Работаю над автоматизацией озвучивания голосовых сцен с использованием AI. Ключевые задачи: Интеграция моделей Whisper (распознавание речи) и Mistral (генерация эффектов) через Ollama. Реализация пайплайна обработки: от .mp3 до финального озвученного файла с наложенными эффектами (result.wav). Генерация текстового сценария и звуковых событий из аудиофайла с помощью AI. Автоматический подбор и наложение звуков из локальной библиотеки с учётом временных меток. Настройка среды и команд управления с использованием Makefile и ffmpeg. Оптимизация скриптов Python (apply_events.py, generate_events.py) для обработки звука и текста. Результат: готовый к использованию инструмент, автоматически превращающий голосовой файл в озвученную сцену с эффектами, пригодный для использования в подкастах, играх и мультимедиа.

Разрабатывал и оптимизировал микросервис для дедупликации событий, используя стек FastAPI, Kafka, Redis, ClickHouse и Bloom-фильтр. Мои задачи включали: Реализацию API-эндпоинта на FastAPI для приёма и отправки событий в Kafka. Настройку асинхронного Kafka Consumer для обработки сообщений. Внедрение логики дедупликации через Redis и Bloom-фильтр с fallback'ом на ClickHouse. Разработку асинхронного взаимодействия с ClickHouse, включая создание и управление таблицами. Проведение нагрузочного тестирования с использованием Locust (232K+ запросов без ошибок, 99% < 280 мс). Обеспечение устойчивого завершения процессов и управления ресурсами при завершении сервиса. Результат: высокопроизводительный микросервис с гарантией обработки только уникальных событий и временем отклика <300 мс в 99% случаев.

Информационные системы и технологии (инженер)

Техническое обслуживание средств вычеслительной техники и компьютерных сетей