humanoid4rent
Přihlásit seZískat cenové nabídky

Konverzující roboti: jak funguje rozhovor s jazykovým modelem a kde narážíme na latenci a ochranná pravidla

Mluvící robot řetězí rozpoznávání řeči, jazykový model a syntetický hlas. Každý krok přidává zpoždění i riziko. Takto celý řetězec funguje a proto se skriptovaný a generativní režim na veřejnosti chovají tak odlišně.

Autor: redakce humanoid4rent · zveřejněno 12. listopadu 2026

Když humanoidní robot vede volný rozhovor, obvykle za ním běží řetězec softwaru: rozpoznávání řeči převede slova návštěvníka na text, velký jazykový model (LLM) napíše odpověď a převod textu na řeč jí dá hlas. Každý krok přidává zpoždění a jazykový model může vytvářet sebejisté, ale chybné odpovědi. Proto se skriptovaný a generativní režim před publikem chovají tak odlišně.

Tento výklad popisuje celý řetězec, tři omezení, na která se při akcích narazí nejčastěji (latence, halucinace a filtrování obsahu), a pravidlo transparentnosti v nařízení EU o umělé inteligenci (AI Act), které se týká mluvících strojů.

Základní řetězec: uši, mozek, hlas

Většina konverzačních robotů funguje podle stejného obecného schématu, ať vypadají jakkoli.

  1. Naslouchání. Mikrofony zachytí zvuk. Software musí rozhodnout, kdy člověk začal a kdy přestal mluvit. Tento úkol se nazývá detekce hlasové aktivity.
  2. Rozpoznávání řeči. Zvuk se převede na text, buď přímo v robotu, nebo cloudovou službou.
  3. Jazykový model. Text spolu s pokyny od provozovatele (často se jim říká systémový prompt) se odešle do LLM, který vygeneruje odpověď.
  4. Syntéza řeči. Odpověď se převede zpět na zvuk a přehraje reproduktorem robota, někdy s odpovídajícími gesty.

Zdokumentovaným příkladem je studie Kima, Leeho a Mutlua prezentovaná na konferenci ACM/IEEE Human-Robot Interaction v roce 2024. Podle článku tým provozoval robota SoftBank Pepper s převodem řeči na text od Google Cloud, modelem GPT-3.5 od OpenAI (text-davinci-003) pro odpovědi a vlastním modulem animované řeči robota Pepper pro hlas a gesta.

Řetězená architektura versus přímý převod řeči na řeč

Dnes existuje i druhá architektura. Dokumentace hlasových agentů od OpenAI srovnává řetězený postup (řeč na text, poté model, poté text na řeč) s modelem typu řeč na řeč, který slyší zvuk a odpovídá zvukem v rámci jediné relace. OpenAI popisuje jednomodelovou cestu jako cestu s nižší latencí, ale s menší kontrolou, protože neexistuje mezistupeň v podobě textu, který by šlo prověřit. Řetězenou cestu popisuje jako pomalejší, ale průhlednější, protože každý krok lze zkontrolovat, nahradit nebo odfiltrovat dříve, než cokoli zazní.

U robota ve veřejném prostoru není tento kompromis akademickou otázkou. Řetězený návrh je ten, který provozovateli umožňuje zkontrolovat odpověď podle pravidel ještě předtím, než ji robot řekne nahlas.

Latence: proč robot dělá pauzy

Lidský rozhovor se odehrává ve velmi krátkých odstupech. Srovnávací studie deseti jazyků od Stiverse a kolegů, publikovaná v PNAS v roce 2009, zjistila obecnou snahu vyhnout se překrývání promluv i tichu mezi replikami, přičemž rozdíly mezi průměrnými odstupy v jednotlivých jazycích se pohybovaly v rozmezí zhruba 250 milisekund. Lidé jsou proto citliví na pauzy, kterým se stroj jen obtížně vyhýbá.

U řetězeného robota se zpoždění skládá z několika zdrojů:

  • Detekce konce řeči. Systém musí čekat dostatečně dlouho, aby si byl jistý, že návštěvník domluvil. Průvodce detekcí hlasové aktivity od OpenAI vysvětluje, že výchozí režim dělí zvuk na úseky podle ticha, zatímco novější sémantický režim používá klasifikátor, který podle slov posoudí, zda člověk domluvil. Nastavení „dychtivosti“ (eagerness) vyvažuje rychlejší odpovědi proti riziku, že lidem skočí do řeči.
  • Síťové zpoždění. Cloudové rozpoznávání řeči i cloudové LLM závisí na připojení v místě konání, které bývá na rušných akcích přetížené.
  • Doba generování. Delší odpovědi se tvoří déle a robot nemůže začít mluvit, dokud alespoň část odpovědi neexistuje.
  • Syntéza řeči a plánování gest. Ty před vydáním zvuku přidávají další krok.

Problémy s časováním ovlivňují i chování lidí. Ve studii Kima a kol. účastníci uváděli potíže poznat, kdy mohou k hlasovému agentovi promluvit, a jeden z nich ho označil za útržkovitého a nespojitého. Studie neuváděla doby odezvy jako měřený výsledek, takže nejde o důkaz konkrétního zpoždění, ale ukazuje, že střídání replik patří k tomu, jak lidé zážitek hodnotí.

Hluk vše ztěžuje. Zahlcená hala zhoršuje rozpoznávání řeči, to předává modelu chybný text a ten pak odpovídá na otázku, kterou nikdo nepoložil. Praktickou stranu mikrofonů a jazyků pokrývá náš průvodce řečí, jazyky a hlučnými prostory.

Halucinace: plynulé, ale chybné

Jazykové modely generují věrohodný text; fakta si nevyhledávají, pokud nejsou napojeny na zdroj, který to dělá. Široce citovaný přehled Jiho a kolegů v ACM Computing Surveys popisuje, že neuronové generování textu má sklon vytvářet nezamýšlený obsah, a to i v dialogových systémech, a shrnuje způsoby, jak ho měřit a omezovat. Žádná metoda z této literatury problém zcela neodstraňuje.

Na akcích se to projevuje všedními způsoby: robot si vymyslí čas hlavního projevu, uvede špatné číslo stánku, sdělí cenu produktu, která neexistuje, nebo si vymyslí podrobnosti o sobě samém. Protože hlas zní sebejistě a tělo má lidský tvar, mohou návštěvníci odpovědi věřit víc než výsledku vyhledávání na webu.

K běžným opatřením patří:

  • Omezit model na stručný schválený informační list o akci a nařídit mu, aby řekl, že odpověď neví, pokud v něm není.
  • Udržovat odpovědi krátké, což snižuje zpoždění i prostor pro chyby.
  • Směrovat důležité otázky (zdravotní, bezpečnostní, cesta k východům) na personál, nikoli na robota.

Ochranná pravidla a filtrování obsahu

Halucinace se týká správnosti. Filtrování obsahu se týká toho, co by robot neměl nikdy říct nebo s čím by neměl nikdy souhlasit. Výzkum naznačuje, že jde o skutečnou mezeru. Hundt, Azeem, Mansouri a Brandão v roce 2025 v International Journal of Social Robotics testovali několik LLM ve scénářích interakce člověka s robotem a zaznamenali diskriminační výstupy vůči chráněným charakteristikám i odpovědi, které při otevřených zadáních přijímaly nebezpečné, násilné nebo protiprávní pokyny. Autoři volají po důkladném posouzení rizik před nasazením takových systémů.

U veřejného robota se praktická ochranná pravidla obvykle skládají z vrstev: systémový prompt, který určuje tón a témata, filtr přepsaného vstupu, filtr vygenerované odpovědi před jejím vyslovením a lidský operátor, který může robota ztlumit nebo převzít řízení. Žádná z těchto vrstev sama o sobě není dokonalá. Návštěvníci, zejména skupiny, budou mluvícího robota zkoušet provokativními otázkami, s čímž je třeba počítat.

Samostatná poznámka: v mnoha konverzačních ukázkách řeč na dálku dodává nebo usměrňuje člověk. Náš průvodce teleoperovanými a autonomními roboty vysvětluje, co publikum v jednotlivých případech skutečně vidí.

Skriptovaný a generativní režim se chovají odlišně

Před érou LLM se sociální roboti spoléhali na dialogy napsané autorem. Dokumentace QiChat a ALDialog od Aldebaranu pro roboty NAO a Pepper popisuje témata složená z pravidel, z nichž každé spojuje očekávaný lidský vstup s pevnou odpovědí robota, a to s koncepty, které seskupují synonyma, a záložními pravidly pro vstup, který nic neodpovídá. Robot může říct jen to, co někdo napsal, a reaguje, jen když rozpozná vzorec.

Tento kontrast vysvětluje většinu toho, čeho si organizátoři všímají:

  • Skriptovaný režim je předvídatelný, rychlý v odezvě (chybí krok generování) a snadno se předem schvaluje s právním nebo značkovým oddělením. Působí strojeně, když návštěvníci vybočí ze scénáře.
  • Generativní režim zvládá nečekané otázky a působí přirozeněji, ale odpovědi jsou pomalejší, pokaždé se liší a nelze je předem plně schválit.

Uživatelský výzkum ukazuje ještě jeden efekt. Kim a kol. zjistili, že robot poháněný LLM zvýšil očekávání účastníků ohledně sofistikovaného neverbálního chování a dobře si vedl v budování spojení a v úvahovém rozhovoru, ale oproti textové a hlasové variantě dopadl hůře v logické komunikaci a u některých účastníků mohl vyvolat úzkost. Plynulý hlas v humanoidním těle vytváří očekávání, která zbytek robota nemusí naplnit.

Mnohá nasazení proto oba režimy kombinují: skriptované věty pro uvítání, tvrzení o produktech a bezpečnostní informace a omezený generativní režim pro běžnou konverzaci. Příprava tohoto obsahu zabere čas; viz náš průvodce vlastními projevy a dodacími lhůtami.

Transparentnost: článek 50 nařízení o umělé inteligenci

V EU stanovuje povinnosti transparentnosti článek 50 nařízení o umělé inteligenci (AI Act). Podle AI Act Service Desku Evropské komise musí poskytovatelé navrhnout systémy umělé inteligence určené k přímé interakci s lidmi tak, aby tyto osoby byly informovány, že komunikují se systémem umělé inteligence, ledaže je to zřejmé přiměřeně informované, pozorné a obezřetné osobě vzhledem k okolnostem. Samostatný odstavec ukládá poskytovatelům systémů, které generují syntetický zvuk, obraz, video nebo text, povinnost označit výstupy strojově čitelným způsobem.

Zda je humanoidní robot „zjevně“ stroj, se může zdát jasné, ale hlas, který zní jako lidský, nebo robot, jehož odpovědi částečně obsluhuje člověk, vyvolává složitější otázky. Náš článek o článku 50 a mluvících robotech se tomu věnuje podrobněji, včetně časového rámce. Tato část má obecný informativní charakter a nejde o právní poradenství.

Co to znamená pro organizátory akcí

  • Nejprve určete režim. Zeptejte se, zda robot poběží na skriptovaném dialogu, generativní konverzaci, vzdáleném ovládání, nebo na kombinaci, a jaký obsah spadá pod který režim.
  • Zeptejte se na řetězec. To, kde běží rozpoznávání řeči a jazykový model (v robotu, nebo v cloudu), ovlivňuje zpoždění, nároky na Wi-Fi i to, co se děje s hlasy návštěvníků.
  • Dejte modelu informační list a hranice. Stručné schválené informace, krátké odpovědi a jasná cesta „Nevím, zeptejte se prosím našeho personálu“ snižují množství vymyšlených odpovědí.
  • Ověřte ochranná pravidla a člověka. Zeptejte se, jak se filtrují vstupy a výstupy a kdo může robota během akce ztlumit nebo převzít.
  • Zahrňte to do zadání. Uveďte jazyky, úroveň hluku, citlivá témata a schvalovací kroky, když zadáváte poptávku dodavateli robotů.

Časté otázky

Proč mluvící roboti před odpovědí dělají pauzy?

Typický robot musí zjistit, že jste přestali mluvit, převést vaši řeč na text, odeslat ji jazykovému modelu, počkat na odpověď a poté ji převést na řeč. Každý krok chvíli trvá a cloudové služby přidávají síťové zpoždění, které bývá na rušných akcích kvůli přetížené Wi-Fi ještě větší. Lidský rozhovor funguje na velmi krátkých odstupech mezi replikami, takže i pauza jedné či dvou sekund je pro návštěvníky znatelná.

Může robot s LLM dávat návštěvníkům nesprávné informace?

Ano. Jazykové modely mohou vytvářet plynulé odpovědi, které nejsou pravdivé, což výzkumníci nazývají halucinace. Na akcích to může znamenat špatné časy, čísla stánků nebo údaje o produktech. Riziko snižuje omezení modelu na schválený informační list, krátké odpovědi a směrování důležitých otázek, například bezpečnostních či zdravotních, na personál, žádná současná metoda ho však zcela neodstraňuje.

Jaký je rozdíl mezi skriptovanou a generativní konverzací robota?

Ve skriptovaném režimu někdo napíše pravidla, která spojují očekávané otázky s pevnými odpověďmi, takže je robot předvídatelný a rychlý, ale strojený, když návštěvníci vybočí ze scénáře. V generativním režimu jazykový model píše každou odpověď na místě, takže zvládá nečekané otázky, ale je pomalejší, pokaždé odpovídá jinak a jeho odpovědi nelze předem plně schválit. Mnohá nasazení oba režimy kombinují.

Vyžaduje nařízení o umělé inteligenci, aby robot řekl, že je umělá inteligence?

Článek 50 nařízení o umělé inteligenci vyžaduje, aby poskytovatelé navrhli systémy umělé inteligence, které přímo komunikují s lidmi, tak, aby byli tito lidé informováni, že jednají se systémem umělé inteligence, ledaže je to zřejmé z kontextu. Jak se to použije u konkrétního robota, hlasu nebo částečně lidsky obsluhovaného řešení, závisí na okolnostech. Jde o obecnou informaci, nikoli o právní poradenství.

Jak článek vznikl: napsala ho redakce humanoid4rent s pomocí AI; každé faktické tvrzení jsme 2026-11-12 ověřili ve zdrojích uvedených níže. Našli jste chybu? Napište na info@humanoid4rent.com.

Zdroje

Fakta v článku jsme v den psaní ověřili na těchto stránkách.

  1. Understanding Large-Language Model (LLM)-powered Human-Robot Interaction – arXiv (HRI '24)
  2. Voice agents – OpenAI API documentation
  3. Voice activity detection (VAD) – OpenAI API documentation
  4. Universals and cultural variation in turn-taking in conversation (PNAS, 2009) – Europe PMC
  5. Survey of Hallucination in Natural Language Generation – arXiv (ACM Computing Surveys)
  6. LLM-Driven Robots Risk Enacting Discrimination, Violence, and Unlawful Actions – arXiv (International Journal of Social Robotics)
  7. QiChat and ALDialog – Aldebaran NAOqi documentation
  8. Article 50: Transparency obligations for providers and deployers of certain AI systems – AI Act Service Desk, European Commission

Další články z blogu

Chcete robota na svou příští akci?

Jednou popište termín, místo a co má robot dělat. Dodavatelé odpoví nabídkami, které porovnáte jednu s druhou.

Odeslat poptávku

Pracujete v robotice? Napište pro náš blog. →