Python-hangasszisztens építése DeepSeek R1 köré
Az AssemblyAI leckéje beszédfelismerést, helyi nyelvi modellt és beszédszintézist kapcsol össze.
Korábbi fejlesztői lecke
Az AssemblyAI 2025. február 11-én tette közzé ezt a Python-bemutatót. Az AssemblyAI beszédfelismerését, az Ollamán keresztül futó DeepSeek R1-et és az ElevenLabs beszédszintézisét kapcsolja össze. Azoknak szól, akik ezeket az összetevőket alkalmazásba szeretnék bekötni: a kimondott kérdés előbb szöveggé válik, majd a nyelvi modell ebből állít elő választ.
Készítsd elő a külön szolgáltatásokat
A hozzá kapcsolt írásos kísérőanyag dátuma 2026. szeptember 30. AssemblyAI- és ElevenLabs-API-kulcsot, Python-függőségeket és letöltött Ollama-modellt igényel. A nyelvi modell helyben fut, a beszédfelismerés és a beszédszintézis viszont felhős API-kat használ. Ez tehát nem teljesen offline asszisztens.
Próbáld ki: CurioFuse-gyakorlat
Saját szerkesztői mintafeladat, ellenőrzési szempontokkal.
Saját CurioFuse-gyakorlat: kövess egy ártalmatlan mondatot
Használd a kitalált „Mi a Borostyán projekt?” szóbeli kérést. Rajzolj négy dobozt: felvett beszéd, leírt szöveg, modellválasz, felolvasott beszéd. Mindegyik alá írd oda a kísérőanyag alapján, hol történik a feldolgozás, és milyen adat jut a következő dobozba. Az ismeretlen helyet jelöld ismeretlennek.
Az ábra akkor használható, ha minden felhős hívás látszik rajta, és a helyi modellfuttatást nem téveszted össze a teljes offline működéssel. Minden határhoz írj hibakérdést: például mi történik, ha a beszédfelismerés elrontja a projekt nevét.
