بناء مساعد صوتي يعمل بالكامل دون اتصال ⁨2026⁩: ⁨Whisper⁩ + نموذج لغة + ⁨Piper⁩ (خطوة بخطوة)

حقائق سريعة

• طبقة STT: whisper.cpp (الأفضل لـ Apple Silicon والأجهزة المدمجة)، faster-whisper (الأفضل لمسارات Python مع GPU من NVIDIA).
• طبقة النموذج: Ollama مع Llama 3.3 8B (موصى به)، Phi-4 (أخف، جودة جيدة) أو Mistral Small (جودة مماثلة لـ Llama 3.3 8B).
• طبقة TTS: Piper (أسرع، CPU فقط، وقت فعلي على Pi)، Coqui TTS (جودة أفضل، يتطلب GPU).
• خيارات كلمة التنبيه: OpenWakeWord (MIT، بالكامل دون اتصال)، Porcupine (مستوى مجاني، كلمة تنبيه مخصصة واحدة).
• الحد الأدنى من الأجهزة: Raspberry Pi 5 بـ 8 GB من RAM (~100$) لزمن استجابة 5–8 ثوانٍ.
• الأجهزة الموصى بها: Mac Mini M5 بـ 24 GB (~600$) أو حاسوب مكتبي بـ RTX 3060 بـ 12 GB (~800$) لزمن استجابة 1–2 ثانية.
• اللغات: Whisper يدعم 99 لغة. Piper يدعم أكثر من 20 حزمة أصوات. أداء النموذج يتفاوت حسب اللغة.

لماذا تبني مساعداً صوتياً محلياً؟

• الخصوصية: لا صوت يغادر منزلك. لا تُخزَّن مقاطع صوت كلمة التنبيه في السحابة. لا تاريخ محادثات على خوادم أطراف ثالثة. ضروري للمهنيين في الرعاية الصحية والمحامين والصحفيين وكل من لديه عمل حساس.
• التكلفة: لا اشتراك. Alexa+ تكلف 4.99$/شهراً. Google One تكلف 1.99–9.99$/شهراً. المساعد المحلي تكلفة أجهزة مرة واحدة.
• التخصيص: اختر كلمة التنبيه والشخصية وكلمة النظام والوظائف. أضف أوامر مخصصة وصل أنظمة المنزل الذكي المحلية وادمج واجهات API محلية.
• التشغيل دون اتصال: يعمل بدون إنترنت. انقطاع الكهرباء (مع UPS) + انقطاع الإنترنت: مساعدك المحلي لا يزال يعمل. مفيد في الأكواخ والمواقع البعيدة وللتأهب للطوارئ.
• ما تخسره: البحث على الويب والتكامل مع المنازل الذكية ذات السحب الاحتكارية ومزامنة التقويم مع خدمات السحابة وسنوات الضبط الدقيق التي تجعل Alexa/Siri سلسة في الحالات الحدية.
• التكامل مع المنزل الذكي: صل مساعدك الصوتي المحلي مباشرةً بـ Home Assistant للتحكم في الأضواء والترموستات والمستشعرات بالصوت — بالكامل دون اتصال. راجع المساعد الصوتي المحلي للمنزل الذكي ← للدليل الكامل لإعداد Piper + Whisper + Home Assistant.

معمارية الطبقات الثلاث

• الطبقة 1 — STT (التعرف على الكلام): whisper.cpp أو faster-whisper. تحوّل صوت الميكروفون إلى نص. تعمل دون اتصال بالشبكة.
• الطبقة 2 — نموذج اللغة (الاستدلال): Ollama يخدم Llama 3.3 8B أو Phi-4 أو Mistral Small. يأخذ النص المُحوَّل + تاريخ المحادثة + كلمة النظام ويولّد رداً. يعمل دون اتصال بالشبكة.
• الطبقة 3 — TTS (تركيب الكلام): Piper أو Coqui TTS. يحوّل نص رد النموذج إلى صوت ويُشغّله عبر مكبر الصوت. يعمل دون اتصال بالشبكة.
• المنسّق: سكريبت Python يربط المكونات الثلاثة: يلتقط صوت الميكروفون ← يمرّره لـ STT ← يمرّر النص لنموذج اللغة ← يمرّر الرد لـ TTS ← يُشغّل الصوت.
• كلمة التنبيه (اختيارية): كاشف خفيف دائم التشغيل (OpenWakeWord أو Porcupine) ينشّط المسار الكامل فقط عند كشف عبارتك المختارة. بدون هذا، يشغّل المنسّق whisper.cpp باستمرار — يستهلك CPU أكثر ويولّد إيجابيات كاذبة أكثر.

متطلبات الأجهزة

الخطوة 1: إعداد التعرف على الكلام

• تثبيت whisper.cpp: git clone https://github.com/ggerganov/whisper.cpp && cd whisper.cpp && make -j4
• تنزيل النموذج: bash ./models/download-ggml-model.sh small (small = معدل خطأ 3.4%، توازن جيد بين السرعة والدقة)
• اختبار النسخ: ./main -m models/ggml-small.bin -f test.wav — يجب أن ينتج إخراجاً نصياً دقيقاً.
• تفعيل Metal على Mac: make -j4 WHISPER_COREML=1 ثم bash models/generate-coreml-model.sh small
• اختيار نموذج Whisper: base لـ Raspberry Pi (1 GB RAM، زمن استجابة منخفض)، small للتوازن الأمثل (2 GB RAM، معدل خطأ 3.4%)، large-v3 لأقصى دقة (10 GB VRAM/RAM).
• إعداد حذف الصمت: أضف العلامات --no-speech-threshold 0.6 --suppress-blank لتجنب تحويل الصمت إلى نص هلوسي.
• اختبار بتسجيل 10 ثوانٍ: سجّل جملة اختبار وتحقق أن Whisper يُحوّلها بشكل صحيح. تحقق في الظروف الصاخبة وبالصوت الهادئ معاً.

الخطوة 2: إعداد نموذج اللغة المحلي

• تثبيت Ollama: نزّل من ollama.com. متاح لـ macOS وLinux وWindows. يُثبَّت في أقل من دقيقتين.
• تنزيل النموذج: ollama pull llama3.1:8b (موصى به) أو ollama pull phi4 (أخف، مناسب للأنظمة بـ 16 GB RAM).
• الاختبار: ollama run llama3.1:8b "What is the capital of France?" — تحقق أن الرد دقيق وسريع.
• كلمة النظام للصوت: استخدم كلمة نظام قصيرة توجيهية: "أنت مساعد صوتي مفيد. اجعل الردود موجزة — 1–3 جمل كحد أقصى. لا تستخدم قوائم أو Markdown أو تنسيقاً. تحدث بشكل طبيعي كما في محادثة."
• درجة الحرارة: اضبط درجة الحرارة على 0.3–0.5 للردود الأكثر قابلية للتنبؤ والواقعية. درجة حرارة أقل تُقلل الهلوسة في ردود الصوت.
• الحد الأقصى للرموز: قيّد طول الرد بـ --num-predict 150 — الردود الطويلة تستغرق وقت TTS أطول وتبدو غير طبيعية في التفاعل الصوتي.

الخطوة 3: إعداد تركيب الكلام

• تثبيت Piper: pip install piper-tts
• تنزيل صوت: piper --download-dir voices --update-voices --voice en_US-lessac-medium (أو أي صوت من صفحة أصوات Piper على Hugging Face).
• الاختبار: echo "Hello, how can I help you today?" | piper --model voices/en_US-lessac-medium.onnx --output-raw | aplay -r 22050 -f S16_LE -c 1
• إخراج الصوت: يولّد Piper PCM خاماً أو WAV. أعِد التوجيه إلى aplay (Linux) أو afplay (Mac)، أو استخدم مكتبة Python sounddevice للتشغيل متعدد المنصات.
• بديل (جودة أفضل): واجهة Coqui VITS الخلفية — ثبّت pip install TTS، استخدم tts --model_name tts_models/en/vctk/vits. يتطلب ~2 GB من VRAM؛ أبطأ 2–3× من Piper لكنه أكثر طبيعية بشكل ملحوظ.
• اختيار الصوت: للمساعدات الصوتية، اختر صوتاً بجودة متوسطة بدلاً من عالية — الأصوات المتوسطة أسرع والفرق لا يُذكر عبر مكبر الصوت.

الخطوة 4: ربط المسار

#!/usr/bin/env python3
"""Minimal offline voice assistant: Whisper STT + Ollama LLM + Piper TTS."""

import subprocess
import tempfile
import sounddevice as sd
import soundfile as sf
import numpy as np
import requests
import json

SAMPLE_RATE = 16000
RECORD_SECONDS = 5
OLLAMA_URL = "http://localhost:11434/api/generate"
WHISPER_BIN = "./whisper.cpp/main"
WHISPER_MODEL = "./whisper.cpp/models/ggml-small.bin"
PIPER_BIN = "piper"
PIPER_VOICE = "voices/en_US-lessac-medium.onnx"
SYSTEM_PROMPT = (
    "You are a helpful voice assistant. Keep responses to 1-3 sentences. "
    "Never use markdown, bullet points, or formatting. Speak naturally."
)

conversation_history = []

def record_audio(seconds: int = RECORD_SECONDS) -> np.ndarray:
    print("Listening...")
    audio = sd.rec(int(seconds * SAMPLE_RATE), samplerate=SAMPLE_RATE, channels=1, dtype="int16")
    sd.wait()
    return audio

def transcribe(audio: np.ndarray) -> str:
    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        sf.write(f.name, audio, SAMPLE_RATE)
        result = subprocess.run(
            [WHISPER_BIN, "-m", WHISPER_MODEL, "-f", f.name, "--no-timestamps", "--no-prints"],
            capture_output=True, text=True
        )
    return result.stdout.strip()

def ask_llm(text: str) -> str:
    conversation_history.append({"role": "user", "content": text})
    response = requests.post(OLLAMA_URL, json={
        "model": "llama3.1:8b",
        "system": SYSTEM_PROMPT,
        "messages": conversation_history,
        "stream": False,
    })
    reply = response.json()["message"]["content"]
    conversation_history.append({"role": "assistant", "content": reply})
    return reply

def speak(text: str) -> None:
    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        subprocess.run(
            f'echo "{text}" | {PIPER_BIN} --model {PIPER_VOICE} --output_file {f.name}',
            shell=True, check=True
        )
        data, sr = sf.read(f.name)
        sd.play(data, sr)
        sd.wait()

def main():
    print("Voice assistant ready. Press Ctrl+C to stop.")
    while True:
        audio = record_audio()
        transcript = transcribe(audio)
        if not transcript or len(transcript) < 3:
            continue
        print(f"You: {transcript}")
        response = ask_llm(transcript)
        print(f"Assistant: {response}")
        speak(response)

if __name__ == "__main__":
    main()

الخطوة 5: كشف كلمة التنبيه

• OpenWakeWord (ترخيص MIT): مفتوح المصدر بالكامل، يعمل على CPU، يدعم كلمات تنبيه مخصصة عبر الضبط الدقيق بعبارتك الخاصة. التثبيت: pip install openwakeword. يعمل على Raspberry Pi. أفضل خيار للإعدادات المفتوحة المصدر بالكامل دون اتصال.
• Porcupine (Picovoice): احتكاري لكن مع مستوى مجاني للاستخدام الشخصي. كلمات التنبيه المحددة مسبقاً تشمل "Alexa" و"Hey Siri" و"Ok Google" وخيارات مخصصة مثل "Hey Jarvis". دقيق جداً مع معدل منخفض من الإيجابيات الكاذبة. التثبيت: pip install pvporcupine.
• نمط التكامل: شغّل OpenWakeWord/Porcupine في حلقة. عند كشف كلمة التنبيه، شغّل صوت "دينغ" (تغذية راجعة للمستخدم)، نشّط مسار Whisper + نموذج اللغة + TTS لاستفسار واحد وعد للاستماع لكلمة التنبيه بعد تشغيل TTS.
• الاستهلاك في التشغيل المستمر: يستخدم كشف كلمة التنبيه حوالي 2–5% من CPU على Raspberry Pi 5 — لا يُذكر. يمكنك ترك المساعد يعمل 24/7 باستهلاك طاقة ضئيل.
• كلمات التنبيه المخصصة (OpenWakeWord): ولّد 500 مثال صوتي إيجابي و500 سلبي لعبارة التنبيه باستخدام تركيب الكلام، ثم اضبط OpenWakeWord دقيقاً في أقل من 30 دقيقة على CPU. الدقة مماثلة لـ Porcupine للكلمات الشائعة في اللغة الإنجليزية.

تحسين زمن الاستجابة

• تحسين STT (~0.2–0.5 ثانية): استخدم Whisper small بدلاً من large-v3. استخدم VAD لقطع الصمت قبل تمرير الصوت لـ Whisper — صوت أقصر = نسخ أسرع.
• تحسين النموذج (~0.5–1.5 ثانية لأول رمز): حمّل النموذج مسبقاً عند البدء (Ollama يفعل ذلك تلقائياً). استخدم تكميم Q4_K_M لأفضل توازن بين السرعة والجودة. اضبط --num-predict 100–150 لتقييد طول الرد.
• بث النموذج ← TTS: ابثّ إخراج النموذج رمزاً رمزاً. ابدأ TTS عند كل جملة كاملة (محددة بنقطة أو علامة استفهام). يُقلل هذا زمن الاستجابة المُدرَك بـ 0.3–0.7 ثانية — يسمع المستخدم بداية الرد بينما النموذج يولّد نهايته.
• تحسين TTS (~0.1–0.3 ثانية): يولّد Piper أول صوت خلال 50 ميلي ثانية. هيّئ Piper عند الإطلاق. استخدم --output-raw لبثّ الصوت أثناء التوليد بدلاً من انتظار الملف الكامل.
• الاحتفاظ بالنماذج في الذاكرة: Ollama يحتفظ بالنماذج ساخنة في VRAM تلقائياً. whisper.cpp المُحمَّل في وضع stream يبقى في الذاكرة. تجنب إعادة تحميل النماذج بين الاستفسارات.
• هدف زمن الاستجابة حسب مستوى الأجهزة: Pi 5: 5–8 ثوانٍ (مقبول للاستخدام غير المحادثاتي). Mini PC بـ CPU: 3–5 ثوانٍ (حد المحادثة). GPU مكتبي: 1–2 ثانية (طبيعي). Mac M5: 1–1.5 ثانية (ممتاز).

الخصوصية والأمان

• التحقق بـ Wireshark: شغّل Wireshark على واجهة شبكتك أثناء محادثة مع المساعد. لا يجب أن ترى أي حزم قادمة من عملية المساعد. أي حركة مرور غير متوقعة تشير لخطأ في الإعداد — تحقق أن API الخارجية لـ Ollama معطّلة إذا كان لديك IP عامة.
• لا تخزين للصوت: لا whisper.cpp ولا faster-whisper يكتبان ملفات صوتية افتراضياً — يعالجان في الذاكرة. منسّق Python في هذا الدليل يكتب ملف WAV مؤقتاً لـ whisper.cpp يُحذف بعد النسخ.
• لا تخزين لتاريخ المحادثة: تاريخ المحادثة في سكريبت المثال موجود في الذاكرة فقط ويُعاد تعيينه عند إعادة تشغيل البرنامج. للتاريخ الدائم، نفّذ تخزيناً صريحاً بقاعدة بيانات محلية وتشفيراً في وضع الراحة.
• امتثال GDPR: بما أن جميع المعالجة محلية ولا تغادر أي بيانات شبكتك، لا يتطلب مساعد صوتي محلي للاستخدام الداخلي اتفاقية معالجة بيانات. لا توجد علاقة مراقب/معالج مع طرف ثالث.
• عزل الشبكة: لأقصى خصوصية، أضف قاعدة جدار حماية تحجب حركة المرور الصادرة من عملية المساعد. سيعمل Ollama وwhisper.cpp بشكل طبيعي — لا يتطلبان الوصول للشبكة بعد تنزيل النماذج.

الأسئلة الشائعة

المصادر

• whisper.cpp على GitHub — الكود المصدري وتعليمات البناء وتوثيق وضع stream.
• Ollama على ollama.com — التثبيت ومكتبة النماذج ومرجع API.
• Piper TTS على GitHub — الكود المصدري وتنزيل حزم الأصوات ودليل إعداد Raspberry Pi.
• OpenWakeWord على GitHub — الكود المصدري ودليل تدريب كلمات التنبيه المخصصة والمعماريات المدعومة.
• Porcupine من Picovoice — SDK كلمة التنبيه وشروط المستوى المجاني وتوثيق Python SDK.
• Picovoice Console — أنشئ مفتاح API مجانياً لـ Porcupine في الاستخدام الشخصي.

قراءة ذات صلة

• التعرف على الكلام المحلي 2026: Whisper.cpp مقابل faster-whisper — تحليل معمّق لطبقة STT في هذا المسار.
• TTS المحلي واستنساخ الصوت 2026: Piper مقابل Coqui مقابل XTTS v2 — تحليل معمّق لطبقة TTS وخيارات استنساخ الصوت.
• مسار ذكاء اصطناعي متعدد الأوضاع محلي 2026 — وسّع مسار الصوت هذا لدعم نماذج الرؤية.
• كيفية تثبيت Ollama — تثبيت Ollama وإدارة النماذج.
• دليل أجهزة نموذج اللغة المحلي 2026 — اختيار الأجهزة للمسار الكامل صوت + نموذج لغة.
• بناء مساعد صوتي محلي على هاتفك — نسخة هذا الدليل للأجهزة المحمولة (iPhone + Android).