این پروژه یک سامانه یکپارچه پردازش محتوای چندرسانه‌ای است که چند سرویس هوش مصنوعی را در قالب یک داشبورد تحت وب در کنار یکدیگر قرار می‌دهد. سیستم امکان پردازش اسناد فارسی، تولید صوت از متن، تبدیل صوت به متن و مشاهده وضعیت سرویس‌ها را فراهم می‌کند.
معرفی پروژه
این پروژه یک داشبورد یکپارچه برای پردازش متن، صوت و تصویر است که چند سرویس هوش مصنوعی را در یک محیط واحد ارائه می‌کند.
هدف سیستم، فراهم‌کردن یک رابط ساده برای اجرای سرویس‌های مختلف پردازش محتوا و همچنین ارائه دسترسی ساختاریافته از طریق API است.
سرویس‌های اصلی
OCR و استخراج متن
سیستم امکان بارگذاری اسناد و تصاویر و استخراج متن موجود در آن‌ها را فراهم می‌کند.
در نمونه ارائه‌شده، یک سند فارسی پردازش شده و نواحی شناسایی‌شده متن با کادر روی تصویر نمایش داده می‌شوند.
قابلیت‌های این بخش شامل:
- بارگذاری تصویر یا سند
- شناسایی نواحی متنی
- استخراج متن
- نمایش نتیجه روی تصویر
- نمایش نتیجه به‌صورت تمام‌صفحه
تبدیل متن به گفتار
در بخش Text-to-Speech کاربر می‌تواند متن موردنظر را وارد کرده و صوت تولید کند.
همچنین امکان تنظیم پارامترهایی مانند:
- سرعت تولید صدا
- زیر و بمی صدا
در رابط کاربری فراهم شده است.
پس از تولید، اطلاعاتی مانند مدت زمان صوت، حجم فایل، نرخ نمونه‌برداری و زمان پردازش نمایش داده می‌شود.
تبدیل صوت به متن
سیستم قابلیت پردازش فایل صوتی و Automatic Speech Recognition را نیز دارد.
در یکی از جریان‌های کاری پروژه، خروجی صوتی تولیدشده در مرحله TTS به سرویس رونویسی منتقل شده و نتیجه پردازش نمایش داده می‌شود.
همچنین اطلاعات مربوط به شکل موج، نواحی گفتار و شاخص‌های صوتی در داشبورد قابل مشاهده است.
زنجیره‌کردن سرویس‌ها
یکی از قابلیت‌های مهم پروژه، امکان استفاده زنجیره‌ای از سرویس‌ها است.
برای نمونه:
Text → TTS → Audio → ASR → Text
این ساختار امکان ایجاد Workflowهای مختلف بین سرویس‌های پردازش متن و صوت را فراهم می‌کند.
داشبورد مدیریتی
داشبورد وضعیت سرویس‌ها و نتایج پردازش را در یک محیط واحد نمایش می‌دهد.
امکانات داشبورد شامل:
- نمایش وضعیت موتورهای پردازشی
- نمایش مشخصات سیستم
- اجرای سرویس‌های مختلف
- نمایش نتایج پردازش
- مشاهده وضعیت نهایی سرویس‌ها
- رابط کاربری یکپارچه
API
سیستم دارای API برای دسترسی برنامه‌نویسی به سرویس‌ها است.
مستندات تعاملی API با استفاده از OpenAPI در مسیر زیر در دسترس است:
/docs
همچنین endpoint مربوط به وضعیت سیستم امکان دریافت وضعیت سرویس‌ها را به‌صورت JSON فراهم می‌کند:
/api/status
نمونه اجرای واقعی
تصاویر و ویدئوی موجود در نمونه‌کار از اجرای واقعی برنامه تهیه شده‌اند.
ویدئوی دمو، جریان کامل اجرای سیستم را از بررسی وضعیت موتورها تا تولید صدا، پردازش سند، زنجیره‌کردن سرویس‌ها و مشاهده مستندات API نمایش می‌دهد.
مستندات تصویری
نمونه‌های ثبت‌شده شامل موارد زیر هستند:
- نمای کلی داشبورد
- وضعیت زنده موتورهای پردازشی
- ورودی و خروجی TTS
- بارگذاری و پردازش سند فارسی
- نتیجه OCR
- پردازش ASR
- وضعیت نهایی سرویس‌ها
- مستندات OpenAPI
- پاسخ JSON مربوط به وضعیت سیستم
نتیجه پروژه
این پروژه یک محیط یکپارچه برای پردازش متن، صوت و تصویر ایجاد کرده که سرویس‌های مختلف را در قالب یک داشبورد و API قابل استفاده در کنار یکدیگر قرار می‌دهد.
ساختار پروژه همچنین امکان توسعه و اضافه‌کردن سرویس‌های پردازشی جدید را فراهم می‌کند.
