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.
Formas de acionar resposta em voz
Seção intitulada “Formas de acionar resposta em voz”. <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).
Transcrição sob demanda (>transcrever)
Seção intitulada “Transcrição sob demanda (>transcrever)”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:
- Groq Cloud (
whisper-large-v3-turbo): quandoGROQ_API_KEYestá ativa, transcreve na LPU da Groq geralmente abaixo de800 ms. - Wit.ai (Meta): fallback gratuito via
WITAI_TOKEN. - OpenAI Whisper oficial: quando
OPENAI_STT_KEYeOPENAI_STT_URLestão configurados. - Hugging Face ou servidor local: se definidos
HF_STT_URLouLOCAL_STT_URL.
Para subir seu próprio servidor XTTS v2 com voz clonada, siga o passo a passo completo em Voz neural e transcrição.
