دستیارهای صوتی بی‌درنگ (Real-Time)

from silero_vad import load_silero_vad, get_speech_timestamps
vad = load_silero_vad()
audio = torch.tensor(waveform_16k, dtype=torch.float32)
segments = get_speech_timestamps(
    audio, vad, sampling_rate=16000,
    threshold=0.5,                # 0.3 حساس است
    min_speech_duration_ms=250,   # سرفه‌ها را حذف می‌کند
    min_silence_duration_ms=500,  # مهلت سکوت
    speech_pad_ms=300,            # پد بافر پیش از کلام
)
for s in segments:
    print(f"{s['start']/16000:.2f}s - {s['end']/16000:.2f}s")

tts_task = asyncio.create_task(tts_loop())
while True:
    chunk = await mic.get()
    if vad(chunk):           # کاربر حین پخش TTS صحبت می‌کند
        tts_task.cancel()    # توقف پاسخ
        await speaker.stop()
        await new_turn()     # راه‌اندازی مجدد STT
        break

def flush_on_end(stt_client, audio_buffer):
    stt_client.send_audio(audio_buffer)
    stt_client.send_flush()  # اجبار به خروجی فوری
    return stt_client.recv_transcript(timeout_ms=150)