talklabs-stt 2.0.1

TalkLabs STT SDK - Speech-to-Text API compatible with Deepgram

TalkLabs STT SDK

SDK Python para TalkLabs Speech-to-Text API - Compatível com

Features

• ✅ REST API - Transcrição completa de arquivos
• ✅ WebSocket Streaming - Transcrição em tempo real
• ✅ Deepgram Compatible - API compatível com Deepgram
• ✅ Modelo Otimizado - Usa automaticamente o modelo 'turbo'
• ✅ Async Support - WebSocket assíncrono
• ✅ Type Hints - Totalmente tipado

Instalação

pip install talklabs-stt

Quick Start

REST API (Síncrono)

from talklabs_stt import STTClient

client = STTClient(api_key="tlk_live_xxxxx")

result = client.transcribe_file("audio.wav")
print(result["results"]["channels"][0]["alternatives"][0]["transcript"])

WebSocket Streaming (Assíncrono)

import asyncio
from talklabs_stt import STTClient

async def main():
    client = STTClient(api_key="tlk_live_xxxxx")

    def on_transcript(data):
        transcript = data["channel"]["alternatives"][0]["transcript"]
        if data["is_final"]:
            print(transcript)

    await client.transcribe_stream(
        "audio.wav",
        on_transcript=on_transcript
    )

asyncio.run(main())

Uso Completo

Inicialização

from talklabs_stt import STTClient, TranscriptionOptions

# Cliente (sempre usa api.talklabs.com.br)
client = STTClient(api_key="tlk_live_xxxxx")

# Cliente com timeout customizado
client = STTClient(
    api_key="tlk_live_xxxxx",
    timeout=600  # 10 minutos
)

Opções de Transcrição

from talklabs_stt import TranscriptionOptions

options = TranscriptionOptions(
    language="pt",           # pt, en, es, etc.
    detect_language=False,   # Detecção automática
    vad_filter=False,        # Filtro VAD
    interim_results=True     # Resultados intermediários (WebSocket)
)
# Nota: Modelo 'turbo', pontuação e formatação inteligente são sempre aplicados

result = client.transcribe_file("audio.wav", options=options)

Com kwargs diretos

result = client.transcribe_file("audio.wav", language="pt")

API Reference

STTClient

transcribe_file(audio_path, options=None, **kwargs)

Transcreve arquivo completo via REST API.

Args:

• audio_path (str): Caminho do arquivo de áudio
• options (TranscriptionOptions, optional): Opções de transcrição
• **kwargs: Parâmetros adicionais

Returns: dict - Resultado -compatible

transcribe_stream(audio_path, options=None, on_transcript=None, on_metadata=None, **kwargs)

Transcreve via WebSocket streaming (async).

Args:

• audio_path (str): Caminho do arquivo
• options (TranscriptionOptions, optional): Opções
• on_transcript (callable, optional): Callback para transcrições
• on_metadata (callable, optional): Callback para metadata
• **kwargs: Parâmetros adicionais

list_models()

Lista modelos disponíveis no servidor (informativo/debugging).

Nota: O SDK sempre usa o modelo 'turbo', independente dos modelos disponíveis.

Returns: dict - Lista de modelos disponíveis no servidor

Migração do Deepgram

O SDK é 100% compatível com Deepgram. Para migrar:

# Deepgram
from deepgram import DeepgramClient
dg = DeepgramClient(api_key)

# TalkLabs
from talklabs_stt import STTClient
client = STTClient(api_key)

# Mesma interface!
result = client.transcribe_file("audio.wav", language="pt")

Exemplos

Ver pasta examples/:

• transcribe_simple.py - REST API básico
• transcribe_stream.py - WebSocket streaming
• list_models.py - Listar modelos
• quick_start.py - Exemplo rápido de uso

Desenvolvimento

Benchmark de Modelos

⚠️ NOTA: O SDK usa exclusivamente o modelo 'turbo'. O script de benchmark é para teste do servidor, não do SDK.

O projeto inclui um script de benchmark para testar o servidor:

# Instalar dependências de desenvolvimento
pip install -e ".[dev]"

# Executar benchmark
python benchmark_models.py <arquivo_audio>

# Testar modelos específicos (no servidor)
python benchmark_models.py audio.wav --models tiny base medium turbo

# Salvar relatório customizado
python benchmark_models.py audio.wav --output meu_relatorio.json

O benchmark testa o servidor:

• ✅ Velocidade de processamento (REST API e WebSocket)
• ✅ RTF (Real-Time Factor) de cada modelo no servidor
• ✅ Verifica se o servidor está trocando os modelos corretamente
• ✅ Gera relatórios visuais e JSON completo

Ver documentação completa em BENCHMARK.md.

Usando Makefile

O projeto inclui um Makefile para facilitar tarefas comuns:

# Verificação de código
make lint              # Verificar com flake8

# Build e publicação
make publish-test      # Publicar no TestPyPI
make publish           # Publicar no PyPI oficial

# Utilitários
make clean             # Limpar arquivos temporários
make help              # Ver todos os comandos

Para mais detalhes sobre desenvolvimento, ver CONTRIBUTING.md.

Troubleshooting

Erro de autenticação

Verifique se a API key está correta e ativa.

Timeout

Aumente o timeout:

client = STTClient(api_key="...", timeout=600)

Formato de áudio

Formatos suportados: WAV, MP3, FLAC, OGG, M4A

License

MIT License - Ver LICENSE

Support

• Email: [e-mail]