NVIDIA-AI-Blueprints/pdf-to-podcast

解決する課題

このプロジェクトは、静的な PDF ドキュメントを魅力的な会話型オーディオポッドキャストに変換するためのフレームワークを提供します。ドキュメントから情報を抽出し、自然な音声に合成するアプリケーションを開発者が作成できるよう設計されており、プライベートネットワーク上で安全に実行できる柔軟性を備えています。

仕組み

このアプリケーションは、NVIDIA NIM マイクロサービスによって駆動されるモジュール式パイプラインを使用します。Docling を使用してターゲットおよびコンテキスト PDF からテキストを抽出し、LLM（Llama 3.1 など）でコンテンツを処理して会話形式のスクリプトを生成し、ElevenLabs のテキスト読み上げサービスを使用してそのテキストを音声に変換します。スタック全体は Docker Compose を介してオーケストレーションされ、ローカル開発や GPU アクセラレーションを備えたインフラストラクチャへのデプロイが可能です。

対象読者

このブループリントは、ドキュメントからオーディオへの変換アプリケーションを構築しようとしている開発者やエンタープライズチームを対象としています。パブリッククラウド API に完全に依存するのではなく、推論コンポーネントをセルフホストできるため、機密データを安全に処理する必要があるユーザーに特に適しています。

ハイライト

• 柔軟な LLM 統合: スクリプト生成のために、さまざまな NVIDIA NIM モデル（Llama 3.1 8B, 70B, または Nemotron 49B）をサポートしています。
• ドキュメント認識: 複数のコンテキスト PDF を取り込み、より正確なコンテンツのためにエージェントに追加の参照資料を提供できます。
• カスタマイズ可能な出力: 単一スピーカーのモノローグと複数人のポッドキャスト形式の両方をサポートしています。
• 本番環境対応のアーキテクチャ: 監視とデバッグのための Jaeger トレースを組み込みでサポートしており、ハードウェアの可用性に応じて拡張または交換可能なモジュール式コンポーネントを備えています。