Jak jsem si chtěl přečíst knihu...

This text is in czech - I know - its mostly for my czech friends, who asked me about the progress (ye, we have a little fun about my “I just want to read one book” in the pub). GPT can translate it for you 🍻

#Všechno to začalo naprosto nevinně

Chtěl jsem si přečíst knihu. V cizím jazyce. Jenže autor měl zjevně pocit, že bez archaických výrazů a květnatých metafor v každém druhém odstavci jeho dílo postrádá duši. Já měl zase pocit, že bez slovníku nepochopím ani obsah předmluvy (opravdu! - Německé Geschichtsaufarbeitungsprozess je prostě miláček).

„V pohodě,“ řekl jsem si. „Máme 21. století. Hodím to do GPT, ať mi to přeloží s trochou toho žánrového cítění, a za deset minut čtu.“

Jenže GPT mi dalo jasně najevo, co si o mém „velkém souboru“ a mé verzi zdarma myslí. V podstatě mě poslalo někam s tím, že na takové romány nemá náladu ani kontextové okno.

#„Jenom malý skriptík“

Nasral jsem se. Otevřel jsem VS Code a za pár minut vyplivl jednoduchý Python skript. Rozbít text na kusy, poslat to přes API, zase to spojit. Vstupní parametr? Cesta k souboru. Nebo víš co? Uděláme tam rovnou okýnko na výběr souboru, ať to vypadá k světu¹.

#„Když už jsem v tom…“

Když už to umělo překládat, přišlo mi blbý tam nemít volbu jazyka. A když už tam byla volba jazyka, chtělo to i políčko na vlastní prompt, abych mohl modelu vysvětlit, že nechci strojový překlad návodu na pračku, ale atmosférický sci-fi noir. A co když spadne internet? Přidal jsem logiku pro ukládání progresu, aby se dalo pokračovat tam, kde to lehlo.

#„Engine kam se podíváš“

V tu chvíli se ozvalo moje vnitřní inženýrské já: „A co když Gemini dává lepší výsledky? A co DeepL?“ Tak jsem tam přidal podporu pro další enginy. Najednou jsem neměl skript na čtení knihy, ale multimodální překladatelskou platformu.

#„Mělo by to i mluvit, ne?“

U chunkování textu mě napadlo, že od překladu je jen krůček k TTS (Text-to-Speech). Vždyť ty kousky textu už mám připravené! Tak jsem tam přidal modul, co to sype do MP3. Ale číst to musí dávat smysl, takže jsem musel přepsat logiku rozbíjení textu, aby to respektovalo nadpisy a odstavce. Robustnost především.

#„Moderní backend je základ“

Protože spouštět to přes terminál jako nějaký neandrtálec mě přestalo bavit, řekl jsem si, že si vyzkouším GraphQL v Pythonu. Udělal jsem server, který přijímá parametry, volá ty moje skripty, procesuje výstupy a vrací to přes API.

#Aktuální stav: Diagnóza

Knihu jsem stále nepřečetl. Nejsem ani za první kapitolou.

Místo toho teď sedím nad návrhem Frontendové aplikace, která se na to bude připojovat. Samozřejmě tam musím dodělat správu uživatelů a kreditový systém, protože tyhle srandy přes API něco stojí a nehodlám dotovat zbytek světa, až se to rozhodnu releasnout.

Závěr? Chtěl jsem si přečíst knihu. Teď buduju SaaS platformu pro orchestraci AI modelů. Jestli se mi někdy podaří dočíst tu první kapitolu, pravděpodobně k tomu napíšu skript, který tu knihu rovnou zfilmuje… v té době už by to AI mely být schopny udělat dobře.

Kdyby se někdo chtěl k projektu připojit: Zde je GIT repo

… a ano - po cestě jsem se naučil mnoho zajímavých věcí: Strawberry lib, nuance v modelech pro COQUI, jak klonovat hlas, pracovat s Google AI studio² a jak otravné je vyvýjet, když mi nikdo nešlape na krk s roadmapou :-D