Vox Artificialis

Problem i grupa docelowa

Firmy regularnie aktualizują zapowiedzi telefoniczne: powitania, informacje o kolejce, komunikaty po godzinach, święta, awarie i informacje o nagrywaniu rozmów. Tradycyjny proces wymaga kontaktu ze studiem i lektorem, odsłuchów oraz poprawek, przez co nawet drobna zmiana jest czasochłonna i kosztowna.

Dla kogo: Contact center, recepcje, centrale telefoniczne, instytucje oraz firmy z wieloma oddziałami, które potrzebują szybko aktualizować spójne komunikaty głosowe.

Jak to działa

• Edycja komunikatu z licznikiem znaków i szacowanym czasem nagrania
• Gotowe szablony typowych komunikatów IVR, m.in. powitanie, kolejka i tryb po godzinach
• Pobieranie i wybór głosu z biblioteki ElevenLabs
• Wybór modeli TTS: Flash, Turbo oraz Multilingual
• Eksport do formatów MP3, WAV i u-law 8 kHz używanego przez centrale telefoniczne
• Regulacja stabilności, podobieństwa, ekspresji i wzmocnienia lektora
• Odsłuch wygenerowanego audio i pobranie gotowego pliku

Stack technologiczny

Backend

Python, funkcje serverless Vercel

Frontend

JavaScript ES modules, HTML i CSS bez frameworka

AI / modele

ElevenLabs Text-to-Speech

Dane

Aplikacja bezstanowa, bez trwałego zapisu danych

Bezpieczeństwo

Klucz API przechowywany wyłącznie po stronie serwera

Hosting

Vercel - statyczny frontend i funkcje serverless

Status

Działający publicznie prototyp end-to-end: wpisanie lub wybór treści, pobranie biblioteki głosów ElevenLabs, wybór modelu i parametrów brzmienia, generowanie audio, odsłuch oraz pobranie pliku. Kolejne etapy mogą objąć konta użytkowników, historię komunikatów, billing, rate limiting i monitoring kosztów.

Rezultaty i testy

• Publicznie dostępny MVP realizujący pełną ścieżkę od tekstu do gotowego pliku audio
• Format u-law 8 kHz pozwalający wykorzystać nagranie w systemach telefonicznych
• Bezpieczna architektura, w której klucz ElevenLabs nie trafia do przeglądarki użytkownika

O projekcie

Vox Artificialis powstał, aby uprościć powtarzalny proces aktualizacji komunikatów w infoliniach i centralach telefonicznych. Użytkownik wpisuje własny tekst lub korzysta z gotowego szablonu, wybiera głos i model ElevenLabs, dostosowuje stabilność, podobieństwo oraz ekspresję, a następnie generuje, odsłuchuje i pobiera nagranie w formacie zgodnym z docelowym systemem telefonicznym. Lekka, bezstanowa architektura nie wymaga bazy danych, a klucz API pozostaje wyłącznie po stronie serwera. Dzięki temu funkcjonalny prototyp pokazuje, jak proces wymagający wcześniej studia i lektora można zamienić w szybkie, samoobsługowe narzędzie dostępne z przeglądarki.