ლექციის და ვიდეოს თარგმანი

audio in ─▶ STT ─▶ translate (LLM) ─▶ TTS ─▶ audio out

POST /v1/voice/translate?target=en HTTP/1.1
Host: localhost:8780
Content-Type: audio/ogg

<binary audio>

# Optional video sidecar
aihummer settings set AIHUMMER_VIDEO_URL http://127.0.0.1:8005

თვის [საუბარი შიგნიდან და გარეთ](/ka/v1.0/voice/stt-tts), AiHummer სთავაზობს ორ დამატებით მედია შესაძლებლობას: **მოლაპარაკების თარგმანი** და **ვიდეოს გაგება**. ორივე მუშაობს **უფასო/ლოკალური ძრავები**: გადათარგმნა გროვდება დამატებითი მოდულებიდან STT/TTS და თქვენს მიერ არსებული LLM-ისგან, ხოლო ვიდეო დამოუკიდებლად მუშაობს [ბავშვის ეტლი](/ka/v1.0/architecture/sidecars) მისაწვდომია URL-ზე. > [!NOTE] > ლაპარაკის დიარიზაცია და ხმის კლონირება არის **არა** პროდუქტის ნაწილი — ისინი > სერვისები წაშლილია. თუ მათ ძველ მასალებში ხედავდით, ნუ დაგეგმავთ > მათ გარშემო: ხმის სტეკი არის STT, TTS, ხმის ყოფა (`/v1/voice/turn`), > მოვთარგმნოთ სიტყვა და გავიგოთ ვიდეო. ## მოსაუბრის თარგმანი მოლაპარაკების თარგმანი ცვლის ერთ ენაზე ხმოვან აუდიოს სხვა ენაზე ხმოვან აუდიოდ, რათა აგენტმა შეძლოს მსმენელების მომსახურება სხვადასხვა ენებზე. ეს არის **სუფთა თარჯიმნობის კონვეიერი აგენტის გარეშე**: შემომავალი აუდიო სიგნალი ტრანსკიბირდება (STT), ტექსტი ითარგმნება LLM-ის ერთჯერადი განხორციელების საშუალებით და თარგმნილი ტექსტი განიმეორება ზეპირად (TTS). ```text audio in ─▶ STT ─▶ translate (LLM) ─▶ TTS ─▶ audio out ``` დამატებითი საიდკარი საჭირო არ არის: კონვეიერი იყენებს იმავე უფასო/ლოკალურ საიდკარებს, რაც ხმოვანი დახრისთვის — faster-whisper`:8001`) და edge-tts (`:8002`) — პლუს თქვენი მორგებული LLM მიმწოდებელი. | საგანი | მნიშვნელობა | |---|---| | საბოლოო წერტილი | `POST /v1/voice/translate?target=<lang>` | | `target` პარამეტრი | მიზნობრივი ენა (BCP-47 ან ენის მარტივი სახელწოდება); **საჭიროა** | | შეყვანა | აუდიო მოთხოვნის სხეულში (`Content-Type`, ნაგულისხმევი `audio/ogg`) | | გამოჰყო | გათარგმნილი აუდიო (`audio/mpeg`) | | პასუხის სათაურები | `X-Voice-Transcript` — წინა ტექსტი, `X-Voice-Reply` — თარგმანი | | მობაძვის | STT, TTS და LLM მომწოდებელი დაყენებულია | ```http POST /v1/voice/translate?target=en HTTP/1.1 Host: localhost:8780 Content-Type: audio/ogg <binary audio> ``` ## ვიდეოს გაგება ვიდეოს გაგება ამოღებს კლიპის შინაარსს აუდიოს დემულტიპლექსირებითა და ძირითადი კადრების ამორჩევით **ფფმეპგ** — არის **არ არის AI-მოდელი** ამ საიდკარში; ის მზად აკეთებს აუდიოსა და კადრებს აგენტის მოძრაობისთვის. | საგანი | მნიშვნელობა | |---|---| | მხარდაჭერილი | ffmpeg (დემუქსი + კაიფრეიმები, არ გამოიყენება ML) | | პორტ საიდქარა | `:8005` | | საბოლოო წერტილი | `POST /v1/video/understand` | | გაერთიანებული | `AIHUMMER_VIDEO_URL` | ## ელექტროსადენი ხმოვანი ტექსტის თარგმნა არ საჭიროებს სპეციალურ ცვლადს: იგი აქტიურია მას შემდეგ, რაც დამონტაჟებულია STT, TTS და LLM გამყიდველი. ვიდეოს გაგება ჩართვა ხდება მისი დამხმარე URL-ის საშუალებით — a **კატალოგის კონფიგურაცია** თქვენ აყენებთ ადმინისტრაციული ინტერფეისიდან (**მართვა → პარამეტრები**) ან ს `aihummer settings set` (`gateway.env` მხოლოდ bootstrap-ისთვის და იგნორირდება მისი; ინსტალერი, რომელიც მუშაობს ჰოსტზე, შეუძლია დააყენოს იგი ან მიუთითოს უკვე ჩართული ინსტანციაზე. ```bash # Optional video sidecar aihummer settings set AIHUMMER_VIDEO_URL http://127.0.0.1:8005 ``` > [!TIP] > მოწვდომილობები დამოუკიდებელია — ჩართეთ მხოლოდ ისინი, რომლებიც გჭირდებათ. განთავსება > ვის simply სჭირდება ტრანსკრიფცია და სინთეზი, შეუძლია იმუშაოს მხოლოდ STT/TTS წყვილით და > დატოვეთ ვიდეოსაიდკარი კონფიგურაციის გარეშე. ## სად შემდეგ? - მოვლენების ს_DEFAULT გზა: [მოვლენილი და გამავალი სიტყვა](/ka/v1.0/voice/stt-tts). - როგორ იკავშირებიან და გამოიყენება გვერდითი მანქანები ერთად: [გვერდის ეტლები](/ka/v1.0/architecture/sidecars).