Sari la conținut

Vocea ta e de ajuns.

Unii oameni știu exact ce vor să spună, dar cei din jur nu îi înțeleg.

Grai ajută persoanele cu dificultăți de vorbire să comunice mai ușor și mai natural, folosind modele AI personalizate.

  • Ascultă
  • Citește buzele
  • Rostește clar
Vezi cum funcționează Contactează-ne

Ești la expoziția DPIT 2026? Vino la standul Grai și vezi aplicația live.

Pentru sunet, apasă pe iconița difuzorului.
Portretul lui Tudor, zâmbind, la o masă în aer liber.
Tudor24 de ani, Oradea

Știe ce vrea să spună. Nu este înțeles.

Tudor e din Oradea și lucrează în IT. Știe exact ce vrea să spună, dar mușchii vorbirii nu îl ascultă. Asta se numește dizartrie.

În dizartrie, mesajul se formează clar în minte, dar mușchii buzelor, ai limbii și ai corzilor vocale nu îl mai pot rosti limpede. Cei din jur înțeleg greu cuvintele, iar o conversație obișnuită devine un efort pentru ambele părți.

Cauze frecvente

  • accidentul vascular cerebral (AVC)
  • boala Parkinson
  • scleroza laterală amiotrofică (ALS)
  • scleroza multiplă

Câți oameni trăiesc cu dizartrie

83.075cazuri noi de boli cerebrovasculare în România, într-un singur an (2023)

până la 58%dintre cei care fac un AVC au dizartrie

  • ≈ 3,2 mil.împreună cu restul Europei
  • ≈ 1,5 mil.împreună cu vorbitorii de engleză
  • 67.500în România
Oameni cu dizartrie de durată, estimare cumulată

Surse: Ministerul Sănătății / INSP (2023), ASHA. Estimările sunt calculate de noi pe baza datelor publicate de Agerpres, CDC, Stroke Association, SAFE și alte surse.

Cum funcționează

Grai folosește doar camera și microfonul telefonului. Persoana vorbește, iar aplicația transformă ce a spus într-o voce clară, prin patru pași.

  1. Captează

    Persoana apasă o dată pe microfon, iar telefonul trimite sunetul și imaginea feței către server. Între propoziții nu mai trebuie apăsat nimic: o pauză scurtă îi arată aplicației că propoziția s-a încheiat.

  2. Înțelege

    Un model transformă vorbirea în text și propune până la cinci variante. Un al doilea model recunoaște fraza din mișcarea buzelor și a feței.

  3. Verifică

    Fuziunea compară cele două rezultate. Dacă imaginea arată sigur o altă frază dintre cele auzite, aplicația întreabă: „Ai vrut să spui…?”

  4. Rostește

    Textul apare pe ecran, iar o voce sintetizată îl rostește clar, în limba română.

Ecranul principal al aplicației Grai: un buton mare cu microfon și textul „Vocea ta e de ajuns. Apasă pe microfon când ești pregătit.”
Ecranul de conversație din aplicația Grai: camera urmărește fața, iar sub ea apare textul înțeles, „Să fiu înțeles.”, și butonul de oprire.
Două ecrane din aplicația Grai: ecranul principal și ecranul din timpul unei conversații.

≈ 1,3 secunde trec, de obicei, de la ultimul cuvânt până la vocea sintetizată. Din acest timp, 0,9 secunde sunt pauza după care aplicația știe că propoziția s-a terminat.

  • Conversațiile nu se înregistrează. Sunetul și imaginea sunt procesate în memorie și nu se salvează.
  • Textul rămâne doar dacă vrei. O conversație se păstrează numai dacă alegi să o salvezi.
  • Grai nu inventează. Afișează exact ce a auzit sau, dacă recunoaște una dintre frazele învățate, forma ei corectă.

Tehnologia din spate

Peste 900 de teste automate

Aplicația de pe telefon comunică cu un server pe care rulează modelele de inteligență artificială. Schema arată drumul unei propoziții, de la microfon până la vocea sintetizată.

Aplicația trimite sunetul către modelul audio și imaginea către modelul video. Cele două rezultate ajung la fuziune, apoi la sinteza vocală. Aplicația își păstrează datele în Supabase.
AplicațiaReact NativeExpo, pentru Android și iOS
DateSupabasePostgreSQL, servere în Frankfurt (UE)
AudioWav2Vec2 + KenLMantrenat pe vorbire dizartrică
VideoMediaPipe + RidgeClassifier468 de puncte ale feței
FuziuneAudio + videoplus poarta buzelor
VoceaPiper TTSvoce în limba română

Audio decide, video verifică

Vocea pornește imediat, pe baza textului auzit. Modelul video confirmă rezultatul sau, doar atunci când este sigur, propune o altă variantă dintre cele auzite.

De ce Wav2Vec2 și nu Whisper

Whisper scrie fluent, dar poate produce o propoziție pe care omul nu a rostit-o. Într-o aplicație care vorbește în numele cuiva, un text inventat este mai grav decât o greșeală vizibilă.

Poarta buzelor

Dacă fața se vede clar, dar gura nu s-a mișcat, propoziția aparține altcuiva din încăpere și nu este rostită.

De ce un server

Modelul audio are aproximativ 1,2 GB, prea mult pentru un telefon. Modelele rulează pe un calculator cu placă video, iar telefonul se conectează la el printr-o legătură criptată.

Rezultate

Am testat modelele pe 160 de rostiri ale lui Tudor pe care nu le auziseră la antrenare: ultimele două repetări ale fiecăreia dintre cele 80 de fraze.

Acuratețea pe cuvinte
  1. 26,05%Modelul de pornire
  2. 85,6%Antrenat pe vocea lui Tudor
  3. 92,33%+ model de limbă
  4. 93,72%+ cele 80 de fraze

Modelul de limbă alege cuvintele care formează o frază corectă în română. În ultimul pas, cele 80 de fraze învățate sunt favorizate, dar aplicația poate scrie și cuvinte noi.

144 din 160de fraze au fost recunoscute corect doar din mișcarea buzelor, fără sunet.

71%dintre frazele de test au fost confirmate de fuziune, fără niciun dezacord între sunet și imagine (106 din 150).

„Aplicația mi se pare utilă și cred că va fi așa pentru mulți oameni, având un impact real.”

Tudor

Toate rezultatele sunt obținute pe o singură voce, a lui Tudor. Ca Grai să funcționeze și pentru alți oameni, urmează etapa de personalizare: aplicația va învăța vorbirea fiecărui utilizator nou.

De la idee la aplicație

Până acum

  1. iunieIdeeaAm observat că nu există o aplicație în română pentru vorbirea dizartrică.
  2. iuliePlanulAm stabilit ce trebuie să conțină prima versiune a aplicației.
  3. 5 augustCentroKineticNe-am întâlnit cu echipa CentroKinetic și am validat ideea și nevoia reală pentru o astfel de aplicație.
  4. 28 august800 de înregistrăriTudor a rostit 80 de fraze, fiecare de câte zece ori, cu sunet și imagine.
  5. septembrieModelele AIAm antrenat modelele pentru voce și pentru mișcarea buzelor.
  6. octombriePrima versiune funcționalăAplicația recunoaște vorbirea lui Tudor și o rostește clar, pe telefon.

Ce urmează

  1. Idee, date și prima versiune2026
  2. 4Follow-up cu CentroKineticfinal 2026Vedem dacă interesul pentru Grai se menține și cum putem colabora mai departe.
  3. 5Personalizareînceput 2027Aplicația învață singură vorbirea fiecărui utilizator nou.
  4. 6Lansareprimăvara 2027Grai devine disponibil în România.
  5. 7ViziuneVocea ta2027–2028Grai vorbește cu vocea omului, păstrată din înregistrările lui.
  6. 8Alte limbi2028Întâi engleza, apoi restul Europei.

Echipa

Suntem șase elevi pasionați de software și hardware. Am construit Grai în programul DPIT 2026 – Descoperă Pasiunea în IT, cu sprijinul mentorilor de la Wolfpack Digital.

  • Greab DavidBackend & QA
  • Mocan RaulAI Team Lead & Computer Vision
  • Geapana AlexIntegration, Machine Learning & Speech AI
  • Chiriac AlexiaMarketing & Media, Backend
  • Popa DavidFull-Stack Developer
  • Muntean MariaFrontend & UI/UX Design

Mulțumiri

Tudor

Tudor ne-a oferit 800 de înregistrări: 80 de fraze, fiecare rostită de zece ori. Datorită lui, modelele Grai au învățat din vorbire dizartrică reală, nu dintr-una simulată.

Wolfpack Digital

Echipa Wolfpack Digital ne-a fost mentor pe tot parcursul programului DPIT 2026.

Contactează-ne

Pentru întrebări despre aplicație, propuneri de colaborare sau dacă vrei să testezi Grai, ne poți scrie pe e-mail, pe Instagram sau pe Facebook.