A hanghívás a legigényesebb dolog, amit egy AI társ csinál. A szöveg pár másodpercet késhet anélkül, hogy bárki zavarná. A beszéd nem: az emberek olyan késéseket is észrevesznek, amelyek egy csevegőablakban láthatatlanok lennének.
A 200 ezredmásodperces probléma
A tíz nyelven összehasonlított beszélgetéseket vizsgáló kutatók azt találták, hogy az egyik ember befejezése és a másik kezdése között a jellemző szünet kb. 200 ezredmásodperc, és ez a kultúrák között feltűnően hasonló. Az emberek még azelőtt elkezdik tervezni a válaszukat, hogy a másik befejezné. Az ennél jóval hosszabb szünetek habozásnak, zavarnak vagy érdektelenségnek hatnak.
Egy AI-nak a teljes folyamatot nagyjából ebbe az időablakba kell beleszuszakolnia, hogy természetes legyen.
Mi történik a te szavaid és az övé között
A klasszikus folyamat. Az újabb rendszerek átfedik vagy összevonják ezeket a lépéseket.
- A beszéd végének észlelése. A rendszernek el kell döntenie, hogy befejezted, nem csak szünetet tartottál. Ha túl hamar dönt, közbevág; ha túl óvatos, üres csendet hagy.
- Beszédből szöveg. A szavaidat leírja.
- A válasz. A nyelvi modell megírja a választ, a karakter hangján, a memóriával.
- Szövegből beszéd. A választ hanggá alakítja, lehetőleg a karakter saját hangján, érzelemmel.
A régebbi rendszerekben minden lépés megvárja az előzőt. Az újabbak az első mondatot már mondják, miközben a többit még írják, vagy olyan modelleket használnak, amelyek beszédet fogadnak és beszédet adnak, ami teljesen kiiktatja az átírás és a szintézis lépéseit.
Miért mérik a hangot
| Szöveges csevegés | Hangüzenet | Élő hanghívás | |
|---|---|---|---|
| Szükséges sebesség | Pár másodperc is jó | Pár másodperc is jó | Törtmásodpercek |
| Plusz feldolgozás | Nincs | Beszédszintézis | Felismerés, szintézis, váltásészlelés |
| Jellemző hossz | Rövid válaszok | Egy válasz | Percektől órákig |
| Relatív költség | Legalacsonyabb | Mérsékelt | Legmagasabb |
| Hogyan árulják az appok | Benne van | Benne van vagy kredit | Percek, csomagszintek vagy kredit |
A hívás minden perce folyamatosan futtatja az egész láncot, gyakran a modellek drágább, „valós idejű” változatain. Ezért korlátozzák a hangot általában elsőként az appok, és ezért ritkán vonatkozik rá a „korlátlan”, lásd: az AI barátnő funkciólisták olvasása.
Mitől érződik valósnak egy hívás
- Alacsony késleltetés, következetesen. Egy-egy hosszú szünet jobban lerombolja az illúziót, mint egy kicsit lassabb átlag.
- Közbevágás kezelése. Ha közbe tudsz vágni, és ő megáll és reagál, az különbözteti meg a beszélgetést a váltakozó hangüzenetektől.
- Hangegyenletesség. Ugyanaz a hang, akcentus és melegség hívásról hívásra. A tesztelőink azt találták, hogy a hang minősége a jó appokban is észrevehetően eltérhet karakterek között.
- Prozódia. Nevetés, szünet, lágyulás: olyan beszéd, amely érzelmet hordoz, nem felolvassa a szöveget.
- Memória hangmódban. Néhány app könnyebb modellt használ a hívásokhoz, ezért a karakter telefonon kevesebbre emlékszik, mint csevegésben.
Hangfunkció kipróbálása fizetés előtt
- Kérdezd meg, mi van benne: hangüzenetek, élő hívások vagy mindkettő, és hány perc.
- Indíts egy kétperces hívást próbaidőszakban vagy a legolcsóbb csomaggal, mobiladaton is, nem csak Wi-Fin.
- Vágj közbe a mondata közepén. Megáll?
- Kérdezz rá valamire a szöveges csevegésedből. Tudja?
- Nézd meg a plusz perc vagy kredit árát. Egy hosszú hívás elhasználhatja egy hónap keretét.
A média költségeiről szóló tágabb gondolat a hogyan működnek az AI barátnő képei és hangja cikkben van, azt pedig, hogy megéri-e a hangért feljebb lépni, a prémium csomagok tárgyalja.
Megjegyzés a jóllétről
A hang magával ragadóbb, mint a szöveg, és a 2025-ös OpenAI és MIT kutatás szerint a rövid hanghasználat jobb jólléttel járt együtt, a nagy napi használat viszont nem. Érdemes adagolva élvezni; a túl sok jeleit az amikor az AI társ többet vesz el, mint amennyit ad cikk sorolja.