„Hmm,“ zamručí zamyšleně hluboký mužský hlas z telefonu, když mu uživatel skočí do řeči. Na okamžik se zastaví, nechá ho domluvit a vzápětí zareaguje na to, co právě zaznělo. Nevrací se zmateně k předchozí otázce a není potřeba znovu vysvětlovat, kam se rozhovor posunul. Po několika minutách tak pocit, že jde o zadávání příkazů chatbotovi, mizí. Díky poslednímu updatu vlajkového produktu z dílny OpenAI nyní komunikace s ChatemGPT připomíná spíš telefonát s hodně chytrým kamarádem, který má navíc podezřele hodně trpělivosti.

Funkce ChatGPT Live, kterou firma ukázala minulý týden, funguje i v Česku a je postavená na takzvané full-duplex architektuře, díky níž dokáže AI současně mluvit i naslouchat. Dosavadní hlasoví asistenti totiž dosud zpravidla přepínali mezi dvěma režimy, skrze které buď odpovídali, nebo čekali na pokyn uživatele. Pokus o přerušení proto často končil rozbitou konverzací.

Live má ovšem během vlastní odpovědi zachytit další pokyn, odmlčet se nebo dát najevo, že stále poslouchá. A OpenAI ho nabízí zatím ve dvou verzích. GPT-Live-1 je výchozí hlasový model pro předplatitele tarifů Go, Plus a Pro, uživatelé bez placeného účtu dostávají úspornější GPT-Live-1 mini.

Samostatně lze nastavit i úroveň takzvané inteligence: Instant míří na rychlé konverzace, Medium má otázku rozebrat podrobněji a High je určený pro složitější úkoly, u kterých musí model jet na plné otáčky a uživatel si na reakci chvíli počká. Live Voice je dostupný na webu ChatGPT, v aplikaci pro Windows a na telefonech s iOS a Androidem, kde ho vyzkoušela i redakce CzechCrunche.

První praktický test ale nedopadl nijak přesvědčivě. ChatGPT dostal pokyn, aby na západě Prahy vyhledal posilovny a porovnal je podle ceny i lokality. V rychlém režimu Instant sice okamžitě vyjmenoval několik možností, u cen ale vycházel ze starých ceníků, a jako nejlepší volbu doporučil podnik, který podle dostupných recenzí zdaleka nevycházel tak dobře jako jiné alternativy.

Teprve po přepnutí na nejvyšší úroveň inteligence se výsledek, a tím i celkový dojem z novinky, změnil. ChatGPT přehledně porovnal měsíční a roční členství, upozornil na cenové rozdíly a zohlednil nejen vzdálenost, ale i recenze a typ aktivit, které by návštěvníci mohli na jednotlivých sportovištích najít. S vyšší úrovní inteligence se proměnil i samotný hlas. A právě v tomto bodě začíná být model nejzajímavější.

Z devíti dostupných variant jsem v testu zvolila hlas Arbor, který OpenAI popisuje jako pohodového a všestranného pomocníka. Z telefonu se ozval hlubší, klidný mužský hlas, působící dojmem člověka, kterého jen tak něco nerozhodí. Občas se nadechl, zamyslel se, zasmál nebo změnil tempo. Právě tyto drobnosti byly zpočátku nejpodivnější. Nejde jen o přirozenou výslovnost vět, model začne napodobovat i způsob, jakým lidé dávají najevo pozornost.

Během zhruba hodinové konverzace se hlas navíc postupně přizpůsobuje stylu mluvy uživatele. Když konverzace nabrala uvolněnější tón, chatbot ztrácel lehce robotický, „učitelský“ nádech, častěji se smál a přebíral některé výrazy. Když během testu oznamoval, že něco vyhledá, protahoval slovo „mrknu“ tak, až to vypadalo jako záměrná dramatizace. Změna nepůsobila jako přepnutí připravené šablony, ale spíš coby průběžné zrcadlení tónu rozhovoru.

Stejná citlivost se projevila i při rozpoznávání sarkasmu. Když na nepovedený vtip následovala přehnaně nadšená reakce, model ji nevyložil doslovně. Z tónu hlasu poznal, že pochvala není míněná vážně, a odpověděl, že to zřejmě bude muset napravit a „asi to bere jako výzvu“. Podobné okamžiky ukazují, že model už nevnímá jen přepis slov, ale i způsob, jakým byla vyslovena.

Skákání do řeči zvládá a chaos ho nerozbije

Zajímavá není jen barva hlasu, ale i reakce asistenta na přerušení. V testu jsem nechávala ChatGPT rozmluvit, abych mu následně skákala do řeči, měnila téma a vracela se k předchozím otázkám. Reakce většinou přišla během sekund, model se odmlčel, krátce potvrdil, že slyší nový pokyn, a pokračoval jiným směrem.

Konverzaci navíc zvládne vést i ve chvíli, kdy aktivně vyhledává informace na internetu. Samotný hlasový model se totiž soustředí na rozhovor, zatímco rešerši na pozadí přebírá jiný model. Uživatel tak nemusí mlčky sledovat načítání výsledků, ale může mezitím upřesnit otázku nebo se bavit o souvisejícím tématu.

Vyhledávání ale pořád trvá déle než běžná hlasová reakce, ověření cen nebo recenzí může zabrat desítky sekund. Avšak i když robota během čekání třeba popichujete, že se loudá, probíhající rešerši nezruší. Zároveň vás ale neignoruje, například prohodí, že „je ostuda“ a pokračuje dál v práci.

Rozhovor se během testu několikrát stočil úplně jinam, od zmíněných posiloven přes vaření až k seriálům. Chatbot si přitom i s chaosem, který jsem záměrně vytvářela, poradil bez větších potíží. Když jsem si například začala stěžovat, že nevím, na co se ve volném čase podívat, a vyjmenovala nesourodý seznam oblíbených pořadů od sitcomu How I Met Your Mother přes psychologická dramata až po Yellowjackets, doporučil mi minisérii Beef. Nešlo jen o výpis populárních titulů. Model vysvětlil, proč by mi právě tento seriál mohl sednout, a nakonec přesvědčil i jinak až otravně vybíravého diváka.

Podobně pracuje i s místem a časem: při doporučování kaváren nebo jiných podniků umí rovnou nabídnout mapu a při plánování oslavy navrhnout vložení připomínky do kalendáře či vybrání nejvhodnějšího data. Hlasová konverzace se tak propojuje s dalšími funkcemi ChatuGPT a uživatel nemusí otevírat jinou aplikaci a ručně přepisovat informace.

Výrazně se posunul i překlad. Při převodu receptu z angličtiny do češtiny začal ChatGPT překládat ještě v době, kdy zaznívala další část původního textu, překlad běžel s krátkým zpožděním, podobně jako u lidského tlumočníka.

Nepřítelem je ruch, hudba i zamknutá obrazovka

Test ale zároveň ukázal jasné hranice. V rušném prostředí se model většinou dokázal držet jednoho hlasu a odpovídat bez potíží, problém ale nastal ve chvíli, kdy na pozadí běžela televize nebo video na YouTube. ChatGPT občas část cizího zvuku vyhodnotil jako součást rozhovoru, začal komentovat dění ve videu nebo bez vyzvání překládat slyšenou řeč.

Identifikovat a přeložit poslouchanou hudební skladbu navíc nedokázal vůbec. Bezchybný nezůstal ani přepis: při mumlání model jednou zaměnil například jméno franšízy Lidl za „jídlo“ a místo pobočky řetězce začal doporučovat restaurace, případně na konci věty usekl poslední hlásku. Chybu ale bylo možné rychle opravit, aniž by chatbot dokončil odpověď na špatně pochopené zadání.

Část uživatelů může naštvat, že ChatGPT Live funguje pouze s rozsvícenou obrazovkou. V kuchyni, na cestách nebo ve chvíli, kdy člověk spěchá na vlak a chce si pomoci hlasovým ovládáním, tak zatím nezbývá než telefon odemknout a alespoň část pozornosti věnovat jeho displeji.

Ve výsledku jde o nástroj, který má své mouchy. Zároveň ale ukazuje, jak daleko se vývoj umělé inteligence posunul a jak snadno se v našem vnímání může začít stírat hranice mezi softwarem a živým člověkem. Při psaní do chatu zůstává zřejmé, že uživatel ovládá nástroj. Hlas, který se směje, reaguje na emoce a trpělivě čeká na dokončení věty, tuto psychologickou bariéru oslabuje. Po delší konverzaci lze snadno přestat vnímat, že na druhé straně není člověk, ale systém, který lidské chování pouze napodobuje. A který se může mýlit a halucinovat.