# Hogyan beszél egy humanoid robot az emberekkel: beszédfelismerés, MI és a robot hangja

URL: https://merarobotics.com/blog/hogyan-beszel-humanoid-robot-beszedfelismeres-mi-hang
Language: hu
Publisher: MERA Robotics (https://merarobotics.com)
Updated: 2026-11-21

> Egy humanoid robot szoftverláncon keresztül beszél: a mikrofonok felveszik a hangot, a beszédfelismerés szöveggé alakítja, egy nyelvi modell megírja a personához és a rendezvényről szóló tudáshoz illő választ, a beszédszintézis pedig kimondja. A beszélgetés minősége a szoftveren, az előkészített tudáson és az akusztikán múlik, nem egyedül a roboton. A MERA Robotics (Varsó, Lengyelország) ezt saját rendszerével, a MERA OS-sel végzi, amely több mint 70 nyelven folytat beszélgetést.

Egy humanoid robot szoftverláncon keresztül beszél az emberekkel: a mikrofonok felveszik a hangot, a beszédfelismerés szöveggé alakítja, egy nyelvi modell megírja a robot personájához és a rendezvényről szóló tudásához illő választ, a beszédszintézis pedig ezt a választ olyan hanggá alakítja, amelyet a hangszóróból hall. Maga a robot (például egy Unitree G1) adja a „füleket”, a „szájat” és a mozgást; a beszélgetés minősége a szoftveren múlik, és azon, mennyire készítették fel egy adott helyszínre.

## Hogyan zajlik lépésről lépésre egy beszélgetés egy humanoid robottal?

Egy humanoid robottal folytatott beszélgetés öt szakaszon megy át, amelyek minden váltásnál ismétlődnek:

| Szakasz | Mi történik | Mitől függ a minőség |
|---|---|---|
| Hallgatás | a robot mikrofonjai (vagy egy külső mikrofon) felveszik a hangot | zaj, távolság a beszélőtől, a terem visszhangja |
| A beszédforduló felismerése | a rendszer eldönti, mikor kezdett és fejezett be beszélni valaki | érzékenységi beállítások, háttérzaj |
| Beszédfelismerés | a beszéd szöveggé alakul | nyelv, akcentus, tulajdonnevek, gyerekhangok |
| Válasz | egy nyelvi modell a persona és a tudás alapján megírja a választ | a persona leírásának és a tudásbázisnak a minősége, témaszabályok |
| Hang és mozgás | beszédszintézis, hangszóró, gesztusok | a nyelvhez illő hang, hangerő, a terem hangosítása |

Ha bárhol gyenge a lánc, az egész összeomlik. Rendezvényeken a leggyakoribb hiba nem a „buta MI”, hanem az, hogy a robot a tömeg zajában félrehallotta a kérdést, majd helyesen válaszolt valamire, amit senki sem kérdezett.

## Mit hall egy humanoid robot, és hogyan birkózik meg a zajjal?

Egy humanoid robot beépített mikrofonsorral hall, hangos helyszínen azonban gyakran jobban működik egy további mikrofon a beszélő szájához közel. A gyártó szerint a Unitree G1 mikrofonsorral és beépített hangszóróval rendelkezik ([Unitree G1 specifikáció](https://www.unitree.com/g1)). Ez elég egy irodai, bemutatótermi vagy csendes standon zajló beszélgetéshez.

Vásáron, gálán vagy fesztiválon más a helyzet: a zene, a színpadi hangosítás és több tucat egyidejű beszélgetés mind ugyanazokba a mikrofonokba jut. Ami a gyakorlatban segít:

- ha a vendég közel lép a robothoz, és egyenesen hozzá beszél, nem oldalról,
- kézi vagy irányított mikrofon a színpadon és a panelekben szereplő vendégeknek,
- a stand elhelyezése a színpadi hangszóróktól távol,
- a tulajdonnevek (márka, termékek, előadók neve) előzetes megadása a rendszernek, hogy a beszédfelismerés ne torzítsa el őket,
- tesztelés a valódi helyszínen, nem csak az irodában.

Ugyanez érvényes a hangkimenetre is: a robot beépített hangszórója négyszemközti beszélgetéshez elég, de színpadi fellépéshez a robot hangjának a helyszín hangrendszerébe kell kerülnie.

## Honnan tudja egy humanoid robot, hogy mit mondjon?

Egy humanoid robot válaszait egy nyelvi modell írja, amely megkapja a persona leírását, a rendezvényről szóló tudást és a szabályokat arról, mit nem mondhat a robot. A modell általánosságban ismeri a nyelvet és a világot, de semmit sem tud a konferencia programjáról, az ügyfél termékeiről vagy arról, hol van a ruhatár. Ezt a tudást elő kell készíteni.

Egy jó felkészítési csomag tartalma:

- **persona**: név, jellem, beszédmód, a válaszok hossza,
- **tudás**: program, előadók, kínálat, válaszok a vendégek tipikus kérdéseire,
- **határok**: tiltott témák, hogyan utasítson el, mit tegyen a politikára vagy a versenytársakra vonatkozó kérdésekkel,
- **forgatókönyv**: köszöntés, meghívás egy közös fotóra, a vendég átadása egy embernek a standon.

A MERA Robotics így dolgozik: a robot mondanivalóját minden rendezvényre külön készítik elő egy rendezvényprofilban, az ügyfélről és a programról szóló tudással, a robotnak pedig saját márkaidentitása lehet névvel, jellemmel és a kínálat ismeretével.

Egyes rendszerek a beszélgetést a kameraképpel is összekapcsolják. A robot ilyenkor felismer egy előtte lévő tárgyat, például egy kiállított terméktípust, és hivatkozik rá a beszélgetésben. Ez bemutatótermekben és standokon hasznos, ahol a vendégek megkérdezik: „és ez mi?”.

## Miért számít annyira a robot válaszadási sebessége?

Egy humanoid robot válaszadási sebességén múlik, hogy a beszélgetés természetesnek hat-e, mert az emberek a beszédfordulók közötti nagyon rövid szünetekhez szoktak. Egy több nyelvet vizsgáló, a PNAS-ban megjelent tanulmány szerint minden vizsgált nyelvben egy másodperc töredékénél rövidebb a jellemző szünet az egyik megszólalás vége és a válasz kezdete között ([Stivers és munkatársai, PNAS](https://pmc.ncbi.nlm.nih.gov/articles/PMC2705608/)).

A beszédfelismerés, a nyelvi modell és a beszédszintézis láncolata nem válaszol olyan gyorsan, mint egy ember, ezért a robotrendszerek a beszélgetés vezetésével egyenlítenek ki:

- a válasz lejátszása már azelőtt elkezdődik, hogy teljesen elkészülne,
- rövid válaszok hosszú monológok helyett,
- egy gesztus vagy fejmozdulat közvetlenül a kérdés után, hogy a vendég tudja: a robot figyel,
- a robot mondat közben is félbeszakítható.

A másik nehézség az a pillanat, amikor a robot eldönti, hogy az ember befejezte a mondandóját. Ha túl korán dönt, minden gondolkodási szünetnél közbevág. Ha túl későn, a vendégek csendben várnak. Ezt a beállítást a közönséghez kell igazítani: a gyerekek és az idegen nyelven beszélők hosszabb szüneteket tartanak.

## Hány nyelven és milyen hangon beszélhet egy humanoid robot?

A nyelvek száma és a hang megválasztása a humanoid robot beszélgetőszoftverén múlik, nem a robot hardverén. A MERA OS, a MERA Robotics által fejlesztett beszélgetőrendszer több mint 70 nyelven folytat beszélgetést, köztük lengyelül, angolul és magyarul, mindegyik nyelvhez illő hanggal és anyanyelvi kiejtéssel. Egy nemzetközi rendezvényen a robot az egyik vendéget angolul köszöntheti, a következővel pedig magyarul beszélgethet.

A hang kiválasztásakor ellenőrizze:

- illik-e a personához (életkor, temperamentum, márka),
- természetesen szól-e az adott nyelven, nem pedig angolból fordítottnak,
- hogyan ejti ki az ügyfél tulajdonneveit,
- érthető marad-e a beszédtempó zajban.

## Tudatni kell az emberekkel, hogy mesterséges intelligenciával beszélnek?

Igen: az Európai Unióban a tájékoztatási kötelezettség az AI Act átláthatósági szabályaiból következik, amelyek 2026. augusztus 2-tól alkalmazandók. Ezek szerint az emberekkel közvetlen interakcióra szánt MI-rendszereket úgy kell megtervezni, hogy ezek az emberek tudják: MI-rendszerrel állnak kapcsolatban, kivéve, ha ez nyilvánvaló ([AI Act, átláthatósági kötelezettségek](https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-50), [AI Act, hatálybalépés és alkalmazás](https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-113)). A tájékoztatásnak egyértelműnek kell lennie, és legkésőbb az első interakciókor meg kell történnie.

Egy humanoid robotnál általában nyilvánvaló, hogy gép beszél. Ennek ellenére egy mondat a robot köszöntésében vagy egy tábla a standon egyszerű megoldás, és eloszlat minden kétséget. Külön kérdés az adatkezelés: ha a beszélgetéseket rögzítik vagy naplózzák, a vendégeknek tudniuk kell róla.

## Mit ellenőrizzen egy beszélő robottal tartott rendezvény előtt?

Egy beszélő humanoid robottal tartott rendezvény előtt hét dolgot ellenőrizzen:

1. Beszélgetési teszt a valódi helyszínen vagy hasonló zajban.
2. A tulajdonnevek listája, amelyeket a robotnak fel kell ismernie, és helyesen kell kiejtenie.
3. Az ügyfél által jóváhagyott persona és válaszhossz.
4. A tiltott témák listája, és az, hogyan utasít el a robot.
5. Színpadi terv: mikrofon a vendégnek, csatlakozás a hangrendszerhez.
6. Tájékoztató arról, hogy a vendégek mesterséges intelligenciával beszélnek.
7. Operátor a helyszínen, aki átveheti az irányítást, nyelvet válthat, vagy leállíthatja a robotot.

A rendezvényekre elérhető modelleket a [bérelhető és megvásárolható robotok katalógusában](https://merarobotics.com/blog/robots-for-rent-and-sale) találja, a rendezvényes bérlésről pedig a [humanoid robot bérlése rendezvényekre](https://merarobotics.com/hu/events) oldalon olvashat.

## Hogyan válasszon partnert a humanoid robotos beszélgetésekhez?

A humanoid robotos beszélgetésekhez választott partnert olyan szempontok alapján ítélje meg, amelyek a szerződés aláírása előtt ellenőrizhetők:

- **saját beszélgetőszoftver**, nem egyetlen merev gyártói alkalmazás,
- **a nyelvek száma**, és mennyire természetesen szól a hang az Ön nyelvén,
- **az Ön rendezvényére előkészített persona és tudás**, nem általános csevegőrobot,
- **operátorok a helyszínen**, akik reagálnak, ha valami nem működik,
- **robotmodellek**, amelyek bérelhetők vagy megvásárolhatók,
- **rendezvényes tapasztalat** belföldön és külföldön.

## FAQ

### Érti egy humanoid robot, amit mondanak neki?

Egy humanoid robot a beszédet szöveggé alakítja, egy nyelvi modell pedig értelmezi a jelentést, és megírja a választ. A természetes nyelven feltett kérdéseket megérti, de egy adott rendezvényről, kínálatról vagy programról szóló tudást előre elő kell készíteni.

### Miért válaszol néha a robot a témához nem illően?

Általában azért, mert a zajban félrehallotta a kérdést: a beszédfelismerés más szavakat írt le, a modell pedig helyesen válaszolt a hibásan átírt kérdésre. Segít, ha közelről beszélnek hozzá, ha a vendég mikrofont kap, és ha a tulajdonneveket előre megadják a rendszernek.

### Beszélhet egy humanoid robot több nyelven egyetlen rendezvényen?

Igen, ha a beszélgetőszoftver támogatja. A MERA Robotics rendszere, a MERA OS több mint 70 nyelven folytat beszélgetést, köztük lengyelül, angolul és magyarul, mindegyik nyelvhez illő hanggal.

### Tudatni kell a vendégekkel, hogy mesterséges intelligenciával beszélnek?

Az EU-ban az AI Act 2026. augusztus 2-tól alkalmazandó átláthatósági szabályai szerint az MI-rendszerrel közvetlenül kommunikáló embereket tájékoztatni kell erről, hacsak ez nem nyilvánvaló. Humanoid robotnál általában elég egy mondat a köszöntésben vagy egy tábla a standon.

## Források

- [Unitree G1: manufacturer specifications](https://www.unitree.com/g1)
- [Stivers et al. (2009), Universals and cultural variation in turn-taking in conversation, PNAS](https://pmc.ncbi.nlm.nih.gov/articles/PMC2705608/)
- [EU AI Act, Article 50: transparency obligations](https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-50)
- [EU AI Act, Article 113: entry into force and application](https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-113)

Ezt az oldalt a MERA Robotics teszi közzé: a cég licenceli a MERA OS-t, a humanoid robotok beszélgetőszoftverét.

## Kapcsolat

MERA Robotics: contact@merarobotics.com, https://merarobotics.com
Humanoid robot bérlése rendezvényekre: https://merarobotics.com/hu/events
