Voice agenti: API nestačí, lokální TTS stojí na jazyku a licenci

Aktualizace 22. září 2026: GPT‑Live‑1 a Gemini 3.8 Live

Hlasový agent už není jen přepis, textová odpověď a syntéza řeči. GPT‑Live‑1 byl oznámen 10. září, tedy před sledovaným týdnem; doplňuji ho jako chybějící kontext. Jeho full-duplex rozhraní odděluje živou hlasovou konverzaci od backendového uvažování a nástrojů. Modelová dokumentace uvádí 0,05 USD za minutu session, účtovanou po sekundách; backendový model a nástroje se platí zvlášť. Hodina tedy znamená 3 USD ještě před backendem.

Google představil Gemini 3.8 Live 15. září, článek aktualizoval 17. září. Vedle standardní varianty popisuje Extended Thinking a práci s nástroji na pozadí. Přístup přes vývojářské služby, enterprise preview a dostupnost ve spotřebitelské aplikaci nejsou zaměnitelné.

Pro support bych testoval přerušení řeči, čekání na CRM, opravu špatně rozpoznaného údaje a předání člověku. Model může během vyhledávání pokračovat v rozhovoru; nesmí ale oznámit provedenou refundaci, dokud ji nepotvrdí nástroj. Měřte latenci do první reakce i do skutečného výsledku, cenu celé session a úspěšnost předání. Níže popsané TTS a lokální varianty řeší jiné vrstvy stejného procesu.

Vlastní hlas už není výsadou jednoho API. Vedle xAI a OpenAI lze dnes testovat i lokální nebo open-weight TTS modely, které umějí zero-shot voice cloning z krátké referenční nahrávky.

Nový praktický test Jirky Herníka porovnal Higgs Audio, Chatterbox a Qwen TTS na jeho vlastním hlasu. Výsledek není laboratorní benchmark, ale ukazuje přesně to, co firmy často zjistí až pozdě: dobré demo v podporovaném jazyce neznamená spolehlivý český voice workflow.

Co ukázal český test

Higgs Audio se v ukázce podobal referenčnímu hlasu nejvíc. Chatterbox komolil příjmení a Qwen se rozpadal na větě, která přecházela z češtiny do angličtiny. Delší referenční nahrávka ani nahrávka se správnou výslovností jména automaticky nevyřešila všechny problémy.

Tahle zkušenost musí zůstat správně označená: jde o jeden hlas, několik referenčních klipů a konkrétní konfiguraci. Není to důkaz, že jeden model obecně poráží ostatní.

Je to ale dobrý smoke test. Pro český produkt musíte ověřit minimálně:

výslovnost jmen, zkratek, částek a adres,
čistou češtinu i přechody mezi češtinou a angličtinou,
konzistenci stejné věty napříč běhy,
delší text, nejen desetisekundový klip,
rychlost generování a spotřebu VRAM,
nechtěné opakování, zakoktání a text, který v zadání nebyl.

Podporovaný jazyk není detail

Současný repozitář Chatterbox Multilingual uvádí podporované jazyky, ale čeština ani slovenština v seznamu nejsou. Qwen3-TTS v oficiálním technickém reportu popisuje deset tréninkových jazyků; ani tam čeština není. Higgs Audio V2 pracuje s omezenou jazykovou sadou.

Model může mimo oficiálně podporované jazyky něco vygenerovat. To ale není stejné jako produkční podpora. U code-switchingu se mohou měnit přízvuk, tempo, výslovnost i identita hlasu. Pokud produkt musí spolehlivě číst české názvy firem, jména zákazníků nebo čísla faktur, tento test je důležitější než obecný leaderboard.

Pozor na rozdíl mezi kódem a vahami

„Open source TTS“ je příliš hrubá nálepka.

Qwen3-TTS publikuje kód a modely pod Apache 2.0. Chatterbox uvádí MIT licenci. U Higgs Audio je situace složitější: repozitář má Apache-2.0, ale váhy Higgs Audio V2 jsou dostupné pod vlastní Boson Higgs Audio 2 Community License. Ta ukládá atribuční povinnosti a u produktů nebo služeb nad 100 000 ročních aktivních uživatelů vyžaduje rozšířenou licenci.

Pro firemní nasazení proto kontrolujte zvlášť:

licenci zdrojového kódu,
licenci modelových vah,
omezení pro komerční použití a redistribuci,
povinnou atribuci,
licenci závislostí a datasetů,
podmínky pro fine-tuning a odvozené modely.

Licence není checkbox po dokončení prototypu. Může změnit výběr modelu i způsob distribuce.

Kdy lokální TTS dává smysl

Lokální inference je zajímavá, když potřebujete držet referenční nahrávky a generované audio ve vlastní infrastruktuře, generovat větší objem bez ceny za každý znak nebo provozovat voice workflow s předvídatelnou latencí.

Dává smysl například pro:

interní školení a produktové návody,
drafty podcastů a video voice-overů,
čtení interních reportů,
hlasovou vrstvu nad lokálním asistentem,
dávkové audio verze obsahu,
testovací prostředí před výběrem placeného API.

Neznamená to, že lokální je automaticky levnější. Počítejte GPU, provoz, aktualizace, monitoring, fronty, fallbacky a čas na ladění výslovnosti.

API a lokální model nejsou stejné řešení

xAI umožňuje vytvářet custom voices a používat je v TTS i Voice Agent API. OpenAI posouvá Realtime API směrem k živým konverzacím, tool callům, překladu a přepisu. Tyto služby řeší část infrastruktury za vás.

Lokální TTS vám dává větší kontrolu nad daty a provozem, ale musíte doplnit orchestraci. Pro reálného voice agenta stále potřebujete ASR, řízení dialogu, přerušení, nástroje, timeouty, moderaci, audit a eskalaci na člověka.

Dobrá architektura může být hybridní: lokální TTS pro interní nebo dávkové výstupy, API pro realtime konverzaci, a jednotná governance vrstva nad oběma.

Jak bych modely porovnával

Nepouštěl bych jen jednu hezkou větu. Vytvořil bych malý firemní eval set:

30 běžných českých vět,
20 jmen, značek, adres a zkratek,
10 vět s čísly, měnami a daty,
10 česko-anglických přechodů,
tři délky referenčního audia,
tři opakování každého vzorku.

Člověk pak hodnotí srozumitelnost, podobnost hlasu, správnost textu, stabilitu, latenci a přijatelnost pro konkrétní použití. Pokud je výstup zákaznický, přidejte test ve sluchátkách, telefonu a hlučném prostředí.

Governance musí začít před klonováním

Klonování hlasu vyžaduje výslovný souhlas osoby, auditní stopu, retenční pravidla pro zdrojové nahrávky a proces pro odvolání souhlasu. Syntetický hlas také nesmí dostat širší oprávnění jen proto, že zní důvěryhodně.

U zákaznické komunikace bych přidal jasné oznámení, že jde o AI, omezení toho, co agent smí slíbit nebo spustit, a jednoduchou možnost přepojení na člověka.

Můj závěr

Lokální voice cloning je už prakticky dostupný. Pro češtinu ale ještě není rozhodnutí „vyberu model s nejhezčím demem“.

Rozhoduje jazyková podpora, code-switching, licence vah, náklady na provoz a kvalita na vlastním eval setu. API služby řeší infrastrukturu, lokální modely dávají kontrolu. Ani jedna cesta neřeší souhlas, audit a bezpečnost za vás.

Zdroje: Jirka Herník: Higgs Audio vs Chatterbox vs Qwen TTS, Boson AI: Higgs Audio, Higgs Audio V2 model licence, Resemble AI: Chatterbox, Qwen3-TTS, Qwen3-TTS technical report, xAI Custom Voices a OpenAI voice models in the API.