Sözlü terjimä we wideo

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

Özgerinden daşarda [gürrüň içeri we daşarka](/tk/v1.0/voice/stt-tts), AiHummer iki goşmaça media ukybyny hödürleýär: **söz terjimesi** we **wideo düşünmek**. Ikkisi hem işleýär **erkin/ýerleşik motorlar**: terjime STT/TTS gapylary we eýýämde bar bolan LLM-den ýygnalýar, wideo bolsa özbaşdak işleýär [jäkli maşyn](/tk/v1.0/architecture/sidecars) URL arkaly elýeterli. > [!NOTE] > Sözleýiji deňleşdirmesi we ses klonlamak **däk** harydynyň bir bölegi — şol > ukusylyklar aýryldy. Eger siz olary öňki materiallarda görseňiz, meýilleşdirmäň > olaryň töwereginde: ses stagy STT, TTS, ses öwrülişi (`/v1/voice/turn`), > söz terjimesi we wideo düşünmesi. ## Söz terjimesi Söz terjimesi bir dildeki sesi beýleki bir dilde gepleýän sese öwürýär, şonuň üçin agent dürli dillerde jaň edýänlere hyzmat edip biler. Bu **agentin çykyş etmezligi bilen arassa terjime taslamasy**: gelýän ses ýazgy ulanylyp ýazylýar (STT), tekst bir gezeklik LLM tamamlama bilen terjime edilýär we terjime gaýtadan aýdylýar (TTS). ```text audio in ─▶ STT ─▶ translate (LLM) ─▶ TTS ─▶ audio out ``` Goşmaça sidecar gerek däl: turbina ses öwrülişi bilen birmeňzeş mugt/ýerli sidecar-lary ulanýar — faster-whisper`:8001`) we edge-tts (`:8002`) — şeýle hem siziň sazlanan LLM üpjünçiniňiz. | Haryt | Bahasy | |---|---| | Uly nokat | `POST /v1/voice/translate?target=<lang>` | | `target` parametr | Maksat dili (BCP-47 ýa-da ýönekeý dil ady); **zerur** | | Giriş | Haýyş ediliş bedenindäki audio (`Content-Type`, öndäki bahasy `audio/ogg`) | | Netije | Terjime edilen ses (`audio/mpeg`) | | Jogap başlyklary | `X-Voice-Transcript` — çeşme teksti, `X-Voice-Reply` — terjime | | Talap edýär | STT, TTS we LLM üpjün ediji sazlanan | ```http POST /v1/voice/translate?target=en HTTP/1.1 Host: localhost:8780 Content-Type: audio/ogg <binary audio> ``` ## Wideo düşünmek Wideo düşünmek, sesi demuksirlemek we esasy kadrlary sampling etmek arkaly bir klipiň näme içerýändigini çykarýar **ffmpeg** — bar **ML modeli ýok** bu sajkarda; bu agentiň nobatyna ses we kadrlary taýýarlap berýär. | Haryt | Bahasy | |---|---| | Goldawlanýar | ffmpeg (demux + öňbaryjy çarçuwalar, ML ýok) | | Sidekar porty | `:8005` | | Uly nokat | `POST /v1/video/understand` | | Simli | `AIHUMMER_VIDEO_URL` | ## Simlemek Sözleýiş terjimesi üçin ýörite üýtgeýän gerek däl: STT, TTS we LLM üpjün ediji sazlanan wagty ol işjeň bolýar. Wideo düşünmek onuň ýan sany URL bilen işjeňleşdirilýär — bir **katalog sazlamasy** siz administrasiýa UI-den kesgitleýärsiňiz (**Dolandyryş → Sazlamalar**) ýa-da bilen `aihummer settings set` (`gateway.env` faýl diňe bootstrap üçin bolup, onuň üçin göz öňünde tutulmaýar); hostyň özüne degişli gurnamaçy ony üpjün edip biler ýa-da öňünden işledýän instansýaňyza gönükdirip biler. ```bash # Optional video sidecar aihummer settings set AIHUMMER_VIDEO_URL http://127.0.0.1:8005 ``` > [!TIP] > Ukyplar garaşsyz — diňe zerur bolanlary işjeňleşdiriň. Bir ýerleşdiriş > şol diňe transkription we birleşdiriş talap edýän bolsa, STT/TTS juwplesini ýeke ýalňyz işleter bolup biler we > wideo gapdal enjamyny sazlamaz öňünde goýuň. ## Indi nire? - Sazlamaly çykyş ýoly: [Gürrüň içeri we daşarka](/tk/v1.0/voice/stt-tts). - Sidecar-lar nädip birikdirilýär we paýlaşylýar: [Sidecarlar](/tk/v1.0/architecture/sidecars).