Премини към основното съдържание
Български— Изберете език
Меню

Българско издание

Realtime API и гласови агенти

Този курс обхваща Realtime API, Whisper, TTS и изграждането на пълноценни гласови агенти за телефония и асистенти.

18 урока ок. 1 ч 15 мин Програмист

Какво ще научите

  • Установяване на WebSocket сесия с Realtime API и управление на събитията от жизнения цикъл
  • Потоково предаване на двупосочно аудио с обработка на прекъсвания и управление на смяната на говорещия
  • Транскрибиране и превод на аудио файлове с Whisper, като се оптимизира качеството въз основа на езика
  • Генериране на реч с TTS API чрез контрол на гласа, просодията и скоростта
  • Изграждане на гласов агент, интегриран с телефония, и овладяване на неговата латентност в производствена среда

Информация за курса

За кого е
Разработчици, инженери и интегратори, които искат да използват ChatGPT чрез API в своите приложения.
Предварителни изисквания
Умение за четене на Python и JSON, основи на командния ред. API ключ от платформата на OpenAI за тестване на примерите.
Продължителност
1 ч 15 мин — 18 урока
Формати
100% онлайн курс в собствен темп, достъпен 24/7 от браузър. Прогресът се запазва, възобновяване по всяко време. Приблизителна продължителност: 45 мин.
Оценяване
Интегрирани в курса тестове за валидиране. Всяка лекция завършва със своите основни изводи, подпомагащи самооценката.
Достъпност
Курс в собствен темп, достъпен за хора с увреждания: текстово съдържание, съвместимо с екранни четци, навигация с клавиатура и съответстващи контрасти. За всякакви нужди от адаптация, пишете на [email protected].
Цена
Безплатно

Уроци

  1. 01 Архитектура на WebSocket за Realtime API
  2. 02 Сесии, събития и жизнен цикъл
  3. 03 Поток на аудио данни в двете посоки
  4. 04 Извикване на функции в реално време
  5. 05 Прекъсвания и управление на репликите
  6. 06 Транскрибиране на аудиофайл: gpt-transcribe и Whisper
  7. 07 Поддържани формати и езици
  8. 08 Автоматичен превод
  9. 09 Оптимизиране на качеството на транскрипцията
  10. 10 API TTS: Генериране на реч
  11. 11 Налични гласове и персонализиране
  12. 12 Потоково предаване на аудио в реално време
  13. 13 Контрол на просодията и темпото на речта
  14. 14 Изграждане на пълен гласов агент
  15. 15 Интеграция с телефония (Twilio и др.)
  16. 16 Асистент с гласов и мултимодален интерфейс
  17. 17 Латентност и оптимизация в реално време
  18. 18 Продукция: Мащабиране и наблюдение