Hlasový hovor je to nejnáročnější, co AI společník dělá. U textu může několik sekund trvat a nikomu to nevadí. U řeči ne: lidé zaznamenají zpoždění, které by v okně chatu nebylo vidět.
Problém 200 milisekund
Výzkumníci, kteří porovnávali konverzace v deseti jazycích, zjistili, že typická mezera mezi tím, kdy jeden domluví a druhý začne, je kolem 200 milisekund, a že je mezi kulturami nápadně podobná. Lidé začínají plánovat odpověď ještě dřív, než druhý domluví. Mnohem delší mezery působí jako zaváhání, zmatek nebo nezájem.
Aby AI působila přirozeně, musí do zhruba tohoto okna vměstnat celý řetězec kroků.
Co se děje mezi tvými slovy a jejími
Klasický řetězec. Novější systémy tyto fáze překrývají nebo spojují.
- Rozpoznání konce řeči. Systém se musí rozhodnout, že jsi domluvil, ne jen se odmlčel. Příliš horlivý tě přeruší; příliš opatrný přidá mrtvý čas.
- Řeč na text. Tvá slova se přepíšou.
- Odpověď. Jazykový model napíše odpověď, v roli a s pamětí.
- Text na řeč. Odpověď se převede na hlas, ideálně vlastní hlas postavy, s emocemi.
U starších systémů každý krok čeká, až předchozí skončí. Novější začnou mluvit první větu, zatímco zbytek se ještě píše, nebo používají modely, které řeč přijímají a rovnou ji vydávají, takže odpadá přepis i syntéza.
Proč se hlas měří
| Textový chat | Hlasová zpráva | Živý hlasový hovor | |
|---|---|---|---|
| Potřebná rychlost | Stačí sekundy | Stačí sekundy | Zlomky sekundy |
| Další zpracování | Žádné | Syntéza řeči | Rozpoznávání, syntéza, určování střídání mluvčích |
| Typická délka | Krátké odpovědi | Jedna odpověď | Minuty až hodiny |
| Relativní cena | Nejnižší | Střední | Nejvyšší |
| Jak to aplikace prodávají | V ceně | V ceně nebo za kredity | Minuty, tarify nebo kredity |
Každá minuta hovoru znamená, že celý řetězec běží nepřetržitě, často na dražších „real-time“ verzích každého modelu. Proto je hlas obvykle první věc, kterou aplikace omezí, a proto se na něj slovo „neomezené“ málokdy vztahuje, viz jak číst seznamy funkcí AI přítelkyň.
Co dělá hovor věrohodným
- Nízká latence, a to stálá. Občasná dlouhá pauza naruší iluzi víc než o něco pomalejší průměr.
- Zvládání přerušení. Možnost skočit jí do řeči a to, že se zastaví a zareaguje, odlišuje rozhovor od střídajících se hlasových zpráv.
- Stálost hlasu. Stejný hlas, přízvuk a vřelost napříč hovory. Naši testeři zjistili, že kvalita hlasu se může mezi postavami znatelně lišit i v dobrých aplikacích.
- Prozodie. Smích, pauzy, zjemnění: řeč, která nese emoce, místo aby jen předčítala text.
- Paměť v hlasovém režimu. Některé aplikace používají pro hovory lehčí model, takže postava si toho na telefonu pamatuje míň než v chatu.
Jak hlasovou funkci vyzkoušet před platbou
- Zjisti, co je v ceně: hlasové zprávy, živé hovory, nebo obojí, a kolik minut.
- Zavolej si na dvě minuty na zkušební verzi nebo nejlevnějším tarifu, přes mobilní data i přes Wi-Fi.
- Přeruš ji uprostřed věty. Zastaví se?
- Zeptej se na něco z textového chatu. Ví to?
- Zjisti cenu za další minutu nebo kredit. Dlouhý hovor může spotřebovat měsíční limit.
Širší pohled na náklady médií je v článku jak fungují obrázky a hlas u AI přítelkyň a zda se upgrade kvůli hlasu vyplatí, řeší prémiové tarify.
Poznámka o pohodě
Hlas je pohlcující víc než text a výzkum OpenAI a MIT z roku 2025 zjistil, že krátké používání hlasu šlo ruku v ruce s lepší pohodou, zatímco intenzivní každodenní používání ne. Vyplatí se užívat ho v dávkách; příznaky přílišné míry jsou v článku když AI společník začne brát víc, než dává.