POLYGLOT AI

Aplikacje do nauki języków rozwiązują dobrze jeden fragment problemu — słownictwo — i pomijają ten, który decyduje o mówieniu: wymowę i rozmowę. Do tego wszystkie wysyłają nagranie głosu na serwer, co przy nauce codziennej oznacza oddanie na zewnątrz kilkuset nagrań własnego głosu miesięcznie.

Trzeci problem jest specyficznie polski: kursy uczą wymowy „ogólnie”, a Polak mówiący po angielsku ma zestaw błędów przewidywalny co do fonemu — spółgłoski międzyzębowe, mylenie w z v, końcówka -ed, brak geminat.

Zbudować platformę, w której wszystkie cztery role — nauczyciel, słuchacz, lektor i egzaminator wymowy — działają lokalnie, a ocena wymowy jest konkretna fonetycznie: nie „popraw akcent”, tylko „w tym słowie θ wyszło jako t, ustaw język między zębami”.

Kurs miał być przy tym realny, a nie demonstracyjny: pełna ścieżka CEFR od A1 do C2 z automatycznym awansem po zaliczeniu poziomu.

Nauczyciel AI to lokalny model Qwen 2.5, który w jednym wywołaniu zwraca ocenę wypowiedzi i odpowiedź — połączenie tych dwóch kroków skraca opóźnienie o połowę i utrzymuje spójność między oceną a repliką. Wyjaśnienia idą po polsku, bo tłumaczenie gramatyki w języku obcym na poziomie A1 nie działa.

Rozpoznawanie mowy stoi na Whisperze large-v3 z akceleracją GPU, w czterech językach — trzech uczonych plus polski, potrzebny do rozumienia pytań ucznia.

Ocena wymowy jest osobnym silnikiem opartym na wav2vec2 z metryką GOP, z wbudowanym profilem typowych błędów Polaków i polskimi instrukcjami artykulacyjnymi. To najbardziej wyspecjalizowana część systemu i jednocześnie ta, której nie da się kupić gotowej.

Trzy silniki syntezy mowy pełnią różne role: Piper jest szybki, Kokoro ma naturalną prozodię i głosy męskie oraz żeńskie dla trzech języków, Chatterbox jest ekspresyjny. Przełączane per użytkownik.

Kurs liczy ponad 600 lekcji: dwanaście prowadzących plus lekcje generowane z autorskich banków 24 000 zdań, w tym moduły branżowe dotyczące łazienek i armatury — bezpośrednie połączenie z resztą działalności warsztatu.

Dialogi dwugłosowe czytane są dwoma różnymi głosami, a tryb „wchodzę w rolę” nagrywa ucznia bez klikania mikrofonu, z detekcją ciszy i oceną wymowy na żywo. Ta jedna decyzja zmienia charakter ćwiczenia: rozmowa przestaje być serią formularzy.

Powtórki planuje algorytm FSRS, osobno dla znaczenia, użycia, pisowni, wymowy i słuchu — bo opanowanie słowa w piśmie nie oznacza rozpoznania go ze słuchu.

Analiza programu nauczania jest udokumentowana osobno: macierz pokrycia CEFR, plan kursu w formacie JSON o objętości 110 kB oraz raporty importu dla każdego języka. Dryle obejmują dyktando, tłumaczenie z polskiego, poprawianie błędu (tysiąc typowych pomyłek na język), idiomy i kolokacje wpięte w powtórki.