ClassyGitshadowzzh

README.ta.md

README.ta.md

அத்தியாயம் 9 · பல்முக மற்றும் நிகழ்நேர இடைவினை

உணர்தல் மற்றும் செயலை உரையிலிருந்து குரல், GUI மற்றும் இயற்கை உலகத்திற்கு விரிவுபடுத்துகிறது. குரலின் மூன்று முன்னுதாரணங்கள் (அடுக்கப்பட்ட / இறுதி-முதல்-இறுதி முழு-வடிவ / முழு-இருவழி), ஸ்ட்ரீமிங் குரல் உணர்தல் மற்றும் தொகுப்பு, Computer Use மற்றும் ரோபோ செயல்பாடு ஆகியவற்றை உள்ளடக்கியது.

← முக்கிய README க்குத் திரும்பு · 📖 அத்தியாய உரையைப் படி

துணை திட்டங்கள்

Project Type Description
live-audio ✅ நிகழ்நேர குரல் அரட்டை டெமோ, பேச்சு-முதல்-உரை, AI உரையாடல் மற்றும் உரை-முதல்-பேச்சு செயல்பாடுகளை ஒருங்கிணைக்கிறது. பல AI சேவை வழங்குநர்களை (OpenAI, OpenRouter, ARK, Siliconflow) ஆதரித்து, குறைந்த தாமத உரையாடல் அனுபவத்தை வழங்குகிறது.
browser-use/ 📖 Browser-Use என்பது ஒரு சக்திவாய்ந்த உலாவி தானியக்கக் கட்டமைப்பு ஆகும், இது LLM-கள் உலாவியைக் கட்டுப்படுத்தி சிக்கலான பணிகளை முடிக்க உதவுகிறது. படிவம் நிரப்புதல், வலைப்பக்க வழிசெலுத்தல், தரவுப் பிரித்தெடுப்பு போன்ற சூழ்நிலைகளை ஆதரிக்கிறது, மேலும் GUI தானியக்கத்தின் (Computer Use) ஒரு எடுத்துக்காட்டுச் செயலாக்கமாகும்.
claude-quickstarts/ 📖 Claude API-க்கான விரைவுத் தொடக்க எடுத்துக்காட்டுகள் மற்றும் சிறந்த நடைமுறைகள், பல்வேறு பயன்பாட்டுச் சூழ்நிலைகளை உள்ளடக்கியது.
phone-agent ✅ குரல் ஏஜென்ட் "பயனருக்குப் பதிலாக வெளி உலகத்துடன் தொலைபேசி மூலம் தொடர்பு கொள்வதை" விளக்குகிறது: மேல் அடுக்கில் ஒரு நிலையான ReAct ஏஜென்ட் உள்ளது; இயற்கை மொழிப் பணியைப் பெற்றவுடன், எண் மற்றும் அழைப்பு இலக்கைத் தானே தெளிவுபடுத்தி, make_phone_call கருவியை (தொலைபேசி குரல் API அமுங்கம் அடிப்படையில்) அழைத்து முழு அழைப்பையும் முடித்து, கட்டமைக்கப்பட்ட அழைப்புப் பதிவுகளைப் படித்து, தேவைப்பட்டால் வினாடி மீண்டும் அழைத்து, இறுதியாக பயனருக்கு அறிக்கை செய்கிறது.
end-to-end-speech ✅ Step-Audio R1-இன் இறுதி-முதல்-இறுதி குரல் சிந்தனை முன்னுதாரணத்துடன் (ஒற்றை மாதிரி "கேள் → சிந்தி → பேசு") ஒத்திருக்கிறது: "குரல் உள்ளீடு → சிந்தனை → குரல் வெளியீடு" மூடிய சுழற்சியை இயக்கி, ASR→LLM→TTS அடுக்கு முன்னுதாரணத்துடன் தாமதம் மற்றும் துணைமொழித் தகவல் (உணர்ச்சி/தொனி/பேச்சு வேகம்) இழப்பு வேறுபாட்டை நேரடியாக ஒப்பிடுகிறது.
streaming-speech ✅ ஸ்ட்ரீமிங் குரல் உணர்தலின் முக்கிய பரிமாற்றத்தை விளக்குகிறது: தொடர்ச்சியான ஆடியோவை அதிகரிக்கும் நீளத் தொகுதிகளாகப் பிரித்து ASR-க்கு ஊட்டி, ஒவ்வொரு சிறு பகுதி கிடைத்தவுடன் "தற்போதைய பகுதி அங்கீகார முடிவை" உருவாக்கி, மிகக் குறைந்த முதல்-பாக்கெட் தாமதத்துடன் (first-packet latency) உரையை விரைவில் வெளியிடுகிறது; இதன் விலை, பின்னர் வரும் வாக்கியச் சூழல் இல்லாததால் ஆரம்பத் தொகுதிகள் தவறாக இருக்கலாம், ஆடியோ குவியும்போது படிப்படியாக ஒருங்கமைகிறது—"முழு வாக்கியம் வரும் வரை காத்திருந்து அங்கீகரித்தல்" என்ற உயர் துல்லியம்/உயர் தாமத அணுகுமுறைக்கு மாறானதாக உள்ளது.
controllable-tts ✅ முதன்மை LLM-இன் வெளியீட்டில் கட்டுப்பாட்டுக் குறிகளை (உணர்ச்சி/பேச்சு வேகம்/பாணி/இடைநிறுத்தம்/சிரிப்பு) இணைத்து, செயலாக்க அடுக்கு அந்தக் குறிகளைப் பாகுபடுத்தி குறிப்புக் குரல் நூலகத்தில் உள்ள தொடர்புடைய பாணிச் சுயவிவரங்களுடன் பொருத்தி பேச்சைத் தொகுக்கிறது—"எங்கே இடைநிறுத்தம் செய்ய வேண்டும், எந்த தொனியைப் பயன்படுத்த வேண்டும்" என்ற முடிவுகளை LLM-இடம் ஒப்படைத்து, ஒரே உரையை வெவ்வேறு பாணிகள் மற்றும் உணர்ச்சிகளுடன் தொகுக்க முடியும்.

திட்ட வகைகள்

சின்னம் வகை பொருள்
✅ தனித்து இயங்கும் முழு குறியீடு இந்த களஞ்சியத்தில், API Key உள்ளமைத்தவுடன் இயங்கும்
📖 மறு உருவாக்க வழிகாட்டி வெளிப்புற களஞ்சியங்களை git clone செய்ய வேண்டிய விரிவான ஆவணம்
🚧 வடிவமைப்பு ஆவணம் கட்டமைப்பு/செயலாக்கத் திட்டம் மட்டும், இயங்கும் குறியீடு இன்னும் WIP