BEEPer

Projekt zaczął się jako żart, ale rozwiązuje realny problem techniczny: pełny łańcuch mowa → tekst → transformacja → mowa, działający lokalnie, na zwykłym komputerze i w czasie zbliżonym do rzeczywistego.

To jest dokładnie ta sama architektura, której wymaga poważny asystent głosowy. Różnica polega wyłącznie na tym, co dzieje się w kroku „transformacja”.

Skoro łańcuch i tak trzeba zbudować, niech pierwsze zastosowanie będzie takie, w którym błąd nikogo nie kosztuje. Cenzura wulgaryzmów jest zadaniem wdzięcznym: łatwo ocenić, czy zadziałała, a konsekwencje pomyłki są co najwyżej zabawne.

Wejście przechodzi przez detekcję mowy, żeby nie transkrybować ciszy. Rozpoznawanie działa lokalnie, na modelu dobieranym do dostępnego sprzętu — README ma osobną sekcję o profilach GPU i benchmarku wydajności.

Cenzura opiera się na słowniku z poziomami: od łagodnego po tryb dyplomatyczny, w którym podmieniane są nie tylko wulgaryzmy, ale i zwroty agresywne. Osobno obsłużone są odmiany i formy fleksyjne — w polszczyźnie to nie jest dopisek, tylko sedno problemu.

Wyjściem jest synteza mowy w konwencji lektora czytającego komunikat urzędowy, poprzedzona stałą formułą wprowadzającą.

Największym problemem technicznym okazało się opóźnienie. Łańcuch STT → cenzura → TTS ma trzy etapy, z których każdy chce dostać całą wypowiedź, zanim zacznie pracę. Aby efekt był użyteczny, detekcja końca wypowiedzi musi być szybka i pewna — a to jest trudniejsze niż samo rozpoznawanie słów.

W katalogu demo leżą nagrania kolejnych trybów — od surowego po dyplomatyczny — i to one są najlepszą dokumentacją projektu. README liczy 23 kB i obejmuje szesnaście zagadnień, w tym konfigurację mikrofonu, poziomy cenzury, benchmark i pakowanie do EXE.

Struktura jest wyraźnie modułowa: osobne katalogi stt, censor, tts, pipeline, ui. Dzięki temu każdy element da się wymienić — i o to chodziło.

Słownik cenzury musiał uwzględnić polską fleksję i to on jest najbardziej pracochłonną częścią projektu. Wulgaryzm w mianowniku to jedna forma; w praktyce trzeba wyłapać wszystkie przypadki, tryby i zrosty, a jednocześnie nie ocenzurować słów niewinnych, które przypadkiem zawierają ten sam rdzeń.

Sam sygnał „PIIII” też okazał się decyzją projektową: musi być rozpoznawalny, ale nie może maskować rytmu zdania. Zbyt długi gubi sens wypowiedzi, zbyt krótki ginie w mowie lektora.

Działa tryb konsolowy i graficzny, jest cache modeli i historia wypowiedzi. Cały łańcuch mieści się w czasie akceptowalnym dla rozmowy, a nagranie nigdy nie opuszcza komputera.