Potrzebny specjalista AI: wdrożenie szybkiego lokalnego asystenta głosowego (STT + lokalny LLM + TTS)

Projekt: Panel internetowy do wychodzących połączeń AI z dynamiczną konfiguracją agenta

Podstawowa koncepcja: Opracowanie w pełni funkcjonalnej aplikacji internetowej do zarządzania wychodzącymi połączeniami z wykorzystaniem agenta AI. System oparty jest na lokalnym LLM (Llama, Deepseek, Gemma) i musi zawierać panel konfiguracyjny do dostosowywania zachowania agenta w zależności od połączenia (głos, język, zapytanie), moduł zarządzania leadami oraz szczegółową analizę połączeń.

Kluczowe wymagania jakościowe: Niska latencja poniżej 800 ms oraz naturalna, ludzka mowa z odpowiednim tempem i pauzami.

Podstawowe moduły:

1. Panel konfiguracji agenta (Interfejs webowy)
Umożliwia użytkownikom wybór następujących opcji przed połączeniem:
- Języki: EN, DE, ES, NL (określa dostępne głosy i dokładność transkrypcji)
- Model STT: Wybierz silnik transkrypcyjny (Deepgram / Cartesia / Gemini)
- Dostawca TTS i model: Wybierz backend syntezatora (Cartesia / Deepgram / ElevenLabs)
- Wybór głosu: Wybierz konkretny głos, aby określić ton i styl
- Czas oczekiwania na ciszę: Ustaw opóźnienie przed ponownym zapytaniem/końcem połączenia (Domyślnie 30s)
- Tryb pierwszej wiadomości: Przełącz między Bot mówi pierwszy lub czeka na użytkownika
- Hałas w tle: Dodaj dźwięk otoczenia (biuro, call center) dla realizmu
- Zapytanie i kontekst: Pole na niestandardowe zapytania LLM (pełny przepływ rozmowy) - Wsparcie dla przesyłania przykładowych dialogów do nauki few-shot + eksport do nauki/żywienia modelu

2. Zarządzanie leadami i połączeniami (Interfejs webowy)
- Przesyłanie i usuwanie list kontaktów (CSV lub ręczne wprowadzenie)
- Kontrola połączeń w czasie rzeczywistym w przeglądarce: Rozpocznij, Wstrzymaj, Zatrzymaj
- Automatyczne nagrywanie połączeń powiązane z każdym leadem

3. Raportowanie i analizy
Dane dotyczące połączenia obejmują:
- Podsumowanie połączenia generowane przez AI
- Czas trwania połączenia
- Pełne nagranie audio
- Przetłumaczona transkrypcja (tłumaczenie rozmowy na język angielski)

4. Integracje i telekomunikacja
- Połączenia WebRTC bezpośrednio z przeglądarki
- Integracja z zewnętrznymi trunkami SIP (IP&IP SIP BASED) oraz Asterisk

5. Wymagania techniczne
- Latencja end-to-end musi wynosić 800 ms lub mniej
- Powiadomienia Telegram o rozpoczęciu, zakończeniu połączenia i dostarczeniu wyników
- Rekomendacja serwera i wskazówki dotyczące konfiguracji w celu osiągnięcia celów wydajnościowych

Preferowany stos technologiczny:
- Backend: Python (FastAPI / Django / Flask)
- Frontend: React, Vue lub podstawowy HTML/JS
- AI:
- Lokalny LLM jako główny silnik rozumowania (Llama, Deepseek, Gemma) – deweloper musi wybrać i zoptymalizować najbardziej odpowiedni model pod kątem szybkości i jakości.
- Chmurowe API dla niskolatencyjnego STT/TTS (Deepgram, Cartesia, Gemini, ElevenLabs) w celu zapewnienia wydajności.

Idealny kandydat:
Doświadczony programista full-stack z wiedzą na temat organizowania złożonych procesów głosowych oraz umiejętnością właściwego wyboru najbardziej optymalnych, najszybszych i najtańszych modeli dla każdego komponentu (STT, lokalny LLM, TTS) w oparciu o konkretne przypadki użycia i wymagania.

• Start: jak najszybciej (ASAP)
• Budżet stały: $1000 (możliwość uzasadnionego zwiększenia budżetu) с фул сорсами
• Długoterminowa współpraca:
  Rozważamy również kandydatów, którzy będą dostępni do płatnego wsparcia i przyszłych ulepszeń projektu po dostarczeniu początkowego MVP.

Proszę uwzględnić w swojej propozycji:

• Linki lub opisy podobnych wcześniejszych prac (wywołania AI, boty głosowe)

• Potwierdzenie, że możesz niezależnie wybrać i uzasadnić LLM + STT + TTS

• Termin, do którego możesz dostarczyć działający proces z latencją ≤ 800 ms

języki komunikacji: UA RU EN

*Wymienione nazwy LLM to tylko przykłady z mojego doświadczenia. Jeśli znasz lepsze, szybsze lub tańsze rozwiązania dla tego zadania, śmiało je zasugeruj. Szukamy zmotywowanego kandydata do długoterminowej współpracy z odpowiednim wynagrodzeniem finansowym.