Мультимодальна генерація розмовного аудіоконтенту за даними семантичного аналізу об’єктів презентаційних матеріалів

Abstract

Обʼєкт дослідження – процес автоматизованої семантичної трансформації статичного навчального контенту в динамічний розмовний аудіоформат. Предмет дослідження – інтелектуальні методи промпт-інжинірингу та архітектурної оркестрації великих мовних моделей для генерації імерсивних діалогових транскриптів. Мета роботи – розробка та практична реалізація інтелектуальної програмної системи для автономного перетворення візуально-текстових матеріалів (PDF-презентацій) на високоякісні аудіоподкасти із застосуванням генеративних ШІ-технологій. Методи дослідження – системний аналіз (дослідження архітектур LLM та систем TTS), інженерний (проєктування конвеєра обробки даних та багаторівневої системи промпт-інжинірингу), експериментальний (валідація згенерованих аудіоматеріалів на предмет когнітивного навантаження та природності звучання). Розроблено систему PodcastGen. Впровадження 6-блокової конвеєрної архітектури промптів та двоетапного контролю якості дозволило нівелювати галюцинації і «механічність» ШІ. Система радикально пришвидшує створення імерсивного освітнього контенту, генеруючи природні комунікативні патерни.