Audioprzewodnik AI dla muzeów

Żaden pojedynczy model nie mówi dobrze w każdym języku, więc nie udajemy, że tak jest. Nasz TTS to system z trzema silnikami i inteligentnym wyborem silnika dla każdego języka: Chatterbox Turbo obsługuje angielski z najmniejszym opóźnieniem, Chatterbox Multilingual ponad 20 języków europejskich, a Qwen3-TTS chiński, japoński i koreański. Router sam wybiera właściwy silnik, więc kurator raz klika "generuj", a backend dobiera najlepszą ścieżkę głosu. Żadnego żonglowania modelami, żadnej konfiguracji języków po stronie muzeum.

Surowy wynik modelu nie nadaje się do publikacji, więc zbudowaliśmy pipeline wokół jego typowych błędów. Długie fragmenty dzielimy przed syntezą, żeby modele nie halucynowały i nie odpływały na dłuższym tekście, a każdy kawałek przechodzi obróbkę audio: bramkę szumów i przycinanie ciszy, więc narracja brzmi naturalnie, a nie jak sklejona przez maszynę. Potem część, którą większość pipeline'ów TTS pomija: weryfikacja. Każde nagranie wraca przez Whisper, który zamienia mowę z powrotem na tekst, transkrypcja jest porównywana z oryginalnym skryptem, a każde nagranie z odchyleniami trafia do odsłuchu przez człowieka, zanim usłyszy je zwiedzający. Generowanie jest automatyczne, poprawności nigdy nie zakładamy.

Całość to nasz własny kod na serverless GPU: modele PyTorch sterowane przez kolejki zadań backendu, a nie odsprzedawane zewnętrzne API TTS. Efekt to narracja jakości studyjnej w ponad 20 językach bez lektorów, bez kabin nagraniowych i bez wielomiesięcznej lokalizacji. Muzeum może wypełnić całą wielojęzyczną kolekcję w czasie, w którym kiedyś umawiało jedną sesję nagraniową, a każda minuta opublikowanego audio jest już sprawdzona ze skryptem.

Museo ma wiele powierzchni, które potrzebują jednego źródła prawdy: aplikację dla zwiedzających, która skanuje dzieła, aplikację Ambassador, która wypełnia treści, samoobsługowy panel admina oraz pipeline'y rozpoznawania, opisów i syntezy mowy działające na serwerach GPU. Backend zbudowaliśmy na Bun i Elysia właśnie dlatego, że jest na gorącej ścieżce każdego z nich: na tyle szybki, żeby nie spowalniać rozpoznania w ~100 ms, i na tyle ścisły, żeby szybko rozwijany produkt dla wielu klientów trzymał porządek. Drizzle ORM modeluje dane na PostgreSQL 18, a API jest w pełni typowane od końca do końca przez Eden Treaty i OpenAPI, więc klienci we Flutterze i panel w Next.js korzystają dokładnie z tych kontraktów, które definiuje serwer. Gdy pole zmienia się w backendzie, klienci wiedzą o tym już przy kompilacji, a nie ze zgłoszenia błędu z produkcji.

Museo to platforma SaaS, więc najtwardsza zasada brzmi: żadne muzeum nigdy nie zobaczy danych innego muzeum. Izolacja multi-tenant jest wymuszona w warstwie danych: każde zapytanie jest zawężone do swojego muzeum, więc skan, heatmapa w statystykach czy edycja treści zawsze zostają w granicach właściwego muzeum. Do tego backend przejmuje wspólne sprawy, których reszta systemu nie powinna wymyślać od nowa: Better Auth obsługuje konta i sesje przez Google, Apple i kody jednorazowe (OTP) z tokenami bearer dla aplikacji, PostGIS napędza zapytania geolokalizacyjne za "muzeami w pobliżu" w aplikacji dla zwiedzających, a S3 przechowuje każde zdjęcie i nagranie, które wygeneruje platforma. Jedno miejsce do logowania, jedno do lokalizacji, jedno do przechowywania.

AI to część, która nie może działać synchronicznie, a backend sprawia, że tego nie widać. Rozpoznanie dzieła, napisanie opisu, tłumaczenie i wygenerowanie narracji jakości studyjnej na workerach GPU to wolne, nierówne i podatne na błędy zadania, więc backend puszcza je przez kolejki BullMQ na Redisie, zamiast blokować zapytanie. Kolejkuje pracę, przekazuje ją do pipeline'ów rozpoznawania, opisów i TTS, śledzi stan, ponawia i oddaje wyniki, gdy są gotowe. Dzięki temu kurator raz klika "generuj" i może odejść. Ta sama warstwa kolejek napędza wersjonowanie treści: gdy zmienia się prompt, a opisy albo audio się starzeją, backend wie, co wygenerować na nowo, i to planuje. Aplikacje i usługi AI nigdy nie rozmawiają ze sobą bezpośrednio. Rozmawiają z mózgiem, a mózg trzyma je w synchronizacji.