طراحی Voice AI Agent با WebRTC و STT برای زیرساخت‌های ایرانی

Q: آیا میتوان از مدلهای بزرگتر Google Speech استفاده کرد؟

بله، اما هزینهٔ انتقال دادههای صوتی به ابر خارج از کشور و محدودیتهای فیلترینگ ممکن است باعث افزایش latency و هزینه شود؛ برای پروژههای حساس به دادههای داخلی بهتر است از مدلهای متنباز استفاده شود.

Q: چگونه امنیت دادههای صوتی را تضمین کرد؟

با فعالسازی DTLS برای سیگنالینگ، SRTP برای رسانه، استفاده از کلیدهای ECDHE و اعمال سیاستهای محدودیت دسترسی بر پایه JWT در لایهٔ API میتوان امنیت سطح بالا را فراهم کرد.

راهنمای جامع مهندسی برای ساخت Voice AI Agent با WebRTC و سرویس STT، شامل معماری مقیاس‌پذیر، مقایسه فنی، نمونه کد، چالش‌های بومی‌سازی در زیرساخت‌های ایران و نکات امنیتی برای توسعه‌دهندگان.

Voice AI Agentهای مبتنی بر WebRTC و سرویس‌های تبدیل گفتار به متن (STT) امکان ارتباط صوتی لحظه‌ای، مقیاس‌پذیری بالا و هزینهٔ پایین را برای برنامه‌های وب فراهم می‌کنند؛ این مقاله معماری کامل، مقایسه فنی، نمونه کد و چالش‌های بومی‌سازی در زیرساخت‌های ایران را به‌صورت گام‌به‌گام ارائه می‌دهد.

معرفی کلی Voice AI Agents و نقش WebRTC

تعریف و کاربردهای اصلی

Voice AI Agent‌ها ربات‌های گفتاری هستند که با ترکیب پردازش زبان طبیعی (NLP) و تشخیص گفتار (ASR) می‌توانند به‌صورت دو‑طرفه با کاربر تعامل کنند. WebRTC به‌عنوان پروتکل زمان واقعی، انتقال صوت و ویدئو را با تأخیر زیر ۲۵۰ ms و بدون نیاز به سرورهای میانی فراهم می‌کند.

مزایای ترکیب WebRTC با STT

Latency پایین: انتقال صوت در مسیر مستقیم (peer‑to‑peer) باعث کاهش تاخیر تا ۱۰۰ ms می‌شود.
Throughput بهینه: فشرده‌سازی Opus با بیت‌ریت 6‑24 kbps برای گفتار.
قابلیت مقیاس‌پذیری: می‌توان به‌راحتی سرورهای SFU یا MCU برای هزاران کاربر همزمان افزود.

معماری پیشنهادی برای Voice AI Agent با WebRTC و STT

اجزای کلیدی

Client (Browser) ──► WebRTC PeerConnection ──► Media Server (SFU) ──► STT Service (e.g., Vosk, Google Speech) ──► NLP Engine ──► Response Synthesizer (TTS) ──► Client

جریان داده‌ها

کاربر با میکروفن صدا را ضبط می‌کند؛ مرورگر صدا را به‌صورت RTP/Opus به Media Server می‌فرستد.
Media Server صدا را به سرویس STT می‌فرستد (REST یا gRPC).
متن بازگشتی به NLP Engine ارسال می‌شود؛ پاسخ متنی تولید می‌شود.
پاسخ به‌صورت متن به سرویس TTS می‌رود و صدای خروجی به مرورگر برمی‌گردد.

مقایسه فنی راهکارهای انتقال صوت

ویژگی	WebRTC (P2P/SFU)	HTTP Live Streaming (HLS)	RTMP
Latency متوسط	80‑120 ms	2‑3 s	500‑800 ms
Throughput (kbps)	6‑24 kbps (Opus)	128‑256 kbps (AAC)	256‑512 kbps (AAC)
پشتیبانی مرورگر	✅ Chrome, Firefox, Edge, Safari (با محدودیت)	❌ مستقیم، نیاز به پل	❌
نیاز به سرور میانی	اختیاری (SFU/MCU)	بله (CDN)	بله (Media Server)
قابلیت مقیاس‌پذیری	افقی با SFU	عمودی با CDN	محدود

نمونه پیاده‌سازی عملی (Node.js + JavaScript)

سرور signaling با Socket.io

const io = require('socket.io')(3000);
io.on('connection', socket => {
  socket.on('offer', data => socket.to(data.room).emit('offer', data));
  socket.on('answer', data => socket.to(data.room).emit('answer', data));
  socket.on('candidate', data => socket.to(data.room).emit('candidate', data));
});

کلاینت JavaScript برای Capture و ارسال به STT

const pc = new RTCPeerConnection();
navigator.mediaDevices.getUserMedia({audio:true}).then(stream => {
  stream.getTracks().forEach(t => pc.addTrack(t, stream));
  return pc.createOffer();
}).then(offer => pc.setLocalDescription(offer))
  .then(() => socket.emit('offer',{room:'room1', sdp:pc.localDescription}));
pc.ontrack = e => {
  const audio = new Audio();
  audio.srcObject = e.streams[0];
  audio.play();
};

یکپارچه‌سازی STT با Vosk (Python)

import websockets, json, vosk, wave, asyncio
model = vosk.Model("model")
async def stt(ws, path):
    wf = wave.open('temp.wav','rb')
    rec = vosk.KaldiRecognizer(model, wf.getframerate())
    while True:
        data = await ws.recv()
        if rec.AcceptWaveform(data):
            await ws.send(json.dumps(rec.Result()))
        else:
            await ws.send(json.dumps(rec.PartialResult()))
asyncio.get_event_loop().run_until_complete(
    websockets.serve(stt, "0.0.0.0", 8765))

چالش‌های بومی‌سازی، امنیت و مقیاس‌پذیری در زیرساخت ایران

در ایران محدودیت‌های پهنای باند، فیلترهای ISP و عدم دسترسی به سرویس‌های ابری بین‌المللی می‌تواند بر عملکرد Voice AI Agent تاثیر بگذارد. برای رفع این چالش‌ها:

استفاده از سرورهای محلی (Edge): می‌توان از دیتاسنترهای داخل کشور برای میزبانی Media Server و STT استفاده کرد؛ این کار تا ۴۰٪ کاهش latency را به‌دنبال دارد.
رمزنگاری سشن‌ها با DTLS و SRTP: اطمینان از عدم نفوذ در مسیرهای صوتی؛ کلیدهای پیش‌اشتراک‌گذاری (ECDHE) برای Perfect Forward Secrecy.
پیکربندی فایروال و NAT Traversal: استفاده از TURN سرورهای داخلی (مثلاً coturn) برای عبور از فایروال‌های دولتی.
بهینه‌سازی مصرف RAM: سرویس STT مبتنی بر مدل‌های کوچک (مثلاً Vosk‑small) که حدود ۲ GB RAM مصرف می‌کند؛ مناسب برای سرورهای ۴‑هسته‌ای با ۸ GB RAM.
محاسبه ROI: هزینهٔ میزبانی داخلی حدود ۲۵ دلار/ماه برای ۱۰۰۰ دقیقه صوتی در مقایسه با سرویس‌های خارجی که تا ۱۵۰ دلار/ماه می‌رسد؛ صرفه‌جویی ۸۳٪.

نتیجه‌گیری و بهینه‌سازی نهایی

با ترکیب WebRTC برای انتقال صوتی کم‌تاخیر، سرویس‌های STT متن‌باز مانند Vosk برای پردازش محلی و لایه‌های امنیتی DTLS/SRTP، می‌توان Voice AI Agent‌های مقیاس‌پذیر و مقرون‌به‌صرفه را در زیرساخت‌های ایرانی پیاده‌سازی کرد. کلید موفقیت، انتخاب مناسب مدل‌های STT، بهینه‌سازی bitrate Opus و استفاده از TURN داخلی برای عبور از فیلترهاست.

پرسش‌های متداول مهندسی (FAQ)

چگونه می‌توان latency را زیر ۱۰۰ ms نگه داشت؟

با استفاده از Opus bitrate 12 kbps، تنظیم ICE‑Lite، و میزبانی Media Server در همان دیتاسنتر که STT قرار دارد؛ همچنین TURN سرورهای داخلی باید در همان شبکه باشند.

آیا می‌توان از مدل‌های بزرگتر Google Speech استفاده کرد؟

بله، اما هزینهٔ انتقال داده‌های صوتی به ابر خارج از کشور و محدودیت‌های فیلترینگ ممکن است باعث افزایش latency و هزینه شود؛ برای پروژه‌های حساس به داده‌های داخلی بهتر است از مدل‌های متن‌باز استفاده شود.

چگونه امنیت داده‌های صوتی را تضمین کرد؟

با فعال‌سازی DTLS برای سیگنالینگ، SRTP برای رسانه، استفاده از کلیدهای ECDHE و اعمال سیاست‌های محدودیت دسترسی بر پایه JWT در لایهٔ API می‌توان امنیت سطح بالا را فراهم کرد.