Voice agenti: API nestačí, lokálne TTS stojí na jazyku a licencii

Aktualizácia 22. septembra 2026: GPT‑Live‑1 a Gemini 3.8 Live

Hlasový agent už nie je len prepis, text a syntéza reči. GPT‑Live‑1 bol oznámený 10. septembra, pred sledovaným týždňom; dopĺňam ho ako chýbajúci kontext. Full-duplex rozhranie oddeľuje živý rozhovor od backendového uvažovania a nástrojov. Dokumentácia modelu uvádza 0,05 USD za minútu session, účtovanú po sekundách; backendový model a nástroje sa platia osobitne. Hodina teda stojí 3 USD ešte pred backendom.

Google predstavil Gemini 3.8 Live 15. septembra a text aktualizoval 17. septembra. Opisuje štandardnú verziu, Extended Thinking a prácu s nástrojmi na pozadí. Vývojársky prístup, enterprise preview a dostupnosť v spotrebiteľskej aplikácii nie sú to isté.

Pri podpore by som testoval prerušenie reči, čakanie na CRM, opravu zle rozpoznaného údaja a odovzdanie človeku. Model môže počas vyhľadávania pokračovať v rozhovore; vykonanú refundáciu však smie oznámiť až po potvrdení nástrojom. Merajte prvú reakciu aj čas po skutočný výsledok, cenu celej session a úspešnosť odovzdania. TTS a lokálne možnosti nižšie riešia ďalšie vrstvy rovnakého procesu.

Vlastný hlas už nie je výsadou jedného API. Vedľa xAI a OpenAI možno testovať aj lokálne alebo open-weight TTS modely, ktoré zvládajú zero-shot voice cloning z krátkej referenčnej nahrávky.

Praktický test Jirku Herníka porovnal Higgs Audio, Chatterbox a Qwen TTS na jeho vlastnom hlase. Nie je to laboratórny benchmark, ale ukazuje bežný produkčný problém: dobré demo v podporovanom jazyku neznamená spoľahlivý český voice workflow.

Čo ukázal český test

Higgs Audio sa v ukážke najviac podobalo referenčnému hlasu. Chatterbox komolil priezvisko a Qwen sa rozpadal na vete, ktorá prechádzala z češtiny do angličtiny. Dlhšia referenčná nahrávka ani klip so správnou výslovnosťou mena nevyriešili automaticky všetky problémy.

Ide o jeden hlas, niekoľko referenčných klipov a konkrétnu konfiguráciu. Nie je to dôkaz, že jeden model všeobecne poráža ostatné. Je to však dobrý smoke test.

Pre český produkt treba overiť mená, skratky, sumy a adresy; čistú češtinu aj česko-anglický code-switching; konzistenciu opakovaných behov; dlhší text; rýchlosť a VRAM; a nechcené opakovanie, zakoktanie či reč, ktorá nebola v zadaní.

Podporovaný jazyk nie je detail

Aktuálny repozitár Chatterbox Multilingual uvádza podporované jazyky, ale čeština ani slovenčina medzi nimi nie sú. Oficiálny report Qwen3-TTS opisuje desať tréningových jazykov, takisto bez češtiny. Higgs Audio V2 pracuje s obmedzenou jazykovou sadou.

Model môže mimo dokumentovaných jazykov niečo vygenerovať. To nie je rovnaké ako produkčná podpora. Pri code-switchingu sa môžu meniť prízvuk, tempo, výslovnosť aj identita hlasu. Ak produkt musí spoľahlivo čítať české názvy firiem, mená zákazníkov alebo čísla faktúr, vlastný eval je dôležitejší než všeobecný leaderboard.

Kód a váhy môžu mať rozdielne licencie

„Open-source TTS“ je príliš hrubá nálepka.

Qwen3-TTS publikuje repozitár a modely pod Apache 2.0. Chatterbox používa MIT licenciu. Higgs Audio je zložitejšie: repozitár má Apache-2.0, ale váhy Higgs Audio V2 používa Boson Higgs Audio 2 Community License. Tá vyžaduje atribúciu a pri produktoch alebo službách nad 100 000 ročných aktívnych používateľov rozšírenú licenciu.

Vo firme kontrolujte zvlášť licenciu zdrojového kódu, modelových váh, komerčné a redistribučné podmienky, atribúciu, licencie závislostí a datasetov a pravidlá pre fine-tuning alebo odvodené modely. Licencia môže zmeniť výber modelu aj distribučnú architektúru.

Kedy lokálne TTS dáva zmysel

Lokálna inferencia je zaujímavá, keď referenčné nahrávky a generované audio musia zostať vo firemnej infraštruktúre, keď generujete väčší objem bez ceny za každý znak alebo potrebujete predvídateľnú latenciu.

Príklady zahŕňajú interné školenia a návody, drafty podcastov a voice-overov, čítanie interných reportov, hlasovú vrstvu nad lokálnym asistentom, dávkové audio verzie obsahu a testovanie pred výberom plateného API.

Lokálne neznamená automaticky lacnejšie. Počítajte GPU, prevádzku, aktualizácie, monitoring, fronty, fallbacky a čas na ladenie výslovnosti.

API a lokálny model riešia iné problémy

xAI podporuje custom voices v TTS aj Voice Agent API. OpenAI Realtime API rieši živé konverzácie, tool cally, preklad a prepis. Tieto služby časť infraštruktúry spravujú za vás.

Lokálne TTS dáva väčšiu kontrolu nad dátami a prevádzkou, ale orchestráciu musíte doplniť. Reálny voice agent potrebuje ASR, prerušenia, stav dialógu, nástroje, timeouty, moderáciu, audit a eskaláciu na človeka.

Hybridná architektúra môže dávať zmysel: lokálne TTS pre interné alebo dávkové výstupy, API pre realtime konverzáciu a jednotná governance vrstva nad oboma.

Ako by som modely hodnotil

Neskúšajte iba jednu peknú vetu. Vytvorte malý firemný eval set:

30 bežných českých viet,
20 mien, značiek, adries a skratiek,
10 viet s číslami, menami a dátumami,
10 česko-anglických prechodov,
tri dĺžky referenčného audia,
tri opakovania každého vzoru.

Človek hodnotí zrozumiteľnosť, podobnosť hlasu, správnosť textu, stabilitu, latenciu a vhodnosť pre konkrétne použitie. Pri zákazníckom audiu testujte aj slúchadlá, telefón a hlučné prostredie.

Governance začína pred klonovaním

Klonovanie hlasu vyžaduje výslovný súhlas, auditnú stopu, retenčné pravidlá pre zdrojové nahrávky a proces na odvolanie súhlasu. Syntetický hlas nesmie dostať širšie oprávnenia len preto, že znie dôveryhodne.

Pri zákazníckej komunikácii pridajte jasné oznámenie, že ide o AI, limity toho, čo agent smie sľúbiť alebo spustiť, a jednoduché prepojenie na človeka.

Môj záver

Lokálne klonovanie hlasu je už prakticky dostupné. Pre češtinu však rozhodnutie nie je „vyberiem model s najkrajším demom“.

Rozhoduje jazyková podpora, code-switching, licencia váh, prevádzkové náklady a kvalita na vlastnom eval sete. API služby riešia infraštruktúru, lokálne modely dávajú kontrolu. Ani jedna cesta za vás nevyrieši súhlas, audit a bezpečnosť.

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