dev · · 21:06 · 2 min de citit
Crearea unei voci AI gratuite în urdu cu Gemini TTS: trei bug-uri întâlnite
Echipa aplicației Sitey a dezvoltat o voce AI gratuită în urdu folosind Gemini TTS pentru utilizatorii din Pakistan, întâmpinând și rezolvând trei provocări tehnice specifice. Aceste probleme au inclus prevenirea citirii instrucțiunilor de către modelul TTS, gestionarea corectă a formatelor de fișiere WAV și asigurarea redării complete a audio în notele vocale WhatsApp.
Aplicația Sitey, concepută pentru vorbitorii de urdu din Pakistan, a integrat recent o funcție text-to-speech, permițând răspunsurilor generate de AI să fie redate cu voce tare și trimise ca note vocale WhatsApp. Această îmbunătățire, acum disponibilă și gratuit pe site-ul lor, a prezentat mai multe obstacole tehnice în timpul dezvoltării. Echipa a prioritizat testarea practică în detrimentul benchmark-urilor, folosind propoziții reale în limbaj mixt pentru a selecta cea mai bună voce Gemini TTS, alegând în final Aoede pe gemini-3.8-flash-lite-tts pentru capacitatea sa de a gestiona natural urdu și engleza.
Trei bug-uri principale au fost întâmpinate și rezolvate. Primul a implicat modelul TTS care citea instrucțiuni stilistice sau etichete ca parte a textului vorbit și chiar interpreta greșit emoji-uri; acest lucru a fost rezolvat prin eliminarea textului non-esențial și a emoji-urilor înainte de a le trimite modelului. Al doilea bug a cauzat un zgomot puternic în loc de audio din cauza formatării incorecte a fișierului WAV, provenind dintr-un antet WAV existent care a fost reîmpachetat; soluția a implicat verificarea primilor bytes ai fișierului pentru a transmite fișierele WAV reale neatinse. A treia problemă a fost trunchierea notelor vocale de către WhatsApp, care a fost atenuată prin re-codificarea audio în format AAC .m4a pe dispozitiv înainte de partajare, asigurând o durată completă de redare.
Pentru a menține serviciul gratuit, Sitey utilizează un Cloudflare Worker pentru a gestiona cheia API Gemini, implementând limite zilnice de utilizare atât pentru website, cât și pentru aplicație, alături de un plafon zilnic în dolari și un plafon lunar pentru Gemini. Este oferită o soluție de rezervă la vocea nativă urdu a telefonului, dacă Gemini nu este disponibil. Articolul se încheie cu sfaturi pentru dezvoltatorii care lucrează cu TTS pentru limbi mai puțin comune, subliniind testarea în lumea reală, trimiterea doar a textului vorbit și verificarea integrității audio după transmitere.
$ sursa --originală
dev.to
Rezumat realizat de Sudofeed pe baza articolului original. Drepturile asupra conținutului aparțin sursei originale.