Aplikace modelů umělé inteligence pro vytvoření interagujícího avatara

Abstract

Tato bakalářská práce se zabývá návrhem a implementací demonstrační aplikace interagujícího avatara využívajícího modely umělé inteligence pro obousměrnou hlasovou komunikaci s uživatelem. Práce se zaměřuje na integraci technologií převodu řeči na text (ASR), zpracování přirozeného jazyka pomocí velkých jazykových modelů s využitím přístupu retrieval-augmented generation (RAG) a syntézy řeči (TTS) pro generování odpovědí. Součástí práce je také návrh systémové architektury podporující efektivní přenos dat mezi jednotlivými komponentami aplikace.

V praktické části je implementována aplikace obsahující 2D/3D avatara schopného základní vizuální artikulace a jednoduchých pohybových reakcí. Dále jsou analyzovány dostupné technologie z hlediska kvality, latence a dostupnosti. Výsledné řešení je experimentálně vyhodnoceno s ohledem na přesnost rozpoznávání řeči, kvalitu generovaných odpovědí, rychlost odezvy systému a uživatelskou zkušenost.

This bachelor’s thesis focuses on the design and implementation of a demonstration application of an interactive avatar utilizing artificial intelligence models for bidirectional voice communication with a user. The work concentrates on the integration of speech-to-text (ASR) technologies, natural language processing using large language models with the application of retrieval-augmented generation (RAG), and text-to-speech (TTS) synthesis for response generation. The thesis also includes the design of a system architecture supporting efficient data flow between individual application components.

The practical part presents the implementation of an application featuring a 2D/3D avatar capable of basic visual articulation and simple motion responses. Furthermore, available technologies are analyzed in terms of quality, latency, and availability. The resulting solution is experimentally evaluated with respect to speech recognition accuracy, the quality of generated responses, system response time, and overall user experience.