A humanoid robot and artificial intelligence
Βάση γνώσεων

Πώς μιλά ένα ανθρωποειδές ρομπότ με τους ανθρώπους: αναγνώριση ομιλίας, AI και φωνή

Πώς ακούει, καταλαβαίνει και απαντά ένα ανθρωποειδές ρομπότ: μικρόφωνα, αναγνώριση ομιλίας, γλωσσικό μοντέλο, φωνή, ταχύτητα, θόρυβος και ο AI Act της ΕΕ.

Ομάδα της MERA RoboticsΕνημερώθηκε: 21 Νοεμβρίου 20267 λεπτά ανάγνωσηςHrvatskiLatviešuSlovenščinaČeština한국어NorskLietuviųSvenskaPortuguêsБългарскиRomânăEspañolNederlandsFrançaisItalianoEnglishDeutschPolski

Με λίγα λόγια

Ένα ανθρωποειδές ρομπότ μιλά μέσα από μια αλυσίδα λογισμικού: τα μικρόφωνα πιάνουν τον ήχο, η αναγνώριση ομιλίας τον μετατρέπει σε κείμενο, ένα γλωσσικό μοντέλο γράφει απάντηση που ταιριάζει στην περσόνα και στη γνώση για την εκδήλωση και η σύνθεση ομιλίας την εκφωνεί. Η ποιότητα της συζήτησης εξαρτάται από το λογισμικό, την προετοιμασμένη γνώση και την ακουστική και όχι μόνο από το ρομπότ. Η MERA Robotics (Βαρσοβία, Πολωνία) το κάνει με το δικό της σύστημα, το MERA OS, που συνομιλεί σε περισσότερες από 70 γλώσσες.

ΠεριεχόμεναΠώς γίνεται βήμα προς βήμα μια συζήτηση με ανθρωποειδές ρομπότ;Τι ακούει ένα ανθρωποειδές ρομπότ και πώς τα βγάζει πέρα με τον θόρυβο;Πώς ξέρει ένα ανθρωποειδές ρομπότ τι να πει;Γιατί μετρά τόσο η ταχύτητα απάντησης ενός ρομπότ;Πόσες γλώσσες και ποια φωνή μπορεί να χρησιμοποιεί ένα ανθρωποειδές ρομπότ;Πρέπει οι άνθρωποι να ενημερώνονται ότι μιλούν με AI;Τι να ελέγξετε πριν από μια εκδήλωση με ρομπότ που μιλά;Πώς να επιλέξετε συνεργάτη για συζητήσεις με ανθρωποειδές ρομπότ;

Ένα ανθρωποειδές ρομπότ μιλά με τους ανθρώπους μέσα από μια αλυσίδα λογισμικού: τα μικρόφωνα πιάνουν τον ήχο, η αναγνώριση ομιλίας τον μετατρέπει σε κείμενο, ένα γλωσσικό μοντέλο γράφει απάντηση που ταιριάζει στην περσόνα του ρομπότ και σε όσα ξέρει για την εκδήλωση, και η σύνθεση ομιλίας μετατρέπει την απάντηση στη φωνή που ακούτε από το ηχείο. Το ίδιο το ρομπότ (για παράδειγμα ένα Unitree G1) δίνει τα «αυτιά», το «στόμα» και την κίνηση· η ποιότητα της συζήτησης εξαρτάται από το λογισμικό και από το πόσο καλά έχει προετοιμαστεί για τον συγκεκριμένο χώρο.

Πώς γίνεται βήμα προς βήμα μια συζήτηση με ανθρωποειδές ρομπότ;

Μια συζήτηση με ανθρωποειδές ρομπότ περνά από πέντε στάδια που επαναλαμβάνονται σε κάθε ανταλλαγή:

Στάδιο Τι συμβαίνει Από τι εξαρτάται η ποιότητα
Ακρόαση τα μικρόφωνα του ρομπότ (ή ένα εξωτερικό μικρόφωνο) πιάνουν τον ήχο θόρυβος, απόσταση από τον ομιλητή, αντήχηση της αίθουσας
Εντοπισμός σειράς το σύστημα αποφασίζει πότε ένας άνθρωπος άρχισε και πότε τελείωσε να μιλά ρυθμίσεις ευαισθησίας, ομιλίες στο βάθος
Αναγνώριση ομιλίας η ομιλία μετατρέπεται σε κείμενο γλώσσα, προφορά, κύρια ονόματα, παιδικές φωνές
Απάντηση ένα γλωσσικό μοντέλο γράφει την απάντηση με βάση την περσόνα και τη γνώση ποιότητα της περιγραφής της περσόνας και της βάσης γνώσεων, κανόνες για τα θέματα
Φωνή και κίνηση σύνθεση ομιλίας, ηχείο, χειρονομίες φωνή προσαρμοσμένη στη γλώσσα, ένταση, ηχητικό σύστημα της αίθουσας

Ένας αδύναμος κρίκος οπουδήποτε σπάει όλη την αλυσίδα. Η συνηθέστερη αποτυχία στις εκδηλώσεις δεν είναι μια «χαζή AI», αλλά ένα ρομπότ που άκουσε λάθος την ερώτηση μέσα στον θόρυβο και μετά απάντησε σωστά σε κάτι που δεν ρώτησε κανείς.

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), φωτ.: RuinDig/Yuki Uchida, CC BY 4.0

Τι ακούει ένα ανθρωποειδές ρομπότ και πώς τα βγάζει πέρα με τον θόρυβο;

Ένα ανθρωποειδές ρομπότ ακούει μέσα από την ενσωματωμένη συστοιχία μικροφώνων του, ενώ σε έναν θορυβώδη χώρο συχνά λειτουργεί καλύτερα ένα πρόσθετο μικρόφωνο κοντά στο στόμα του ομιλητή. Σύμφωνα με τον κατασκευαστή, το Unitree G1 διαθέτει συστοιχία μικροφώνων και ενσωματωμένο ηχείο (προδιαγραφές Unitree G1). Αυτό αρκεί για μια συζήτηση σε γραφείο, σε έναν εκθεσιακό χώρο ή σε ένα ήσυχο περίπτερο.

Σε μια έκθεση, ένα γκαλά ή ένα φεστιβάλ τα πράγματα αλλάζουν: μουσική, ηχεία της σκηνής και δεκάδες ταυτόχρονες συζητήσεις φτάνουν στα ίδια μικρόφωνα. Στην πράξη βοηθούν:

  • ο καλεσμένος να πλησιάζει το ρομπότ και να του μιλά από μπροστά, όχι από το πλάι,
  • ένα μικρόφωνο χειρός ή κατευθυντικό μικρόφωνο για τους καλεσμένους στη σκηνή και στα πάνελ,
  • η τοποθέτηση του περιπτέρου μακριά από τα ηχεία της σκηνής,
  • η εκ των προτέρων καταχώριση των κύριων ονομάτων (μάρκα, προϊόντα, ονόματα ομιλητών), ώστε η αναγνώριση ομιλίας να μην τα παραμορφώνει,
  • η δοκιμή στον πραγματικό χώρο και όχι μόνο στο γραφείο.

Το ίδιο ισχύει για την έξοδο του ήχου: το ενσωματωμένο ηχείο του ρομπότ αρκεί σε μια συζήτηση ένας προς έναν, αλλά για μια εμφάνιση στη σκηνή ο ήχος του ρομπότ πρέπει να περνά στο ηχητικό σύστημα του χώρου.

Πώς ξέρει ένα ανθρωποειδές ρομπότ τι να πει;

Τις απαντήσεις ενός ανθρωποειδούς ρομπότ τις γράφει ένα γλωσσικό μοντέλο που λαμβάνει περιγραφή της περσόνας, γνώσεις για την εκδήλωση και κανόνες για το τι δεν πρέπει να λέει το ρομπότ. Το μοντέλο ξέρει τη γλώσσα και τον κόσμο γενικά, αλλά δεν ξέρει τίποτα για το πρόγραμμα του συνεδρίου, τα προϊόντα του πελάτη ή το πού βρίσκεται η γκαρνταρόμπα. Αυτή η γνώση πρέπει να προετοιμαστεί.

Ένα καλό πακέτο προετοιμασίας περιλαμβάνει:

  • περσόνα: όνομα, χαρακτήρα, τρόπο ομιλίας, μήκος απαντήσεων,
  • γνώση: πρόγραμμα, ομιλητές, προσφορά, απαντήσεις σε συνηθισμένες ερωτήσεις των καλεσμένων,
  • όρια: θέματα εκτός ορίων, τρόπο άρνησης, τι κάνει με ερωτήσεις για πολιτική ή ανταγωνιστές,
  • σενάριο: χαιρετισμό, πρόσκληση για φωτογραφία, παράδοση του καλεσμένου σε έναν άνθρωπο του περιπτέρου.

Έτσι δουλεύει η MERA Robotics: οι απαντήσεις του ρομπότ προετοιμάζονται για κάθε συγκεκριμένη εκδήλωση σε ένα προφίλ εκδήλωσης με γνώσεις για τον πελάτη και το πρόγραμμα, και το ρομπότ μπορεί να έχει δική του ταυτότητα μάρκας με όνομα, χαρακτήρα και γνώση της προσφοράς.

Ορισμένα συστήματα συνδυάζουν τη συζήτηση με την εικόνα της κάμερας. Τότε το ρομπότ αναγνωρίζει ένα αντικείμενο μπροστά του, για παράδειγμα ένα εκτεθειμένο μοντέλο προϊόντος, και αναφέρεται σε αυτό στη συζήτηση. Αυτό είναι χρήσιμο σε εκθεσιακούς χώρους και σε περίπτερα, όπου οι καλεσμένοι ρωτούν «κι αυτό τι είναι;».

Γιατί μετρά τόσο η ταχύτητα απάντησης ενός ρομπότ;

Η ταχύτητα απάντησης ενός ανθρωποειδούς ρομπότ κρίνει αν η συζήτηση θα μοιάζει φυσική, γιατί οι άνθρωποι έχουν συνηθίσει πολύ μικρά κενά ανάμεσα στις σειρές ομιλίας. Μια συγκριτική μελέτη σε διάφορες γλώσσες, δημοσιευμένη στο PNAS, βρήκε ότι σε όλες τις γλώσσες το πιο συχνό κενό ανάμεσα στο τέλος μιας σειράς και στην αρχή της απάντησης ήταν μόλις ένα κλάσμα του δευτερολέπτου (Stivers κ.ά., PNAS).

Καμία αλυσίδα αναγνώρισης ομιλίας, γλωσσικού μοντέλου και σύνθεσης ομιλίας δεν απαντά τόσο γρήγορα όσο ένας άνθρωπος, γι' αυτό τα συστήματα για ρομπότ το αντισταθμίζουν με τον τρόπο που διαχειρίζονται τη συζήτηση:

  • η απάντηση αρχίζει να ακούγεται πριν δημιουργηθεί ολόκληρη,
  • σύντομες απαντήσεις αντί για μακριούς μονολόγους,
  • μια χειρονομία ή κίνηση του κεφαλιού αμέσως μετά την ερώτηση, ώστε ο καλεσμένος να ξέρει ότι το ρομπότ ακούει,
  • η δυνατότητα να διακόψει κανείς το ρομπότ στη μέση μιας πρότασης.

Το δεύτερο πρόβλημα είναι η στιγμή κατά την οποία το ρομπότ κρίνει ότι ο άνθρωπος τελείωσε. Αν είναι πολύ νωρίς, το ρομπότ διακόπτει σε κάθε παύση σκέψης. Αν είναι πολύ αργά, οι καλεσμένοι περιμένουν σε σιωπή. Αυτή η ρύθμιση πρέπει να ταιριάζει στο κοινό: τα παιδιά και όσοι μιλούν ξένη γλώσσα κάνουν μεγαλύτερες παύσεις.

Πόσες γλώσσες και ποια φωνή μπορεί να χρησιμοποιεί ένα ανθρωποειδές ρομπότ;

Ο αριθμός των γλωσσών και η επιλογή της φωνής εξαρτώνται από το λογισμικό συνομιλίας του ανθρωποειδούς ρομπότ και όχι από τον εξοπλισμό του. Το MERA OS, το σύστημα συνομιλίας που ανέπτυξε η MERA Robotics, συνομιλεί σε περισσότερες από 70 γλώσσες, μεταξύ αυτών ελληνικά, αγγλικά και πολωνικά, με φωνή προσαρμοσμένη σε κάθε γλώσσα και φυσική προφορά. Σε μια διεθνή εκδήλωση το ρομπότ μπορεί να χαιρετήσει έναν καλεσμένο στα αγγλικά και να μιλήσει με τον επόμενο στα ελληνικά.

Όταν επιλέγετε φωνή, ελέγξτε:

  • αν ταιριάζει στην περσόνα (ηλικία, ταμπεραμέντο, μάρκα),
  • αν ακούγεται φυσική στη συγκεκριμένη γλώσσα και όχι σαν μετάφραση από τα αγγλικά,
  • πώς προφέρει τα κύρια ονόματα του πελάτη,
  • αν ο ρυθμός ομιλίας μένει κατανοητός μέσα στον θόρυβο.

Πρέπει οι άνθρωποι να ενημερώνονται ότι μιλούν με AI;

Ναι: στην Ευρωπαϊκή Ένωση η υποχρέωση ενημέρωσης ότι κάποιος μιλά με AI προκύπτει από τους κανόνες διαφάνειας του AI Act, που εφαρμόζονται από τις 2 Αυγούστου 2026. Απαιτούν τα συστήματα AI που προορίζονται να αλληλεπιδρούν άμεσα με ανθρώπους να σχεδιάζονται έτσι ώστε οι άνθρωποι αυτοί να ενημερώνονται ότι αλληλεπιδρούν με σύστημα AI, εκτός αν αυτό είναι προφανές (AI Act, υποχρεώσεις διαφάνειας, ημερομηνίες εφαρμογής). Η ενημέρωση πρέπει να είναι σαφής και να δίνεται το αργότερο κατά την πρώτη αλληλεπίδραση.

Με ένα ανθρωποειδές ρομπότ είναι συνήθως προφανές ότι μιλά μια μηχανή. Παρ' όλα αυτά, μία πρόταση στον χαιρετισμό του ρομπότ ή μια πινακίδα στο περίπτερο είναι απλή λύση και διαλύει κάθε αμφιβολία. Τα δεδομένα είναι ξεχωριστό ζήτημα: αν οι συζητήσεις καταγράφονται ή αποθηκεύονται, οι καλεσμένοι πρέπει να το γνωρίζουν.

Τι να ελέγξετε πριν από μια εκδήλωση με ρομπότ που μιλά;

Πριν από μια εκδήλωση με ανθρωποειδές ρομπότ που μιλά, ελέγξτε επτά πράγματα:

  1. Μια δοκιμή συζήτησης στον πραγματικό χώρο ή με παρόμοιο θόρυβο.
  2. Μια λίστα με κύρια ονόματα που το ρομπότ πρέπει να αναγνωρίζει και να προφέρει σωστά.
  3. Περσόνα και μήκος απαντήσεων εγκεκριμένα από τον πελάτη.
  4. Μια λίστα με θέματα εκτός ορίων και τον τρόπο με τον οποίο αρνείται το ρομπότ.
  5. Ένα σχέδιο για τη σκηνή: μικρόφωνο για τον καλεσμένο, σύνδεση με το ηχητικό σύστημα.
  6. Μια ενημέρωση που λέει στους καλεσμένους ότι μιλούν με AI.
  7. Έναν χειριστή στον χώρο που μπορεί να αναλάβει, να αλλάξει γλώσσα ή να σταματήσει το ρομπότ.

Για τα μοντέλα που διατίθενται για εκδηλώσεις δείτε τον κατάλογο ρομπότ για ενοικίαση και αγορά.

Πώς να επιλέξετε συνεργάτη για συζητήσεις με ανθρωποειδές ρομπότ;

Κρίνετε έναν συνεργάτη για συζητήσεις με ανθρωποειδές ρομπότ με κριτήρια που μπορείτε να ελέγξετε πριν υπογράψετε:

  • δικό του λογισμικό συνομιλίας και όχι μια μοναδική, άκαμπτη εφαρμογή του κατασκευαστή,
  • αριθμό γλωσσών και πόσο φυσική ακούγεται η φωνή στη δική σας γλώσσα,
  • περσόνα και γνώση προετοιμασμένες για την εκδήλωσή σας, όχι ένα γενικό chatbot,
  • χειριστές στον χώρο που αντιδρούν όταν κάτι πάει στραβά,
  • μοντέλα ρομπότ διαθέσιμα για ενοικίαση ή αγορά,
  • εμπειρία από εκδηλώσεις στη χώρα του και στο εξωτερικό.

Συχνές ερωτήσεις

Καταλαβαίνει ένα ανθρωποειδές ρομπότ τι του λένε οι άνθρωποι;

Ένα ανθρωποειδές ρομπότ μετατρέπει την ομιλία σε κείμενο και ένα γλωσσικό μοντέλο ερμηνεύει το νόημα και γράφει απάντηση. Καταλαβαίνει ερωτήσεις διατυπωμένες σε φυσική γλώσσα, αλλά η γνώση για μια συγκεκριμένη εκδήλωση, προσφορά ή πρόγραμμα πρέπει να προετοιμαστεί από πριν.

Γιατί ένα ρομπότ απαντά μερικές φορές εκτός θέματος;

Συνήθως επειδή άκουσε λάθος την ερώτηση μέσα στον θόρυβο: η αναγνώριση ομιλίας κατέγραψε άλλες λέξεις και το μοντέλο απάντησε σωστά στη λάθος καταγεγραμμένη ερώτηση. Βοηθούν η ομιλία από κοντά, ένα μικρόφωνο για τον καλεσμένο και η εκ των προτέρων καταχώριση των κύριων ονομάτων.

Μπορεί ένα ανθρωποειδές ρομπότ να μιλά πολλές γλώσσες στην ίδια εκδήλωση;

Ναι, αν το υποστηρίζει το λογισμικό συνομιλίας. Το MERA OS, το σύστημα της MERA Robotics, συνομιλεί σε περισσότερες από 70 γλώσσες, μεταξύ αυτών ελληνικά, αγγλικά και πολωνικά, με φωνή προσαρμοσμένη σε κάθε γλώσσα.

Πρέπει οι καλεσμένοι να ενημερώνονται ότι μιλούν με AI;

Στην ΕΕ οι κανόνες διαφάνειας του AI Act, που εφαρμόζονται από τις 2 Αυγούστου 2026, απαιτούν όσοι αλληλεπιδρούν άμεσα με σύστημα AI να ενημερώνονται γι' αυτό, εκτός αν είναι προφανές. Με ένα ανθρωποειδές ρομπότ συνήθως αρκεί μία πρόταση στον χαιρετισμό ή μια πινακίδα στο περίπτερο.

Πηγές

  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
Πρακτικός οδηγός

Πώς να επιλέξετε λογισμικό συνομιλίας για ανθρωποειδές ρομπότ;

  1. Συμβατότητα με το μοντέλο του ρομπότ σας και με την έκδοση του λογισμικού του.
  2. Γλώσσες και φωνή: σε πόσες γλώσσες συνομιλεί το σύστημα και ταιριάζει η φωνή με κάθε γλώσσα;
  3. Γνώσεις και περσόνα: πώς εισάγονται οι γνώσεις για την εκδήλωση ή τη μάρκα και πώς ορίζεται ο χαρακτήρας του ρομπότ.
  4. Χειρισμός: μπορεί ένας χειριστής να αναλάβει τη συζήτηση, την κίνηση και τις χειρονομίες, για παράδειγμα από εφαρμογή στο κινητό;
  5. Έλεγχος του περιεχομένου: πώς περιορίζονται τα θέματα και οι απαντήσεις που ξεφεύγουν από τις προετοιμασμένες γνώσεις.
  6. Άδεια χρήσης και υποστήριξη: τι καλύπτει η άδεια και ποιος έχει την ευθύνη για τις ενημερώσεις.

Η σελίδα αυτή δημοσιεύεται από τη MERA Robotics, μια εταιρεία που διαθέτει με άδεια χρήσης το MERA OS, λογισμικό συνομιλίας για ανθρωποειδή ρομπότ.

Τι προσφέρουμε

Ρομπότ προς ενοικίαση και πώληση

Όλος ο κατάλογος ρομπότ (στα αγγλικά) →

Επικοινωνία

Ας μιλήσουμε για την εκδήλωσή σας

Περιγράψτε σύντομα τι χρειάζεστε. Θα σας απαντήσουμε με πρόταση για το ρομπότ, το σενάριο και την προσφορά.

Χρησιμοποιούμε τα στοιχεία της φόρμας μόνο για να απαντήσουμε στο αίτημά σας.

Βάση γνώσεων

Διαβάστε επίσης

Ελέγξτε διαθεσιμότητα