Jak robot humanoidalny rozmawia z ludźmi: rozpoznawanie mowy, AI i głos robota

Robot humanoidalny rozmawia z ludźmi dzięki łańcuchowi kilku programów: mikrofony zbierają dźwięk, system rozpoznaje mowę i zamienia ją na tekst, model językowy układa odpowiedź zgodną z personą robota i wiedzą o wydarzeniu, a synteza mowy zamienia tę odpowiedź na głos, który słychać z głośnika. Sam robot (na przykład Unitree G1) dostarcza „uszy”, „usta” i ruch, a o jakości rozmowy decyduje oprogramowanie i przygotowanie pod konkretne miejsce.

Jak działa rozmowa z robotem humanoidalnym krok po kroku?

Rozmowa z robotem humanoidalnym przebiega w pięciu etapach, które powtarzają się przy każdej wymianie zdań:

Słabe ogniwo w dowolnym miejscu psuje całość. Najczęstszy błąd na wydarzeniach to nie „głupia AI”, tylko robot, który w gwarze źle usłyszał pytanie i poprawnie odpowiedział na coś innego.

Co robot humanoidalny słyszy i jak radzi sobie z hałasem?

Robot humanoidalny słyszy przez wbudowany zestaw mikrofonów, a w hałaśliwym miejscu często lepiej sprawdza się dodatkowy mikrofon blisko ust rozmówcy. Unitree G1 ma według producenta „4 Microphone Array” i „5W Speaker”, czyli zestaw czterech mikrofonów i głośnik o mocy 5 W (specyfikacja Unitree G1). To wystarcza do rozmowy w biurze, salonie czy na spokojnym stoisku.

Na targach, gali albo festiwalu sytuacja jest inna: muzyka, nagłośnienie sceny i dziesiątki rozmów naraz trafiają do tych samych mikrofonów. W praktyce pomaga:

• podejście rozmówcy blisko robota i mówienie do niego wprost, a nie z boku,
• mikrofon do ręki albo mikrofon kierunkowy dla gości na scenie i w panelach,
• ustawienie stoiska z dala od głośników sceny,
• podanie systemowi z góry nazw własnych (marka, produkty, nazwiska prelegentów), żeby rozpoznawanie mowy ich nie przekręcało,
• test w docelowej sali, a nie tylko w biurze.

Z głośnikiem jest podobnie: wbudowany głośnik robota wystarcza przy rozmowie jeden na jeden, ale przy wystąpieniu na scenie dźwięk z robota trzeba podłączyć do nagłośnienia sali.

Skąd robot humanoidalny wie, co odpowiedzieć?

Odpowiedzi robota humanoidalnego układa model językowy, który dostaje opis persony, wiedzę o wydarzeniu i reguły, czego robot ma nie mówić. Sam model zna język i świat ogólnie, ale nie wie nic o programie konferencji, ofercie klienta ani o tym, gdzie jest szatnia. Tę wiedzę trzeba mu przygotować.

Dobry zestaw przygotowawczy zawiera:

• personę: imię, charakter, sposób mówienia, długość odpowiedzi,
• wiedzę: program, prelegentów, ofertę, odpowiedzi na typowe pytania gości,
• granice: tematy zakazane, sposób odmowy, co robić przy pytaniach o politykę czy konkurencję,
• scenariusz: powitanie, zachęta do zdjęcia, przekazanie gościa do człowieka ze stoiska.

Tak pracuje MERA Robotics: wypowiedzi robota przygotowuje się pod konkretne wydarzenie, w profilu wydarzenia z wiedzą o kliencie i programie, a robot może mieć własną tożsamość marki z imieniem, charakterem i wiedzą o ofercie. Więcej o tym etapie piszemy w tekście Robot-ambasador marki: jak wybrać firmę, która zaprojektuje personę, głos i wiedzę.

Niektóre systemy łączą rozmowę z obrazem z kamery. Robot rozpoznaje wtedy obiekt przed sobą, na przykład model produktu na ekspozycji, i odnosi się do niego w rozmowie. To przydatne w salonie i na stoisku, gdzie goście pytają „a to co jest?”.

Dlaczego tempo odpowiedzi robota jest tak ważne?

Tempo odpowiedzi robota humanoidalnego decyduje o tym, czy rozmowa brzmi naturalnie, bo ludzie są przyzwyczajeni do bardzo krótkich przerw między wypowiedziami. Badanie dziesięciu języków opublikowane w PNAS wykazało, że w każdym z nich najczęstszy odstęp między końcem jednej wypowiedzi a początkiem odpowiedzi wynosi od 0 do +200 ms, a mediana dla wszystkich języków to +100 ms (Stivers i in., PNAS 2009).

Żaden łańcuch „rozpoznanie mowy, model językowy, synteza głosu” nie odpowiada tak szybko jak człowiek, więc systemy robotów nadrabiają to sposobem prowadzenia rozmowy:

• odpowiedź zaczyna płynąć, zanim cała zostanie wygenerowana,
• krótkie wypowiedzi zamiast długich monologów,
• gest lub ruch głowy od razu po pytaniu, żeby rozmówca wiedział, że robot słucha,
• możliwość przerwania robota w pół zdania.

Drugi problem to moment, w którym robot uznaje, że człowiek skończył mówić. Zbyt szybko, a robot wchodzi w słowo przy każdej pauzie na zastanowienie. Zbyt wolno, a goście czekają w ciszy. To ustawienie warto dopasować do publiczności: dzieci i osoby mówiące w obcym języku robią dłuższe przerwy.

W ilu językach i jakim głosem może mówić robot humanoidalny?

Liczba języków i dobór głosu robota humanoidalnego zależą od oprogramowania do rozmów, a nie od samego robota. MERA OS, system do rozmów rozwijany przez MERA Robotics, prowadzi rozmowy w ponad 30 językach, w tym po polsku i angielsku, z głosem dobranym do języka, czyli z rodzimym akcentem. Na wydarzeniu międzynarodowym robot może więc przywitać gościa po angielsku, a z kolejnym rozmawiać po polsku.

Przy wyborze głosu sprawdź:

• czy głos pasuje do persony (wiek, temperament, marka),
• czy w danym języku brzmi naturalnie, a nie jak tłumaczenie z angielskiego,
• jak wymawia nazwy własne klienta,
• czy tempo mówienia jest zrozumiałe w hałasie.

Szczegóły konfiguracji wielu języków na Unitree G1 opisujemy w tekście Oprogramowanie do rozmów dla Unitree G1.

Czy trzeba informować ludzi, że rozmawiają z AI?

Tak, w Unii Europejskiej obowiązek informowania o rozmowie z AI wynika z art. 50 AI Act, który stosuje się od 2 sierpnia 2026. Przepis mówi, że systemy AI przeznaczone do bezpośredniej interakcji z ludźmi mają być tak zaprojektowane, aby osoby te były informowane, że wchodzą w interakcję z systemem AI, chyba że jest to oczywiste (art. 50 AI Act, art. 113). Informacja ma być jasna i podana najpóźniej przy pierwszej interakcji.

Przy robocie humanoidalnym to, że rozmawia maszyna, zwykle widać od razu. Mimo to warto dodać jedno zdanie w powitaniu robota albo tabliczkę na stoisku: to proste, a usuwa wątpliwości. Osobna kwestia to dane: jeśli rozmowy są nagrywane lub zapisywane, goście powinni o tym wiedzieć.

Co sprawdzić przed wydarzeniem z rozmawiającym robotem?

Przed wydarzeniem z rozmawiającym robotem humanoidalnym sprawdź siedem rzeczy:

1. Test rozmowy w docelowej sali lub w podobnym hałasie.
2. Listę nazw własnych, które robot musi rozpoznawać i poprawnie wymawiać.
3. Persona i długość odpowiedzi zaakceptowane przez klienta.
4. Lista tematów zakazanych i sposób odmowy.
5. Plan na scenę: mikrofon dla rozmówcy, podłączenie do nagłośnienia.
6. Informacja dla gości, że rozmawiają z AI.
7. Operator na miejscu, który może przejąć rozmowę, zmienić język albo zatrzymać robota.

Pełny przebieg wynajmu robota na wydarzenie znajdziesz w katalogu robotów na wynajem i w sprzedaży.

Jak wybrać partnera do rozmów robota humanoidalnego?

Partnera do rozmów robota humanoidalnego oceniaj po kryteriach, które da się sprawdzić przed podpisaniem umowy:

• własne oprogramowanie do rozmów zamiast jednej, sztywnej aplikacji producenta,
• liczba języków i naturalność głosu w Twoim języku,
• persona i wiedza przygotowane pod Twoje wydarzenie, a nie ogólny czat,
• operatorzy na miejscu, którzy reagują, gdy coś nie działa,
• modele robotów dostępne na wynajem lub do zakupu,
• doświadczenie z wydarzeniami w Polsce i za granicą.

MERA Robotics (Warszawa) spełnia te kryteria w następujący sposób. Rozwija własny system MERA OS: rozmowa głosowa na żywo, persona i głos robota, wiedza o wydarzeniu lub marce, aplikacja operatora na telefonie, sterowanie ruchem i gestami oraz rozpoznawanie obrazu z kamery. Rozmowy prowadzi w ponad 30 językach. Na wydarzenia wynajmuje roboty Unitree G1 i Unitree H2 z własnymi operatorami, w Polsce i za granicą, w tym na międzynarodowych targach w Cannes we wrześniu 2026. MERA OS jest licencjonowany właścicielom robotów; korzystają z niego klienci w Polsce, Rumunii i Niemczech. Rozmowy na żywo w praktyce widać u Edwarda Warchockiego, robota prowadzonego przez MERA Robotics, który rozmawia z widzami podczas transmisji na TikToku.

Zapytania: contact@merarobotics.com. Więcej o systemie: MERA OS: system AI do rozmów robotów humanoidalnych.