En humanoid robot pratar genom en kedja av mjukvara: mikrofoner fångar ljudet, taligenkänningen gör om det till text, en språkmodell skriver ett svar som passar personan och kunskapen om evenemanget, och talsyntesen läser upp det. Samtalets kvalitet beror på mjukvaran, den förberedda kunskapen och akustiken, inte bara på själva roboten. MERA Robotics (Warszawa, Polen) gör det med sitt eget system, MERA OS, som för samtal på mer än 70 språk.
Innehåll
Hur går ett samtal med en humanoid robot till, steg för steg?Vad hör en humanoid robot, och hur hanterar den buller?Hur vet en humanoid robot vad den ska säga?Varför är robotens svarshastighet så viktig?Hur många språk och vilken röst kan en humanoid robot använda?Måste människor få veta att de pratar med en AI?Vad ska du kontrollera före ett evenemang med en talande robot?Hur väljer du partner för samtal med humanoida robotar?En humanoid robot pratar med människor genom en kedja av mjukvara: mikrofoner fångar upp ljudet, taligenkänningen gör om det till text, en språkmodell skriver ett svar som passar robotens persona och det den vet om evenemanget, och talsyntesen gör om svaret till den röst som hörs ur högtalaren. Själva roboten (till exempel en Unitree G1) står för ”öronen”, ”munnen” och rörelserna. Samtalets kvalitet beror på mjukvaran och på hur väl den är förberedd för en viss plats.
Hur går ett samtal med en humanoid robot till, steg för steg?
Ett samtal med en humanoid robot går igenom fem steg som upprepas vid varje replikskifte:
| Steg | Vad som händer | Vad kvaliteten beror på |
|---|---|---|
| Lyssna | robotens mikrofoner (eller en extern mikrofon) fångar ljudet | buller, avstånd till talaren, eko i rummet |
| Avgöra tur | systemet avgör när en person har börjat och slutat tala | känslighetsinställningar, sorl i bakgrunden |
| Taligenkänning | talet omvandlas till text | språk, brytning, egennamn, barnröster |
| Svar | en språkmodell skriver svaret utifrån persona och kunskap | kvaliteten på personabeskrivningen och kunskapsbasen, regler för ämnen |
| Röst och rörelse | talsyntes, högtalare, gester | röst som passar språket, volym, lokalens ljudanläggning |
En svag länk var som helst förstör hela kedjan. Det vanligaste felet på evenemang är inte en ”dum AI”, utan en robot som hörde fel i bullret från publiken och sedan svarade korrekt på något som ingen hade frågat.

Vad hör en humanoid robot, och hur hanterar den buller?
En humanoid robot hör med sin inbyggda mikrofonuppsättning, och i en bullrig lokal fungerar det ofta bättre med en extra mikrofon nära talarens mun. Enligt tillverkaren har Unitree G1 en ”4 Microphone Array” och en ”5W Speaker”, alltså fyra mikrofoner och en högtalare på 5 W (Unitree G1, specifikationer). Det räcker för ett samtal på ett kontor, i en showroom eller i en lugn monter.
På en mässa, en gala eller en festival förändras läget: musik, scenens ljudanläggning och mängder av samtidiga samtal når samma mikrofoner. Det här hjälper i praktiken:
- att gästen går nära roboten och talar direkt till den, inte från sidan,
- en handmikrofon eller riktmikrofon för gäster på scen och i paneler,
- att montern placeras långt från scenens högtalare,
- att systemet får egennamn i förväg (varumärke, produkter, talarnas namn) så att taligenkänningen inte förvränger dem,
- tester i den faktiska lokalen, inte bara på kontoret.
Samma sak gäller ljudet ut: robotens inbyggda högtalare räcker i ett samtal mellan två personer, men vid ett scenframträdande måste robotens ljud gå in i lokalens ljudanläggning.
Hur vet en humanoid robot vad den ska säga?
En humanoid robots svar skrivs av en språkmodell som får en beskrivning av personan, kunskap om evenemanget och regler för vad roboten inte får säga. Modellen kan språket och världen i allmänhet, men den vet ingenting om konferensens program, kundens produkter eller var garderoben finns. Den kunskapen måste förberedas.
Ett bra förberedelsepaket omfattar:
- persona: namn, karaktär, sätt att tala, svarens längd,
- kunskap: program, talare, erbjudande, svar på gästernas typiska frågor,
- gränser: uteslutna ämnen, hur roboten tackar nej, vad den gör med frågor om politik eller konkurrenter,
- manus: hälsning, inbjudan att ta ett foto, överlämning av gästen till en person i montern.
Så arbetar MERA Robotics: robotens repliker förbereds för varje evenemang i en evenemangsprofil med kunskap om kunden och programmet, och roboten kan få en egen varumärkesidentitet med namn, karaktär och kunskap om erbjudandet.
Vissa system kombinerar samtalet med kamerabilden. Roboten känner då igen ett föremål framför sig, till exempel en produktmodell i en utställning, och hänvisar till det i samtalet. Det är användbart i showrooms och montrar, där gästerna frågar ”och vad är det här?”.
Varför är robotens svarshastighet så viktig?
En humanoid robots svarshastighet avgör om samtalet känns naturligt, eftersom människor är vana vid mycket korta pauser mellan replikerna. En studie av tio språk som publicerades i PNAS visade att det vanligaste uppehållet mellan slutet av en replik och början på svaret på alla språk var en liten bråkdel av en sekund (Stivers m.fl., PNAS 2009).
Ingen kedja av taligenkänning, språkmodell och talsyntes svarar lika snabbt som en människa, så robotsystemen kompenserar genom hur de för samtalet:
- svaret börjar spelas upp innan det är helt färdigt,
- korta svar i stället för långa monologer,
- en gest eller en huvudrörelse direkt efter frågan, så att gästen vet att roboten lyssnar,
- möjligheten att avbryta roboten mitt i en mening.
Det andra problemet är ögonblicket då roboten avgör att personen har talat klart. För tidigt, och roboten avbryter vid varje tankepaus. För sent, och gästerna väntar under tystnad. Inställningen ska passa publiken: barn och personer som talar ett främmande språk gör längre pauser.
Hur många språk och vilken röst kan en humanoid robot använda?
Antalet språk och valet av röst beror på den humanoida robotens samtalsmjukvara, inte på hårdvaran. MERA OS, samtalssystemet som utvecklats av MERA Robotics, för samtal på mer än 70 språk, bland annat svenska, polska och engelska, med en röst som anpassas till varje språk och ett inhemskt uttal. På ett internationellt evenemang kan roboten hälsa på en gäst på engelska och prata med nästa på svenska.
När du väljer röst, kontrollera:
- om den passar personan (ålder, temperament, varumärke),
- om den låter naturlig på språket och inte som en översättning från engelska,
- hur den uttalar kundens egennamn,
- om taltempot förblir begripligt i buller.
Måste människor få veta att de pratar med en AI?
Ja: i Europeiska unionen följer skyldigheten att informera människor om att de pratar med en AI av AI-förordningen, och bestämmelsen tillämpas från den 2 augusti 2026. Den kräver att AI-system som är avsedda att interagera direkt med människor utformas så att människorna informeras om att de interagerar med ett AI-system, om det inte är uppenbart (AI-förordningen, transparensskyldigheter, ikraftträdande och tillämpning). Informationen ska vara tydlig och ges senast vid den första interaktionen.
Med en humanoid robot är det oftast uppenbart att det är en maskin som pratar. Ändå är en mening i robotens hälsning eller en skylt i montern enkelt och undanröjer alla tvivel. Data är en separat fråga: om samtalen spelas in eller loggas ska gästerna veta om det.
Vad ska du kontrollera före ett evenemang med en talande robot?
Före ett evenemang med en talande humanoid robot, kontrollera sju saker:
- Ett samtalstest i den faktiska lokalen eller i liknande buller.
- En lista över egennamn som roboten måste känna igen och uttala rätt.
- Persona och svarslängd godkända av kunden.
- En lista över uteslutna ämnen och hur roboten tackar nej.
- En plan för scenen: mikrofon för gästen, anslutning till ljudanläggningen.
- En skylt som talar om för gästerna att de pratar med en AI.
- En operatör på plats som kan ta över, byta språk eller stoppa roboten.
Modeller som finns för evenemang hittar du i katalogen över robotar att hyra och köpa.
Hur väljer du partner för samtal med humanoida robotar?
Bedöm en partner för samtal med humanoida robotar utifrån kriterier som du kan kontrollera innan du skriver på:
- egen samtalsmjukvara i stället för en enda, stelbent app från tillverkaren,
- antal språk och hur naturlig rösten låter på ditt språk,
- persona och kunskap förberedda för ditt evenemang, inte en allmän chattbot,
- operatörer på plats som reagerar när något går fel,
- robotmodeller som går att hyra eller köpa,
- erfarenhet av evenemang i hemlandet och utomlands.
Vanliga frågor
Förstår en humanoid robot vad människor säger till den?
En humanoid robot omvandlar tal till text, och en språkmodell tolkar innebörden och skriver ett svar. Den förstår frågor som ställs på naturligt språk, men kunskap om ett visst evenemang, erbjudande eller program måste förberedas i förväg.
Varför svarar en robot ibland på något annat än det man frågade?
Oftast för att den hörde fel i bullret: taligenkänningen skrev ner andra ord, och modellen svarade korrekt på den felaktigt nedskrivna frågan. Det hjälper att tala på nära håll, att ge gästen en mikrofon och att i förväg mata in egennamn i systemet.
Kan en humanoid robot tala flera språk på samma evenemang?
Ja, om samtalsmjukvaran stöder det. Fråga leverantören vilka språk systemet hanterar, lyssna på ett inspelat exempel på varje språk och testa uttalet av egennamn under repetitionen.
Måste gästerna få veta att de pratar med en AI?
I EU kräver AI-förordningen, som tillämpas från den 2 augusti 2026, att människor som interagerar direkt med ett AI-system informeras om det, om det inte är uppenbart. Med en humanoid robot räcker oftast en mening i hälsningen eller en skylt vid montern.














