Mzia

მრავალენოვანი ხმოვანი AI რეცეფციონისტი, რომლის ინჟინერია საუბრის მონაცვლეობაზე, შეწყვეტებსა და ზარის სასიცოცხლო ციკლზეა ფოკუსირებული.

ჩემი როლი
ვხელმძღვანელობ Mzia-ს.
Mzia-ს ხმოვანი ინჟინერია: აბონენტი საუბარს წყვეტს, რელეი მონაცვლეობას მართავს და საუბრის განახლებას ამოწმებს
ზარის კონტროლის კონცეპტუალური ხედვა: შეწყვეტები, სესიის სასიცოცხლო ციკლი და შეცდომების ტესტირება.

პროდუქტის ფოკუსი

Mzia ქართულ, სომხურ, რუსულ და ინგლისურ ენებზე წარმართულ საუბრებს მართავს. საინჟინრო გამოწვევა მონაცვლეობებს შორის მიმდინარე პროცესია: აბონენტი საუბარს წყვეტს, მოდელი ჩერდება, კავშირი წყდება ან სესიის გახსნისას ვინმე ზარს თიშავს.

საინჟინრო გადაწყვეტილებები

ხმოვანი გზის გაზომვა

Twilio Media Streams რელეის მეშვეობით Gemini-ის ნატიურ აუდიოს უერთდება. მოდელების შედარების ზონდები იმავე აუდიოსა და კონფიგურაციას იყენებს; დაყოვნების ზონდებში ინსტრუქციის ზომა იცვლება, რათა პასუხის დროზე მისი გავლენა შეფასდეს. ასე პროვაიდერისა და პრომპტის არჩევანი შემოწმებადი ხდება.

ზარის სასიცოცხლო ციკლის მართვა

რელეი კოორდინაციას უწევს შეწყვეტებს, წინასასესიო აუდიო-ბუფერებს განსაზღვრული ზომით, სიჩუმის მაკონტროლებელ მექანიზმებსა და გასუფთავებას. კავშირისას ზარის გათიშვა დაგვიანებით მოსულ მოდელის სესიას ხურავს; პროვაიდერის გათიშვა კი ზარს ასრულებს და უმოქმედო სესიას ღია არ ტოვებს.

აუდიოს შენახვისგან დამოუკიდებლად დატოვება

ზარის მეტამონაცემების ჩაწერა ასინქრონულია, ამიტომ აუდიოს სტრიმინგი მონაცემთა ბაზის დასრულებას არ ელოდება. რელეიში ზარის კონტროლსა და მონაცემების აღებას ცალკე პასუხისმგებლობები აქვს.

შეცდომის გზების ტესტირება

ინტეგრაციის ტესტები რელეის რეალურ HTTP/WebSocket კავშირებთან და კონტროლირებად მოდელის ორმაგთან ამუშავებს. შემთხვევები მოიცავს შეწყვეტის ქცევას, წარუმატებელ კავშირებს, ზარის შუაში მოდელის გათიშვას, ბუფერის გადავსებასა და გათიშვის კონკურენტულ სცენარებს; ცოცხალი მოდელის ზონდები ამ ოფლაინ შემოწმებებს ავსებს.

სტეკი · Node.js / Express / WebSockets / Twilio / Gemini 3.1 Flash Live / Supabase / PostgreSQL

არქიტექტურის მიმართულებადაგეგმილი

საუბარი და შესრულება — განცალკევებული

შემდეგი არქიტექტურა მუდმივ სერვისულ მოთხოვნაზეა აგებული, რომელსაც ერთი ზარის მიღმაც შეუძლია გაგრძელება. ხმოვანი ფენა დიალოგს მართავს; დომენური სერვისი კი ვალიდაციასა და ბიზნეს-ქმედებებზეა პასუხისმგებელი. ვერსიირებული მოთხოვნები შესწორების შემდეგ მოძველებულ საძიებო შედეგებს უგულებელყოფს, იდემპოტენტური ქმედებები კი დუბლირებულ ჩაწერას უშლის ხელს. ეს დოკუმენტირებული დიზაინის მიმართულებაა; იმპლემენტაცია დაგეგმილია.

პროდუქტის ან სამუშაო პროცესის იდეა გაქვთ?

მომიყევით, რა უნდა გააკეთოს და საიდან იწყებთ.

მომწერეთ პროექტზე