تصور کنید فرزند چهارسالهی شما بتواند هر شب داستانی را بشنود که شخصیتها، مکانها و حتی نام خود او در آن گنجانده شده است. این رویای شخصیسازی، حالا با استفاده از مدل Gemini-3.1-Flash-TTS-Preview در یک اسباببازی فیزیکی محقق شده است. یک توسعهدهنده توانسته است یک جعبه داستان فیزیکی را به یک تئاتر هوش مصنوعی شخصیسازی شده تبدیل کند. او با دور زدن اکوسیستم بستهی دستگاه Lunii، یک خط لولهی یکپارچه ایجاد کرده است که از یک پرامپت ساده شروع شده و به یک کارت صوتی فیزیکی برای یک کودک چهارساله ختم میشود.
این پروژه در حالی رخ میدهد که هوش مصنوعی از محیطهای چت ساده به سمت تجربههای سختافزاری یکپارچه حرکت میکند. همانطور که در تحلیل قبلی ما دربارهی دسترسی Gemini به دادههای Workspace اشاره کردیم، گوگل در حال گسترش کاربردهای مدلهای خود است؛ اما این بار با یک کاربرد خلاقانه در لبهی تکنولوژی روبرو هستیم. این پروژه نشان میدهد چگونه میتوان AI را از یک دستیار دیجیتال به یک تولیدکنندهی محتوا برای سختافزارهای آفلاین و بدون صفحه نمایش تبدیل کرد.
زمینهی پروژه
این ایده در اواخر جولای ۲۰۲۶ و در یک دورهی تعطیلات خانوادگی شکل گرفت. هدف توسعهدهنده، یافتن راهی برای سرگرم کردن پسر چهارسالهاش، بهویژه در سفرهای طولانی با ماشین بود. خانواده پیش از این دستگاه Tonie story box را امتحان کرده بودند، اما کودک در آرام ماندن و گوش دادن به داستانهایی که توسط شخصیتهای قرار گرفته روی دستگاه پخش میشد، دچار مشکل بود.
در این میان، دستگاه Lunii به دلیل قابلیت جابهجایی بیشتر و امکان استفاده از هدفون، جایگزین بهتری بود. اگرچه این دستگاه اجازه ضبط دستی صدا را میدهد، اما توسعهدهنده فرصتی دید تا فراتر از تخیلات انسانی حرکت کند. او قصد داشت با استفاده از هوش مصنوعی، شخصیتها و قلمروهایی را کاوش کند که شاید یک والد هرگز به فکر خلق آنها نمیافتاد.
به نقل از گزارشی در وبسایت dev.to که در ۱۹ اوت ۲۰۲۶ منتشر شد، این سیستم برای پر کردن شکاف بین هوش مصنوعی ابری و سختافزار محلی، بر یک پشتهی فنی خاص تکیه دارد. توسعهدهنده از فریمورک Quarkus و افزونهی Quinoa برای ساخت منطق فرانتاند و بکاند این برنامه استفاده کرده است.
خط لولهی تولید محتوا
این اپلیکیشن اجازه میدهد داستانها بهصورت تصادفی یا بر اساس یک پرامپت مشخص تولید شوند. این پرامپت شامل سه عنصر اصلی است: یک شخصیت، یک مکان و یک زمینه (Context). همچنین برای ایجاد یک «سری» داستانی، توسعهدهنده قابلیت ذخیرهی شخصیتهای خاصی را که توسط کودک درخواست شده بودند، در داخل برنامه پیاده کرد.
جزئیات فنی تولید محتوا به شرح زیر است:
- روایت: برنامه از مدل gemini-3.5-flash-lite برای تولید متن داستانها در دو فرمت استفاده میکند: داستانهای کوتاه (حدود دو دقیقه شنیداری) و داستانهای بلند (بیش از پنج دقیقه).
- بصری: مدل تولید تصویر Nano Banana وظیفهی خلق تصویرسازیهایی را بر عهده دارد که همراه با داستانها ارائه میشوند.
- صوتی: مدل gemini-3.1-flash-tts-preview متن را با ظرافتهای احساسی به گفتار تبدیل میکند. پس از تنظیمات دقیق، صدای فرانسوی این مدل به گونهای بهینهسازی شد تا برای هر دو گروه والدین و کودکان، کاملاً طبیعی به نظر برسد.
یکپارچهسازی با سختافزار
یکپارچهسازی با جعبهی Lunii به دلیل استفادهی دستگاه از یک فرمت اختصاصی و اکوسیستم بسته، نیازمند یک راهکار جایگزین (Workaround) بود. توسعهدهنده یک پروژهی متنباز جاوا به نام Studio را پیدا کرد که توسط marian-m12l ایجاد شده و توسط جامعهای از توسعهدهندگان که نسخههای سختافزاری Lunii را ردیابی میکنند، نگهداری میشود.
فرآیند ادغام در سه مرحله صورت گرفت:
- فرآیند اولیه: توسعهدهنده ابتدا پروژهی Studio را کامپایل کرد و از رابط گرافیکی آن برای وارد کردن فایلهای MP3 و تصاویر استفاده کرد تا نسخهای سازگار با Lunii تولید شود و سپس آن را روی کارت حافظه جعبه داستان کپی کرد.
- یکپارچگی عمیق: برای سادهسازی گردش کار، توسعهدهنده ماژولهای core، drive و metadata پروژهی Studio را مستقیماً در اپلیکیشن جاوا ادغام کرد.
- گردش کار نهایی: این ادغام نیاز به اجرای دو برنامهی مجزا را از بین برد. اکنون کاربران میتوانند با چند کلیک، یک داستان تولید کنند، فایل MP3 را بسازند، فایل zip مورد نیاز را آماده کنند و آن را به دستگاه منتقل نمایند.
نتایج و پیامدها
با ادغام مستقیم ماژولهای پروژهی Studio در اپلیکیشن جاوا، نیاز به نرمافزارهای واسط حذف شد. نتیجهی نهایی این است که کاربر میتواند در کمترین زمان ممکن، داستانی را تولید کرده و آن را روی کارت SD جعبه داستان کپی کند.
این پیادهسازی، ارزش هوش مصنوعی را از «بازیابی اطلاعات» به «تجربهی احساسی» تغییر میدهد. برای کاربر نهایی — که در اینجا یک کودک است — «اثر شگفتانگیز» (Wow effect) زمانی رخ میدهد که هوش مصنوعی نام خود کودک را در دل روایت میگنجاند. این سطح از شخصیسازی چیزی است که کتابهای داستان ایستا هرگز نمیتوانند با آن رقابت کنند.
برای والدین و علاقهمندان به تکنولوژی، این پروژه ثابت میکند که ماهیت «بسته» اسباببازیهای هوشمند تنها یک مانع موقتی است. با افزایش عمق احساسی مدلهای TTS، توانایی تولید محتوای صوتی شخصیسازی شده و باکیفیت، احتمالاً منجر به موجی از «مادینگ» (AI-modding) در لوازم الکترونیکی کودکان خواهد شد. البته باید توجه داشت که این یکپارچهسازی خارج از اکوسیستم رسمی Lunii عمل میکند و ممکن است با شرایط خدمات (Terms of Service) این برند در تضاد باشد.
توسعهدهندگان علاقهمند میتوانند پیادهسازی کامل این پروژه را در گیتلاب بررسی کنند تا ببینند API جمینای چگونه با ماژولهای متادیتای پروژهی Studio تعامل دارد.
گام بعدی شما
- بررسی مدلهای TTS جدید برای یافتن صداهایی با تکیه بر احساسات (Emotional Prosody).
- مطالعهی پروژهی Studio در گیتلاب برای درک نحوه تبدیل فرمتهای صوتی به سختافزارهای بسته.
- آزمایش ترکیب مدلهای زبانی کوچک (SLM) برای تولید محتوای آفلاین در دستگاههای لبه.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell و آینده استنتاج لبه مراجعه کنید.
گفتگو