Voice agenti v API: vlastní hlas je jen začátek

Xai 30. dubna 2026 představilo Custom Voices and Voice Library. Vlastní hlas lze vytvořit z krátkého záznamu a používat v TTS i Voice Agent API.

OpenAI na to 7. května 2026 navázalo širším releasem hlasových modelů v API: GPT-Realtime-2, GPT-Realtime-Translate a GPT-Realtime-Whisper. Tím se voice agenti posouvají z vrstvy „umí mluvit“ do vrstvy „umí vést živý úkol, volat nástroje, překládat a průběžně přepisovat.“

Není to nový frontier model v textu. Přesto je to praktická novinka pro firmy, které berou voice agenty vážně. Hlas už není jen technický výstup. Začíná být součástí značky, zákaznické zkušenosti a governance.

Co se mění

Xai umožňuje vytvořit vlastní hlas z referenčního audia. Dokumentace uvádí limit až 120 sekund audio ukázky a až 30 custom voices na tým. Vytváření přes API je dostupné pro Enterprise týmy.

Custom voices lze použít ve dvou vrstvách:

TTS API
Voice Agent API přes REST nebo WebSocket

OpenAI přidává druhou polovinu skládačky: živé hlasové modely pro produkční interakce. GPT-Realtime-2 je určený pro konverzace, kde model zároveň drží kontext, reaguje na přerušení, volá nástroje a posouvá úkol dál. GPT-Realtime-Translate překládá řeč z více než 70 vstupních jazyků do 13 výstupních jazyků. GPT-Realtime-Whisper řeší nízkolatenční živý přepis.

Co to znamená v praxi

Pro firmy je nejzajímavější produktová stránka. Pokud stavíte voice support, interní voice asistenty nebo automatizované audio výstupy, vlastní hlas může být rozdíl mezi technickým demem a produktem, který působí konzistentně.

Dává smysl například pro:

zákaznickou podporu s jednotným brand voice,
interní asistenty pro onboarding nebo školení,
generování audia pro produktové návody,
vícejazyčné voice workflow,
přepis a sumarizaci hovorů v reálném čase,
voice agenty, kteří volají interní nástroje místo toho, aby jen odpovídali.

Kde si počkat

Tady je potřeba být opatrný. Technologie klonování hlasu je užitečná, ale citlivá. Bez interních pravidel bych ji nepouštěl do zákaznické komunikace.

Minimum pro firemní nasazení:

výslovný souhlas osoby, jejíž hlas používáte,
auditní stopa, kdo hlas vytvořil a kde se používá,
pravidla pro archivaci referenčních nahrávek,
krizový postup při zneužití nebo úniku,
jasné označení syntetického hlasu tam, kde to dává smysl,
vlastní guardrails nad tím, co agent smí slíbit nebo spustit.

OpenAI u Realtime API zmiňuje aktivní klasifikátory a požadavek, aby vývojáři dali uživatelům jasně najevo, že interagují s AI, pokud to není z kontextu zřejmé. To je dobré minimum. Pro firmu to ale není celá governance.

Závěr

Vlastní hlas od Xai a nové realtime modely od OpenAI ukazují stejný směr: voice agenti se posouvají z demo fáze do produktové vrstvy.

Pokud firma používá AI jen jako textový chatbot, tahle novinka ji nemusí zajímat. Pokud ale řeší customer support, onboarding, call centra, přepis schůzek nebo interní asistenty, hlasové workflow bude brzy normální součást AI stacku. Jen je potřeba řešit governance dřív než marketing.

Zdroje: Xai: Custom Voices and Voice Library, Xai Docs: Custom Voices, OpenAI: Advancing voice intelligence with new models in the API, Tomáš AI: Konec call center? OpenAI vydává reálné hlasové AI agenty.