Àkàndé: GPT-alapú hangasszisztens vezetőknek

TL;DR. Az Àkàndé egy nyílt forráskódú Python hangasszisztens, amely az OpenAI Whisper beszédfelismerést, a GPT-4 chat completions szolgáltatást és egy helyi SQLite válasz-gyorsítótárat fűz össze egyetlen hangvezérelt munkafolyamattá: PDF-összefoglalókat készít a beszélgetési előzményekből, és minden tárolt adatot helyben tart.

Points clés

A folyamat áttekintése. Egyetlen Àkàndé-interakció a következő sorrendet követi:.
OpenAI-integráció: Chat Completions és Whisper. Az Àkàndé mind a beszédfelismeréshez, mind a szöveggeneráláshoz az openai Python SDK-t használja.
SQLite válasz-gyorsítótár. A gyorsítótár sémája minimális:.
PDF-összefoglaló generálása. A PDF-export az fpdf2 könyvtárat használja, egy karbantartott, bináris függőségek nélküli Python PDF-könyvtárat:.

Vezetői összefoglaló / Legfontosabb tanulságok

Az Àkàndé ⧉ egy nyílt forráskódú Python hangasszisztens, amely az OpenAI Whisper beszéd-szöveg átalakítást, a GPT-4 chat completions szolgáltatást, egy helyi SQLite válasz-gyorsítótárat és az fpdf2 PDF-exportot egyetlen hangvezérelt munkafolyamattá fűzi össze, amelyhez nincs szükség felhőalapú tárolásra és helyi MI-modellsúlyokra.

Az SQLite gyorsítótár a normalizált lekérdezési karakterláncok SHA-256 hasheit tárolja, nyers API-válaszszöveghez rendelve; a gyorsítótár-találatok nulla tokenbe kerülnek, és 10 ms-nál rövidebb idő alatt térnek vissza, így az ismételt lekérdezések (például egy megbeszélés korábbi döntésének áttekintése) lényegében ingyenesek.

A többfordulós beszélgetést a messages lista memóriában való felépítése és minden Chat Completions API-hívásnál való átadása tartja fenn: a modell megkapja a teljes munkamenet-előzményt, így hivatkozhat a korábbi váltásokra, cserébe fordulónként fokozatosan növekvő tokenhasználatért.

A PDF-összefoglaló generálása a munkamenet messages listáját formázott fpdf2 dokumentummá szerializálja: a felhasználói és az asszisztensi fordulók címkézve vannak, időbélyegek kerülnek beszúrásra, az automatikus lapozás pedig bármilyen hosszúságú munkamenetet kezel; a fájl a helyi fájlrendszerbe íródik, nem töltődik fel.

Adatvédelmi határ: csak az élő lekérdezés (és a munkamenet-előzmény a kontextusablak határáig) hagyja el az eszközt; semmilyen hangfelvétel, átirat vagy gyorsítótárazott válasz nem kerül elküldésre az OpenAI API-ján kívül más távoli szolgáltatásnak.

Az Àkàndé ⧉ egy nyílt forráskódú Python hangasszisztens, amely három egymással kombinálható komponensre épül: az OpenAI Whisperre a beszédfelismeréshez, a GPT-4 Chat Completions API-ra a nyelvi megértéshez és -generáláshoz, valamint egy helyi SQLite adatbázisra a válaszok gyorsítótárazásához és a munkamenet megőrzéséhez. Az eredmény egy hangvezérelt munkafolyamat, amely laptopon futtatható helyi modellsúlyok, offline tárolási infrastruktúra vagy konténer-verem nélkül.

Ez a cikk bemutatja az egyes komponensek műszaki architektúráját, a gyorsítótárazással és a többfordulós kontextussal kapcsolatos tervezési döntéseket, valamint a PDF-export folyamatát.

A folyamat áttekintése

Egyetlen Àkàndé-interakció a következő sorrendet követi:

Hangrögzítés: a felhasználó beszél; az alkalmazás a sounddevice vagy egy kompatibilis hangkönyvtár segítségével egy ideiglenes WAV-fájlba rögzíti a hangot.
Beszéd-szöveg átalakítás: a WAV-fájl az openai.audio.transcriptions.create() hívásnak (Whisper API) kerül átadásra; az átirat egyszerű karakterláncként tér vissza.
Gyorsítótár-keresés: az átirat normalizálásra kerül (kisbetűssé alakítva, a szóközök összevonásával) és SHA-256 hasht kap; a hasht a program a helyi SQLite response_cache táblájában keresi meg.
API-hívás vagy gyorsítótár-találat: hiány esetén az átirat hozzáfűződik a munkamenet messages listájához, és elküldésre kerül az openai.chat.completions.create() hívásnak; a válaszszöveg a gyorsítótárba kerül.
Szövegfelolvasás: a válaszszöveg az openai.audio.speech.create() végpont (TTS) vagy egy helyi TTS-könyvtár segítségével hanggá alakul, és lejátszásra kerül.
PDF-export (igény szerint): a teljes messages lista formázott fpdf2 dokumentummá szerializálódik, és lemezre íródik.

OpenAI-integráció: Chat Completions és Whisper

Az Àkàndé mind a beszédfelismeréshez, mind a szöveggeneráláshoz az openai Python SDK-t használja. A Whisper átírási hívás:

with open(audio_file_path, "rb") as f:
    transcript = openai.audio.transcriptions.create(
        model="whisper-1",
        file=f,
        language=None  # automatikus felismerés
    )
user_text = transcript.text

A Chat Completions hívás egy munkamenet-hatókörű messages listát tart fenn:

messages.append({"role": "user", "content": user_text})

response = openai.chat.completions.create(
    model="gpt-4-turbo-preview",
    messages=messages,
    temperature=0.2,
    max_tokens=1024
)

assistant_text = response.choices[0].message.content
messages.append({"role": "assistant", "content": assistant_text})

A rendszerpromptot a munkamenet indításakor egyszer fűzi az elejére, és ez vezérli az Àkàndé perszónáját, a kimeneti formátumot és minden tartományspecifikus megkötést:

messages = [
    {
        "role": "system",
        "content": (
            "You are Àkàndé, a concise executive assistant. "
            "Respond in plain prose. Do not use markdown. "
            "If asked to summarise, produce three bullet points maximum."
        )
    }
]

A temperature=0.2 beállítás a kreatív változatosságot a determinizmusra cseréli, ami fontos az olyan tényszerű lekérdezéseknél, mint egy korábbi munkamenet-döntés felidézése.

SQLite válasz-gyorsítótár

A gyorsítótár sémája minimális:

CREATE TABLE IF NOT EXISTS response_cache (
    query_hash  TEXT PRIMARY KEY,
    response    TEXT NOT NULL,
    created_at  INTEGER NOT NULL  -- Unix időbélyeg
);

A keresési és írási útvonal:

import hashlib, sqlite3, time

def _normalise(text: str) -> str:
    return " ".join(text.lower().split())

def cache_get(conn: sqlite3.Connection, query: str) -> str | None:
    h = hashlib.sha256(_normalise(query).encode()).hexdigest()
    row = conn.execute(
        "SELECT response FROM response_cache WHERE query_hash = ?", (h,)
    ).fetchone()
    return row[0] if row else None

def cache_set(conn: sqlite3.Connection, query: str, response: str) -> None:
    h = hashlib.sha256(_normalise(query).encode()).hexdigest()
    conn.execute(
        "INSERT OR REPLACE INTO response_cache VALUES (?, ?, ?)",
        (h, response, int(time.time()))
    )
    conn.commit()

Az INSERT OR REPLACE biztosítja, hogy egy gyorsítótárazott válasz frissüljön, ha ugyanaz a lekérdezés egy modellfrissítés után újra beérkezik. Egy TTL-alapú eltávolítási lekérdezés (DELETE WHERE created_at < ?) indításkor ütemezhető a gyorsítótár méretének korlátozására.

Gyorsítótár-találati teljesítmény: egy helyi SSD-n futó SQLite-keresés 1 ms-nál rövidebb idő alatt tér vissza akár ~100 000 sort tartalmazó tábláknál is. Egy élő GPT-4 API-hívás oda-vissza késleltetése rövid válaszok esetén jellemzően 600–900 ms. Egy napi eligazításnál, amely néhány ismételt lekérdezést tartalmaz, a gyorsítótár az első munkamenet után az API-hívások többségét kiküszöböli.

PDF-összefoglaló generálása

A PDF-export az fpdf2 könyvtárat használja, egy karbantartott, bináris függőségek nélküli Python PDF-könyvtárat:

from fpdf import FPDF
from datetime import datetime

def export_session_pdf(messages: list[dict], output_path: str) -> None:
    pdf = FPDF()
    pdf.add_page()
    pdf.set_font("Helvetica", size=11)
    pdf.set_margins(20, 20, 20)

    pdf.set_font("Helvetica", "B", 14)
    pdf.cell(0, 10, f"Àkàndé Session — {datetime.now():%Y-%m-%d %H:%M}", ln=True)
    pdf.ln(4)

    for msg in messages:
        if msg["role"] == "system":
            continue
        label = "You" if msg["role"] == "user" else "Àkàndé"
        pdf.set_font("Helvetica", "B", 10)
        pdf.cell(0, 6, label, ln=True)
        pdf.set_font("Helvetica", size=10)
        pdf.multi_cell(0, 5, msg["content"])
        pdf.ln(3)

    pdf.output(output_path)

A multi_cell() kezeli a sortörést és az automatikus oldaltöréseket, így bármilyen hosszúságú munkamenet jól formázott dokumentumot eredményez manuális lapozási logika nélkül. A kimenet egy PDF/A-kompatibilis fájl, amely a szabványos Helvetica-metrikákon túl nem tartalmaz beágyazott betűtípusokat.

Adatvédelmi modell

Az Àkàndé adatvédelmi határát három tény határozza meg:

A hang HTTPS-en keresztül kerül a Whisper API-hoz, és az OpenAI az API-híváson túl nem őrzi meg (az OpenAI 2024. februári API-adathasználati szabályzata szerint).
A Chat Completions API-hívások továbbítják a munkamenet messages listáját, amely többfordulós munkameneteknél a teljes beszélgetési előzményt tartalmazhatja.
Az SQLite adatbázis és a PDF-fájlok teljes egészében a helyi fájlrendszerben találhatók; semmilyen háttérszinkronizáció nem történik felhőszolgáltatással.

Az érzékeny témákat érintő vezetői felhasználási esetekben, mint az M&A-tárgyalások, személyzeti ügyek vagy szabályozási stratégia, az API-nak továbbított munkamenet-előzményt a bevezetés előtt felül kell vizsgálni a szervezet MI-használati szabályzatával szemben. A rendszerpromptra vonatkozó max_tokens korlát felhasználható arra, hogy megakadályozza a szándékolt nyilvánosságra hozatali körön túlmutató kontextus véletlen továbbítását.

Gyakran ismételt kérdések

Megőrzi az Àkàndé a beszélgetési előzményeket a munkamenet befejezése után? A memóriában tárolt messages lista a folyamat kilépésekor törlődik. A beszélgetési előzmény csak akkor marad meg, ha a felhasználó PDF-exportot indít, vagy ha egyéni megőrzési réteget adnak hozzá. Az SQLite gyorsítótár a lekérdezési hasheket és a válaszszöveget tárolja, nem a teljes beszélgetési kontextust.

Hogyan kezeli a gyorsítótár a hasonló, de nem azonos lekérdezéseket? A gyorsítótár pontos egyezésű hashelést használ a normalizált lekérdezési karakterláncon. Két lekérdezés, amely egyetlen szóban tér el, eltérő hasheket eredményez, és külön API-hívásokat von maga után. A szemantikus gyorsítótárazás (beágyazási hasonlóság használata a közel duplikált lekérdezések egyeztetésére) egy további vektorkeresési lépést igényelne, és nem része az alap implementációnak.

Milyen GPT-modellt használ az Àkàndé alapértelmezés szerint? Az alapértelmezett a gpt-4-turbo-preview 2024 februárjában. A modell neve konfigurációs paraméter, így bármely OpenAI chat completion modell behelyettesíthető. A gpt-3.5-turbo-ra váltás tokenenként körülbelül 20-szorosára csökkenti az API-költséget, de rontja az érvelési minőséget összetett, többlépéses lekérdezéseknél.

Testreszabható a PDF-export formátuma? Igen. Az fpdf2 exportfüggvény egyetlen kötelező bemenetként a messages listát fogadja, így a betűtípus, a margók, az oldalméret, a fejléc tartalma és a címkézés mind módosítható az exportfüggvény szerkesztésével. Az fpdf2 támogatja képek, táblázatok és Unicode-betűtípusok hozzáadását is, ami gazdagabb dokumentumelrendezéseket tesz lehetővé az egyedi arculati követelményekkel rendelkező szervezetek számára.

Hivatkozások

OpenAI. Audio Transcriptions — Whisper API. OpenAI Platform Documentation, 2024. https://platform.openai.com/docs/api-reference/audio/createTranscription
OpenAI. Chat Completions API. OpenAI Platform Documentation, 2024. https://platform.openai.com/docs/api-reference/chat/create
Voss, J. et al. fpdf2: Modern PDF generation for Python. GitHub, 2024. https://github.com/py-pdf/fpdf2
SQLite Consortium. SQLite Documentation. sqlite.org, 2024. https://www.sqlite.org/docs.html

Utolsó felülvizsgálat 2026-07-14.

A cikk újraközlése

Àkàndé: GPT-alapú hangasszisztens vezetőknek — Sebastien Rousseau

Az Àkàndé egy nyílt forráskódú Python hangasszisztens, amely az OpenAI Whisper beszédfelismerést, a GPT-4 chat completions szolgáltatást és egy helyi SQLite válasz-gyorsítótárat fűz össze egyetlen hangvezérelt munkafolyamattá: PDF-összefoglalókat készít a beszélgetési előzményekből, és minden tárolt adatot helyben tart.

Ez a cikk a következő licenc alatt áll: Creative Commons Attribution 4.0 International. Az újraközléshez a kanonikus URL forrásmegjelölése szükséges.

Àkàndé: GPT-alapú hangasszisztens vezetőknek — Sebastien Rousseau

Az Àkàndé egy nyílt forráskódú Python hangasszisztens, amely az OpenAI Whisper beszédfelismerést, a GPT-4 chat completions szolgáltatást és egy helyi SQLite válasz-gyorsítótárat fűz össze egyetlen hangvezérelt munkafolyamattá: PDF-összefoglalókat készít a beszélgetési előzményekből, és minden tárolt adatot helyben tart.

Originally published at https://sebastienrousseau.com/hu/2024-02-12-akande-voice-assistant-revolutionising-personal-and-executive-assistance/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER