A humanoid robot and artificial intelligence
Base de coñecemento

Como fala un robot humanoide coas persoas: recoñecemento de fala, IA e a voz do robot

Como oe, entende e responde un robot humanoide: micrófonos, recoñecemento de fala, modelo de linguaxe, voz, velocidade de resposta, ruído e AI Act.

Equipo de MERA RoboticsActualizado: 21 de novembro de 20267 min de lecturaGaeilgeCymraegEuskaraCatalàMaltiLëtzebuergeschไทยՀայերենქართულიShqipBahasa MelayuAzərbaycancaМакедонскиSrpskiBosanskiעבריתहिन्दीالعربيةTiếng ViệtBahasa IndonesiaTürkçe日本語Dansk中文SlovenčinaΕλληνικάSuomiMagyarEestiLatviešuHrvatskiČeštinaSlovenščinaLietuvių한국어NorskSvenskaБългарскиPortuguêsRomânăFrançaisNederlandsItalianoEspañol

En resumo

Un robot humanoide fala mediante unha cadea de software: os micrófonos captan o son, o recoñecemento de fala convérteo en texto, un modelo de linguaxe escribe unha resposta axeitada á persoa do robot e ao coñecemento do evento, e a síntese de voz convértea en voz. A calidade da conversa depende do software, do coñecemento preparado e da acústica, non só do robot.

ÍndiceComo funciona paso a paso unha conversa cun robot humanoide?Que oe un robot humanoide e como se arranxa co ruído?Como sabe un robot humanoide o que ten que dicir?Por que importa tanto a velocidade de resposta dun robot?Cantos idiomas e que voz pode usar un robot humanoide?Hai que avisar as persoas de que están a falar cunha IA?Que hai que comprobar antes dun evento cun robot que fala?Como escoller un socio para as conversas dun robot humanoide?

Un robot humanoide fala coas persoas a través dunha cadea de software: os micrófonos captan o son, o recoñecemento de fala convérteo en texto, un modelo de linguaxe escribe unha resposta axeitada á persoa do robot e ao que sabe do evento, e a síntese de voz converte esa resposta na voz que sae polo altofalante. O robot en si (por exemplo un Unitree G1) pon os «oídos», a «boca» e o movemento; a calidade da conversa depende do software e de como se prepare para un lugar concreto.

Como funciona paso a paso unha conversa cun robot humanoide?

Unha conversa cun robot humanoide pasa por cinco fases que se repiten en cada intercambio:

Fase Que pasa De que depende a calidade
Escoita os micrófonos do robot (ou un micrófono externo) captan o son ruído, distancia a quen fala, eco da sala
Detección da quenda o sistema decide cando unha persoa empezou e rematou de falar axustes de sensibilidade, conversas de fondo
Recoñecemento de fala a fala convértese en texto idioma, acento, nomes propios, voces infantís
Resposta un modelo de linguaxe escribe a resposta coa persoa e o coñecemento calidade da descrición da persoa e da base de coñecemento, regras temáticas
Voz e movemento síntese de voz, altofalante, xestos voz axeitada ao idioma, volume, megafonía da sala

Un elo débil en calquera punto rompe toda a cadea. O fallo máis habitual nos eventos non é unha «IA parva», senón un robot que entendeu mal a pregunta co ruído da xente e despois respondeu correctamente a algo que ninguén preguntara.

Unitree G1 and Go2 robots on a trade show stand (Japan Mobility Show 2025)
Unitree G1 and Go2 robots on a trade show stand (Japan Mobility Show 2025), foto: RuinDig/Yuki Uchida, CC BY 4.0

Que oe un robot humanoide e como se arranxa co ruído?

Un robot humanoide oe a través da súa matriz de micrófonos integrada, e nun lugar ruidoso adoita funcionar mellor un micrófono adicional preto da boca de quen fala. Segundo o fabricante, o Unitree G1 leva unha matriz de micrófonos e un altofalante integrados (especificacións do Unitree G1). Iso abonda para unha conversa nunha oficina, nunha sala de exposición ou nun estand tranquilo.

Nunha feira, nunha gala ou nun festival a cousa cambia: a música, a megafonía do escenario e ducias de conversas simultáneas chegan aos mesmos micrófonos. O que axuda na práctica:

  • que o convidado se achegue ao robot e lle fale de fronte, non desde un lado,
  • un micrófono de man ou direccional para os convidados no escenario e nas mesas redondas,
  • situar o estand lonxe dos altofalantes do escenario,
  • darlle ao sistema de antemán os nomes propios (marca, produtos, nomes dos relatores) para que o recoñecemento de fala non os estrague,
  • probar no lugar real, non só na oficina.

O mesmo vale para a saída do son: o altofalante integrado do robot serve para conversas cara a cara, pero nunha actuación no escenario o audio do robot ten que entrar na megafonía do lugar.

Como sabe un robot humanoide o que ten que dicir?

As respostas dun robot humanoide escríbeas un modelo de linguaxe que recibe unha descrición da persoa, información sobre o evento e regras sobre o que o robot non debe dicir. O modelo coñece a lingua e o mundo en xeral, pero non sabe nada do programa do congreso, dos produtos do cliente nin de onde está o gardarroupa. Ese coñecemento hai que preparalo.

Un bo paquete de preparación inclúe:

  • a persoa: nome, carácter, maneira de falar, lonxitude das respostas,
  • o coñecemento: programa, relatores, oferta, respostas ás preguntas típicas dos convidados,
  • os límites: temas vetados, como rexeitar, que facer coas preguntas sobre política ou sobre a competencia,
  • o guión: saúdo, invitación a facer unha foto, paso do convidado a unha persoa do estand.

Así traballa MERA Robotics: o que di o robot prepárase para cada evento concreto nun perfil do evento coa información sobre o cliente e o programa, e o robot pode ter unha identidade de marca propia, cun nome, un carácter e coñecemento da oferta.

Algúns sistemas combinan a conversa coa imaxe da cámara. Entón o robot recoñece un obxecto que ten diante, como un modelo de produto exposto, e menciónao na conversa. Iso é útil en salas de exposición e en estands, onde os convidados preguntan «e isto que é?».

Por que importa tanto a velocidade de resposta dun robot?

A velocidade de resposta dun robot humanoide decide se a conversa parece natural, porque as persoas estamos afeitas a pausas moi curtas entre as quendas. Un estudo de varias linguas publicado en PNAS observou que en todas elas a pausa máis habitual entre o final dunha quenda e o comezo da resposta é dunha pequena fracción de segundo (Stivers et al., PNAS).

Ningunha cadea de recoñecemento de fala, modelo de linguaxe e síntese de voz responde tan rápido coma unha persoa, así que os sistemas para robots compénsano coa forma de levar a conversa:

  • a resposta empeza a soar antes de estar xerada por completo,
  • respostas curtas en lugar de monólogos longos,
  • un xesto ou un movemento da cabeza xusto despois da pregunta, para que o convidado saiba que o robot está escoitando,
  • a posibilidade de interromper o robot a metade dunha frase.

O segundo problema é o momento no que o robot decide que a persoa rematou. Se o fai cedo de máis, o robot interrompe en cada pausa para pensar. Se o fai tarde de máis, os convidados agardan en silencio. Este axuste debe adaptarse ao público: os nenos e as persoas que falan nun idioma estranxeiro fan pausas máis longas.

Cantos idiomas e que voz pode usar un robot humanoide?

O número de idiomas e a elección da voz dependen do software de conversa do robot humanoide, non do hardware. MERA OS, o sistema de conversa desenvolvido por MERA Robotics, mantén conversas en máis de 70 idiomas, entre eles o polaco e o inglés, cunha voz axeitada a cada idioma e acento nativo. Nun evento internacional, o robot pode saudar un convidado en inglés e falar co seguinte en polaco.

Ao escoller a voz, comproba:

  • se encaixa coa persoa (idade, temperamento, marca),
  • se soa natural nese idioma e non traducida do inglés,
  • como pronuncia os nomes propios do cliente,
  • se o ritmo de fala segue sendo comprensible co ruído.

Hai que avisar as persoas de que están a falar cunha IA?

Si: na Unión Europea, a obriga de informar as persoas de que están a falar cunha IA vén do artigo sobre transparencia do AI Act, que se aplica desde o 2 de agosto de 2026. Esixe que os sistemas de IA destinados a interactuar directamente con persoas se deseñen de modo que esas persoas saiban que interactúan cun sistema de IA, salvo que sexa evidente (AI Act, obrigas de transparencia, AI Act, entrada en vigor e aplicación). A información debe ser clara e darse como máis tarde na primeira interacción.

Cun robot humanoide adoita ser evidente que fala unha máquina. Aínda así, unha frase no saúdo do robot ou un cartel no estand é algo sinxelo que elimina calquera dúbida. Os datos son outra cuestión: se as conversas se gravan ou se rexistran, os convidados deben sabelo.

Que hai que comprobar antes dun evento cun robot que fala?

Antes dun evento cun robot humanoide que fala, comproba sete cousas:

  1. Unha proba de conversa no lugar real ou cun ruído parecido.
  2. Unha lista de nomes propios que o robot debe recoñecer e pronunciar ben.
  3. A persoa e a lonxitude das respostas aprobadas polo cliente.
  4. Unha lista de temas vetados e a forma en que o robot os rexeita.
  5. Un plan de escenario: micrófono para o convidado, conexión á megafonía.
  6. Un aviso que lles indique aos convidados que están a falar cunha IA.
  7. Un operador no lugar que poida tomar o control, cambiar de idioma ou deter o robot.

Os modelos dispoñibles para eventos figuran no catálogo de robots en aluguer e á venda, e o servizo para eventos descríbese en aluguer de robot humanoide para eventos.

Como escoller un socio para as conversas dun robot humanoide?

Valora un socio para as conversas dun robot humanoide con criterios que poidas comprobar antes de asinar:

  • software de conversa propio, en lugar dunha única aplicación ríxida do fabricante,
  • número de idiomas e naturalidade da voz no teu idioma,
  • persoa e coñecemento preparados para o teu evento, non un chatbot xenérico,
  • operadores no lugar que reaccionen cando algo falla,
  • modelos de robot dispoñibles para alugar ou comprar,
  • experiencia en eventos no seu país e no estranxeiro.

Preguntas frecuentes

Entende un robot humanoide o que lle din as persoas?

Un robot humanoide converte a fala en texto, e un modelo de linguaxe interpreta o significado e escribe unha resposta. Entende preguntas feitas en linguaxe natural, pero o coñecemento sobre un evento, unha oferta ou un programa concretos hai que preparalo de antemán.

Por que un robot responde ás veces fóra de tema?

Normalmente porque entendeu mal a pregunta co ruído: o recoñecemento de fala anotou outras palabras e o modelo respondeu correctamente á pregunta mal transcrita. Axuda falar de preto, darlle un micrófono ao convidado e pasarlle ao sistema de antemán os nomes propios.

Pode un robot humanoide falar varios idiomas nun mesmo evento?

Si, se o software de conversa o permite. MERA OS, o sistema de MERA Robotics, mantén conversas en máis de 70 idiomas, entre eles o polaco e o inglés, cunha voz axeitada a cada idioma.

Hai que avisar os convidados de que falan cunha IA?

Na UE, o artigo sobre transparencia do AI Act, aplicable desde o 2 de agosto de 2026, esixe informar as persoas que interactúan directamente cun sistema de IA, salvo que sexa evidente. Cun robot humanoide adoita abondar cunha frase no saúdo ou cun cartel no estand.

Fontes

  1. Unitree G1: manufacturer specifications
  2. Stivers et al. (2009), Universals and cultural variation in turn-taking in conversation, PNAS
  3. EU AI Act, Article 50: transparency obligations
  4. EU AI Act, Article 113: entry into force and application
Sobre o editor

Quen publica esta páxina

Esta páxina publícaa MERA Robotics, unha empresa que ofrece baixo licenza MERA OS, un software de conversa para robots humanoides.

A nosa oferta

Robots de aluguer e á venda

Todo o catálogo de robots (en inglés) →

Contacto

Falemos do teu evento

Describe brevemente o que necesitas. Responderémosche cunha proposta de robot e de guión, e cun orzamento.

Usamos os datos do formulario só para responder á túa solicitude.

Base de coñecemento

Le tamén

Consultar a dispoñibilidade