويل التردد إلى 16000 لو كان مختلف
    if sample_rate != 16000:
        resampler = torchaudio.transforms.Resample(orig_freq=sample_rate, new_freq=16000)
        waveform = resampler(waveform)

    # تجهيز الإدخال للنموذج
    input_values = processor(waveform.squeeze().numpy(), return_tensors="pt", sampling_rate=16000).input_values

    # تمرير البيانات للنموذج والحصول على النتائج
    with torch.no_grad():
        logits = model(input_values).logits

    predicted_ids = torch.argmax(logits, dim=-1)

    # تحويل التنبؤ إلى نص
    transcription = processor.batch_decode(predicted_ids)

    return transcription[0]