Pular para o conteúdo

Pesquise guias, comandos, ferramentas MCP e arquitetura

Hikari WhatsApp

Voz PTT e transcrição STT no WhatsApp

No WhatsApp (HikariZap), você pode conversar com a Hikari pedindo respostas faladas em nota de voz PTT ou transcrever áudios longos recebidos em grupos e DMs.

Notas de voz PTT (send_voice_note / text_to_speech)

Seção intitulada “Notas de voz PTT (send_voice_note / text_to_speech)”

Ao receber um pedido de áudio, o texto passa por limpeza e normalização fonética PT-BR, é sintetizado em WAV pelo modelo XTTS v2 (Hugging Face Space ou Modal.com), convertido para OGG Opus via FFmpeg e enviado pelo Baileys com ptt: true, aparecendo com o ícone nativo de áudio gravado no WhatsApp.

  • . <pergunta>: atalho rápido com ponto no início para perguntar e receber a resposta já falada em nota de voz PTT.
  • >audio <pergunta>: formula a resposta pela IA e envia em áudio PTT.
  • >falar <texto>: lê literalmente a frase digitada com a voz neural.
  • Pedido natural no chat: solicitar “me responde em áudio” também dispara a síntese automaticamente.

Parâmetros configuráveis no .env: VOICE_SPEED (0.5 a 2.0, padrão 1.15), VOICE_TEMPERATURE (0.0 a 2.0, padrão 0.65) e VOICE_MAX_CHARS (1 a 5.000, padrão 1.000).

Ao responder (citar) ou encaminhar um áudio usando >transcrever, o serviço src/services/sttService.js realiza o download seguro dos servidores de mídia do WhatsApp usando cabeçalhos anti-403 e executa a seguinte cadeia de fallback:

  1. Groq Cloud (whisper-large-v3-turbo): quando GROQ_API_KEY está ativa, transcreve na LPU da Groq geralmente abaixo de 800 ms.
  2. Wit.ai (Meta): fallback gratuito via WITAI_TOKEN.
  3. OpenAI Whisper oficial: quando OPENAI_STT_KEY e OPENAI_STT_URL estão configurados.
  4. Hugging Face ou servidor local: se definidos HF_STT_URL ou LOCAL_STT_URL.

Para subir seu próprio servidor XTTS v2 com voz clonada, siga o passo a passo completo em Voz neural e transcrição.