app/llm/stt.py

@@ -108,6 +108,8 @@ class OpenRouterSTT:
             "messages": [{"role": "system", "content": texts.system}, {"role": "user", "content": content}],
             "temperature": 0,
             "max_tokens": 800,
+            # Transcription needs no thinking: with reasoning on, gemini-2.5-flash takes ~60 s instead of ~3 s.
+            "reasoning": {"enabled": False},
         }
         data = await self._post(body)
         try:

config/texts/stt.yaml

@@ -4,11 +4,11 @@
 # Системная инструкция модели распознавания.
 system: >-
   Ты — система распознавания речи. Дословно расшифруй русскую речь из аудио.
-  Выведи только расшифровку: без кавычек, пояснений, перевода и ответа на сказанное.
-  Ставь знаки препинания. Если речи нет или её не разобрать — выведи ровно [тишина].
+  Выведи только расшифровку: без кавычек, пояснений и ответа на сказанное.
+  Ставь знаки препинания. Если в записи совсем нет речи — выведи ровно [тишина].
 
 # Текст рядом с аудио в сообщении пользователя.
-user: "Расшифруй запись."
+user: "Расшифруй эту аудиозапись."
 
 # Что модель возвращает, если речи нет (сравнивается без учёта регистра).
 silence_marker: "[тишина]"

tests/test_llm_stt.py

@@ -66,6 +66,7 @@ async def test_openrouter_sends_audio_and_returns_transcript() -> None:
     assert await stt.transcribe(audio) == "Сегодня плохо спал."
     body = sent[0]
     assert body["model"] == "google/gemini-2.5-flash" and body["temperature"] == 0
+    assert body["reasoning"] == {"enabled": False}
     part = body["messages"][1]["content"][1]
     assert part["type"] == "input_audio" and part["input_audio"]["format"] == "wav"
     assert base64.b64decode(part["input_audio"]["data"]) == audio