Распознавание речи: исправлены ошибки

- любой файл, кроме WAV 16 кГц моно, падал с NameError: вызывался несуществующий
  convert.convert_audio_to_wav;
- из длинной записи оставалась только последняя фраза: бралось лишь FinalResult(), а Vosk
  отдаёт текст по фразам через Result();
- общий временный audio.wav в текущей папке — одновременные запросы перезаписывали друг
  другу аудио; теперь свой временный файл на запрос;
- ffmpeg — из PATH (или FFMPEG_BINARY) вместо Windows-пути к ffmpeg.exe;
- модель загружается один раз на процесс, а не на каждый запрос;
- ошибка конвертации возвращается клиенту, а не печатается и не превращается в пустой текст.

api_app/services/vosk_recognizer.py

@@ -1,51 +1,81 @@
-import os, wave, vosk, ffmpeg
+import json
+import logging
+import os
+import tempfile
+import threading
+import wave
 
-MODEL_PATH = r"models/vosk-model-small-ru-0.22"
+import ffmpeg
-FFMPEG_PATH = r"models/ffmpeg/bin/ffmpeg.exe"
+import vosk
+from django.conf import settings
 
-def convert_audio_to_wav(input_file, output_file, FFMPEG_PATH):
+logger = logging.getLogger(__name__)
+vosk.SetLogLevel(-1)
+
+_model = None
+_model_lock = threading.Lock()
+
+
+class RecognitionError(Exception):
+    pass
+
+
+def get_model():
+    """Модель Vosk загружается один раз на процесс (раньше — на каждый запрос, это секунды и сотни МБ)"""
+    global _model
+    with _model_lock:
+        if _model is None:
+            if not os.path.isdir(settings.VOSK_MODEL_PATH):
+                raise RecognitionError(f"Модель Vosk не найдена: {settings.VOSK_MODEL_PATH}")
+            _model = vosk.Model(str(settings.VOSK_MODEL_PATH))
+    return _model
+
+
+def convert_audio_to_wav(input_file, output_file):
+    """WAV 16 кГц моно для Vosk, с шумоподавлением и нормализацией громкости"""
     try:
         (
             ffmpeg
             .input(input_file)
             .output(output_file, format='wav', acodec='pcm_s16le', ar='16000', ac=1,
                     af='acompressor,afftdn,dynaudnorm,aresample=16000')  # 16kHz для Vosk
-            .global_args('-loglevel', 'quiet')
+            .global_args('-loglevel', 'error')
-            .run(cmd=FFMPEG_PATH, overwrite_output=True)
+            .run(cmd=settings.FFMPEG_BINARY, overwrite_output=True, capture_stdout=True, capture_stderr=True)
         )
-        print(f"Конвертация завершена: {output_file}")
     except ffmpeg.Error as e:
-        print("Ошибка при конвертации:", e.stderr.decode())
+        raise RecognitionError("Не удалось прочитать аудиофайл") from e
 
 
-vosk.SetLogLevel(-1)
+def is_vosk_ready_wav(path) -> bool:
+    try:
+        with wave.open(path, "rb") as wf:
+            return wf.getnchannels() == 1 and wf.getsampwidth() == 2 and wf.getframerate() == 16000
+    except (wave.Error, EOFError):
+        return False
+
 
 def recognize_speech(audio_path) -> str:
-    if not os.path.exists(MODEL_PATH):
+    model = get_model()
-        print("Ошибка: Модель не найдена!")
-        return ""
 
-    model = vosk.Model(MODEL_PATH)
+    # временный файл — свой на каждый запрос (раньше общий audio.wav в текущей папке:
+    # одновременные запросы перезаписывали друг другу аудио)
+    with tempfile.TemporaryDirectory() as tmp:
+        if not (audio_path.lower().endswith(".wav") and is_vosk_ready_wav(audio_path)):
+            wav_path = os.path.join(tmp, "audio.wav")
+            convert_audio_to_wav(audio_path, wav_path)
+            audio_path = wav_path
 
-    if audio_path.split('.')[-1] != "wav":
+        # Vosk отдаёт текст по фразам: раньше бралось только FinalResult(), и в длинной записи
-        convert.convert_audio_to_wav(audio_path, "audio.wav", FFMPEG_PATH)
+        # оставалась лишь последняя фраза
-        audio_path = "audio.wav"
+        parts = []
-    else:
         with wave.open(audio_path, "rb") as wf:
-            if wf.getnchannels() != 1 or wf.getsampwidth() != 2 or wf.getframerate() != 16000:
-                convert.convert_audio_to_wav(audio_path, "audio.wav", FFMPEG_PATH)
-                audio_path = "audio.wav"
-
-
-    with wave.open(audio_path, "rb") as wf: # использование vosk
             recognizer = vosk.KaldiRecognizer(model, wf.getframerate())
             while True:
-            data = wf.readframes(3200)
+                data = wf.readframes(4000)
                 if not data:
                     break
-            recognizer.AcceptWaveform(data)
+                if recognizer.AcceptWaveform(data):
+                    parts.append(json.loads(recognizer.Result()).get("text", ""))
+        parts.append(json.loads(recognizer.FinalResult()).get("text", ""))
 
-    if audio_path == "audio.wav":
+    return " ".join(p for p in parts if p)
-        os.remove(audio_path)
-
-    return recognizer.FinalResult().split(": \"")[-1][:-3]