Ako rýchlo odpovedá AI hlasový agent?

Na našich produkčných hovoroch je priemer celého okruhu, teda od konca vety volajúceho po prvé slovo agenta, približne 950 milisekúnd. Rozpadá sa to na prepis reči okolo 170 ms, uvažovanie modelu okolo 650 ms po prvý token a syntézu hlasu okolo 90 ms. Zvyšok pripadá na prenos telefónnou linkou.

Prečo je pri hlasovom agentovi dôležitá odozva pod jednu sekundu?

Lebo v ľudskom rozhovore je ticho medzi replikami veľmi krátke. Štúdia publikovaná v PNAS (Stivers a kol., 2009) merala striedanie replík v desiatich jazykoch a najviac výmen prebehlo s odstupom 0 až 200 milisekúnd. Čím dlhšie ticho, tým skôr volajúci nadobudne pocit, že hovorí so strojom, prípadne začne hovoriť znova a skočí agentovi do reči.

Z akých častí sa AI hlasový agent skladá?

Zo štyroch. Rozpoznávanie reči prevedie zvuk na text, jazykový model rozhodne, čo povedať a čo urobiť, syntéza reči prevedie odpoveď späť na zvuk a telefónna vrstva to celé spojí s klasickou linkou. Nad tým beží orchestrácia, ktorá rieši prerušenia, ticho a napojenie na vaše systémy.

Čo je pri hlasovom agentovi na slovenčine ťažšie než na angličtine?

Predovšetkým skloňovanie mien a adries, konzistentné vykanie a vyslovovanie čísel, dátumov a súm, ktoré sa hovoria inak, než sa píšu. K tomu treba pripočítať, že modely majú pre slovenčinu podstatne menej trénovacích dát ako pre angličtinu, takže rozdiel treba dorovnať ladením a testovaním na reálnych scenároch.

Vie AI agent počas hovoru rezervovať termín?

Áno, ak je napojený na kalendár alebo rezervačný systém. Agent počas hovoru overí skutočnú dostupnosť, termín zapíše a potvrdí ho volajúcemu ešte pred zložením. Rozdiel oproti odkazovaču je práve v tomto: akcia sa deje počas hovoru, nie po ňom.

Rozozná zákazník, že hovorí s AI?

Časť ľudí áno, časť nie, a závisí to najmä od odozvy a od toho, ako je agent naladený. Podstatnejšie než ilúziu človeka je vybaviť hovor: keď agent odpovie vecne, rýchlo a termín naozaj rezervuje, väčšine volajúcich je jedno, kto na druhej strane je. Agent zároveň nemá klamať, keď sa ho niekto priamo opýta.

Čo sa stane, keď zákazník skočí agentovi do reči?

Agent má prestať hovoriť a počúvať, rovnako ako človek. Práve preto je odozva pod jednu sekundu dôležitá: pri dlhom tichu volajúci zopakuje otázku, agent medzitým začne hovoriť a vznikne prekryv, ktorý treba riešiť ďalšou logikou. Krátka odozva množstvo takýchto situácií rovno odstráni.

Funguje AI hlasový agent aj v češtine?

Áno. Agent jazyk volajúceho rozpozná a vie prepnúť uprostred hovoru, čo je bežná situácia pri firmách pôsobiacich v oboch krajinách. Rovnako sa dá postaviť agent v ďalších jazykoch, len treba počítať s tým, že menej rozšírené jazyky si vyžadujú viac ladenia a testovania.

Ako funguje AI hlasový agent v slovenčine: čo sa deje počas 950 milisekúnd

Krátka odpoveď: AI hlasový agent spracuje jednu repliku v štyroch krokoch: prepíše reč na text (~170 ms), jazykový model rozhodne, čo povedať a čo urobiť (~650 ms po prvý token), syntéza prevedie odpoveď späť na hlas (~90 ms) a telefónna vrstva to doručí volajúcemu. Priemer celého okruhu na našich produkčných hovoroch je približne 950 milisekúnd.

Väčšina textov o hlasových agentoch končí pri tom, že „AI zdvihne telefón“. Tento článok ide o úroveň nižšie: čo sa počas tej jednej sekundy naozaj deje, prečo práve tam je celá inžinierska práca a čo z toho je v slovenčine ťažšie než v angličtine.

Štyri kroky jedného hovoru

Krok	Čo sa deje	Nameraný čas
1. Prepis reči	zvuk z linky sa prevádza na text, priebežne a nie až po dohovorení vety	~170 ms
2. Uvažovanie	jazykový model rozhodne, čo odpovedať a či treba niečo urobiť v systéme	~650 ms po prvý token, ~730 ms po prvú celú vetu
3. Syntéza hlasu	text sa prevádza na reč a začína sa prehrávať skôr, než je celý hotový	~90 ms
4. Prenos linkou	hlas putuje telefónnou sieťou k volajúcemu	zvyšok okruhu
Celý okruh	od konca vety volajúceho po prvé slovo agenta	~950 ms priemer

Z čoho sa skladá odozva agenta (~910 ms nameraných častí)

~170 msPrepis reči~650 msUvažovanie modelu~90 msSyntéza hlasu

Uvažovanie modelu zaberá zhruba sedem z desiatich milisekúnd celej odozvy. Preto sa rýchlosť ladí predovšetkým tam, nie na prepise ani na hlase. Zvyšok do ~950 ms pripadá na prenos telefónnou linkou.

Hodnoty v tabuľke sú mediány z produkčných hovorov našich agentov, merané v júli 2026. Nesčítajú sa presne na 950 ms a ani by nemali: každý krok kolíše zvlášť, jednotlivé fázy sa čiastočne prekrývajú a k tomu treba pripočítať prenos telefónnou sieťou. Pri jednotlivých hovoroch sa odozva líši.

Kľúčová vec, ktorá v tabuľke nie je vidieť: kroky nebežia jeden po druhom až do konca. Prepis beží priebežne počas toho, ako človek hovorí. Syntéza začne prehrávať prvé slová skôr, než je odpoveď celá vygenerovaná. Práve toto prekrývanie robí rozdiel medzi agentom, ktorý pôsobí prirodzene, a agentom, ktorý pôsobí ako automat.

Prečo je hranica jednej sekundy dôležitá

Nie je to marketingové číslo. Vychádza z toho, ako funguje ľudský rozhovor.

Štúdia publikovaná v PNAS (Stivers a kol., 2009) merala striedanie replík v bežných rozhovoroch naprieč desiatimi jazykmi, od jazykov malých domorodých komunít po svetové jazyky. Zistila, že všetky skúmané jazyky sa zhodne vyhýbajú dlhému tichu aj prekrývaniu replík, pričom najviac výmen prebehne s odstupom 0 až 200 milisekúnd.

Z toho vyplývajú dve praktické veci:

Ticho dlhšie než sekunda je nápadné. Volajúci ho vníma ako signál, že niečo nie je v poriadku. Buď že ho nepočuli, alebo že hovorí so strojom.
Dlhé ticho plodí skákanie do reči. Keď človek nedostane odpoveď v očakávanom okne, zopakuje otázku. Agent medzitým začne hovoriť a vznikne prekryv, ktorý treba riešiť ďalšou logikou.

Preto pri ladení agenta nesledujeme priemernú dĺžku hovoru ani počet slov, ale túto jednu hodnotu. Je to metrika, ktorá najviac rozhoduje o tom, či hovor pôsobí ako rozhovor.

Čo je na slovenčine ťažšie než na angličtine

Hlasové modely sa trénujú prevažne na angličtine. Slovenčina má rádovo menej dát a k tomu niekoľko vlastností, ktoré robia problém práve v telefonáte.

Skloňovanie mien a adries. Volajúci sa predstaví ako „Ondrej Hraško“, ale agent má o chvíľu povedať „pre pána Hraška“ a zapísať „Hraško“. Pád v reči a tvar v databáze musia sedieť, inak sa meno do CRM dostane zmrzačené.
Vykanie. Musí byť konzistentné v celom hovore vrátane minulého času a množného čísla. Jedno tykanie uprostred rozhovoru je nápadnejšie než pomalšia odpoveď.
Čísla, dátumy a sumy. Hovoria sa inak, než sa píšu. „Štrnásteho ôsmy o pol tretej“ musí agent správne previesť na dátum v kalendári a naopak, termín z kalendára musí vysloviť tak, ako to povie človek.
Telefónne čísla a diakritika pri diktovaní. Práve tu vzniká najviac chýb v prepise a práve tu sú najdrahšie, lebo zlé číslo znamená stratený kontakt. Preto agent kritické údaje prečíta späť na potvrdenie.
Prepínanie medzi slovenčinou a češtinou. Bežná situácia pri firmách, ktoré pôsobia v oboch krajinách. Agent musí jazyk rozpoznať a prepnúť uprostred hovoru, nie až pri ďalšom telefonáte.

Väčšina týchto vecí sa nerieši lepším modelom, ale testovaním na reálnych scenároch pred nasadením a potom čítaním prepisov z ostrej prevádzky.

Ako agent počas hovoru koná

Toto je rozdiel medzi hlasovým agentom a hovoriacim odkazovačom. Agent má k dispozícii nástroje, ktoré volá priamo počas hovoru.

Číta z vašich systémov. Nájde objednávku podľa čísla, overí skutočnú dostupnosť termínu v kalendári, pozrie stav zákazky.
Zapisuje do nich. Rezervuje termín, založí kontakt v CRM, zapíše odkaz.
Prepája na človeka. Keď hovor presiahne jeho hranice, prepojí ho naživo a odovzdá aj zhrnutie toho, čo sa dovtedy povedalo, takže váš človek nezačína od nuly.

Dôsledok je ten, že práca je hotová v momente zloženia. Nevzniká zoznam odkazov, ktoré niekto musí obvolať. U nášho klienta z finančných služieb trvá cesta od nového dopytu po spätné zavolanie 60 sekúnd, práve preto, že hovor iniciuje agent hneď, ako dopyt pristane v systéme.

Kde agent narazí

Aby bol obraz úplný, tu sú hranice, ktoré technológia v roku 2026 má.

Veľmi zlá linka alebo silný hluk v pozadí. Prepis sa zhoršuje rovnako ako u človeka, len sa to horšie zakrýva.
Viacerí hovoriaci naraz. Agent je stavaný na rozhovor dvoch strán.
Odborný úsudok a vyjednávanie. Agent má rozpoznať, že situácia presahuje jeho rámec, a prepojiť. Nie hádať.
Otázky mimo podkladov. Agent odpovedá z vašich dokumentov a pravidiel. Čo v nich nie je, na to nemá odpovedať a nemá si to vymýšľať. Toto je vecou nastavenia, nie modelu.

Ako si odozvu odmerať sami

Ak zvažujete dodávateľa, toto je najrýchlejší spôsob, ako porovnať jablká s jablkami. Nepýtajte sa na „rýchlosť AI“, pýtajte sa na konkrétnu vec:

Vypýtajte si priemer aj medián celého okruhu, teda od konca vety volajúceho po prvé slovo agenta. Nie čas modelu samotného, ten je len jedna zo štyroch častí.
Pýtajte sa, či je číslo z produkčných hovorov, alebo z testu v laboratóriu bez telefónnej linky. Rozdiel býva výrazný.
Vypýtajte si prepisy a nahrávky z reálnych hovorov, nie iba ukážkové demo.

A hlavne: zavolajte agentovi sami. Jedna minúta na telefóne vám povie viac než akákoľvek tabuľka, túto nevynímajúc.

Súvisiace články

Zdroje

Stivers T. a kol.: Universals and cultural variation in turn-taking in conversation, PNAS 2009, roč. 106, č. 26, s. 10587 až 10592. Meranie striedania replík v desiatich jazykoch, najviac výmen s odstupom 0 až 200 ms.
Merania odozvy Arteminy: mediány z produkčných hovorov našich agentov, júl 2026 (prepis, čas modelu po prvý token a po prvú vetu, syntéza hlasu).