مشاوره برای ساخت سیستم مکالمهٔ صوتی زنده فارسی

یک دستیار هوش مصنوعی فارسی داریم و می‌خواهیم کاربر بتواند زنده با آن صحبت کند: حرف بزند و سریع جواب صوتی بشنود. پیاده‌سازی را خودمان انجام می‌دهیم و فقط به یک مشاور باتجربه نیاز داریم که دقیق راهنمایی کند. از شما می‌خواهیم: ۱) معرفی چند سرویس گفتار به متن و متن به گفتار استریم که فارسی را خوب پشتیبانی کنند، سریع و ارزان باشند و پرداخت‌شان به تومان ممکن باشد (با ذکر هزینه و ایراد هرکدام). ۲) توضیح دقیق و مرحله‌به‌مرحلهٔ مسیر ساخت: میکروفون مرورگر ← WebSocket ← گفتار به متن ← مدل متنی (gpt-4o-mini) ← متن به گفتار ← پخش در مرورگر. ۳) چند نمونه کد کوتاه و کاربردی برای بخش‌های اصلی (مثلاً اتصال WebSocket و دریافت صدای استریم). ۴) نکات و اشتباهات رایجی که سرعت را کم می‌کنند. هدف ما: اولین صدا ۲ تا ۲٫۵ ثانیه بعد از پایان حرف کاربر (حداکثر ۳ ثانیه؛ در زمان شلوغی حداکثر ۴).