Дослідження та розробка системи на базі великої мовної моделі для розважальних цілей

Abstract

Об’єкт дослідження – процеси мовної взаємодії людини з комп’ютерною системою в режимі реального часу за допомогою голосових технологій. Предмет дослідження – архітектурні, програмні та інтелектуальні компоненти інтерактивної голосової системи на базі великих мовних моделей, що функціонує у середовищі Discord. Мета роботи – розробити прототип інтерактивної голосової системи на основі технологій штучного інтелекту, здатної реалізовувати повноцінний цикл спілкування з користувачем у голосовому форматі: від розпізнавання мовлення до генерації та озвучення відповіді з мінімальною затримкою. Методи дослідження – у роботі використано методи архітектурного проєктування програмних систем, модульної розробки на Python, аналізу й інформації. Застосовано мовні моделі як хмарного, так і локального типу, модель розпізнавання мовлення Whisper та синтезатор Kokoro TTS із підтримкою зміни голосу. Взаємодія між компонентами реалізована через високопродуктивний GRPC-сервер для забезпечення низької затримки і масштабованості. Система здатна адаптуватися до різних стилів спілкування, підтримує багатокористувацьку комунікацію та є придатною для використання у таких сферах, як створення віртуальних стрімерів, освітніх платформ із голосовими асистентами, інтерактивних ігор, сервісів підтримки та цифрових компаньйонів.