Ascultă. Vorbește. Îl poți întrerupe. Și nu trimite vocea nimănui.
Toate sintetizate local, pe procesor, fără niciun serviciu extern. Apasă ca să auzi.
Comutarea se face în timpul conversației, fără reconectare. Se schimbă recunoașterea, sinteza și instrucțiunile deodată.
„Suma totală este de 23480 de lei, iar programul e de la 09:00 până la 22:00."
Numerele rostite se transformă în cifre înainte să ajungă la model — „douăzeci și trei de mii patru sute optzeci" devine 23480. E defectul cel mai scump din orice agent vocal: unul care nu reține o oră corect nu poate lua o programare.
„Îmi pare rău, în această înserare târzie nu găsesc nicio șansă."
ă, â, î, ș, ț în aceeași frază. Sunt semnul limbii — și primul lucru care sună fals la un sistem antrenat pe altceva.
„Ați dori să vă sun înapoi mâine dimineață?"
Aceeași pantă a înălțimii pe care sistemul o citește ca să știe dacă ai terminat de vorbit — de data asta produsă, nu ascultată.
Modelul de sinteză are 99 de milioane de parametri și rulează pe procesor, fără accelerator. Zece voci disponibile. Nu are clonare de voce în greutățile publice — e pe listă, nu în produs.
Nu limba ca sistem. Vorbirea vie — cu accent, cu ritm, cu pauzele care spun că mai ai ceva de zis.
Asta încearcă să prindă sistemul. Nu doar ce spui, ci cum.
Semnul: linia vorbirii, ruptă de o pauză. Sub pauză stă virgulița de la ș și ț — semnul limbii pe care nu o servește nimeni. Pauza e locul unde sistemul trebuie să decidă dacă ai terminat de vorbit. E problema centrală a oricărui agent vocal.
Recunoașterea vorbirii și sinteza rulează pe mașina ta. Spre exterior pleacă doar text — niciodată audio.
Singura piesă din afara mașinii e modelul de limbaj — și el primește text, nu sunet. Restul lanțului stă la tine: recunoaștere, sinteză, anularea ecoului, decizia de tură.
Unde vocea pacientului sau a clientului n-are voie să plece, asta nu e o preferință tehnică. E condiția de a putea folosi ceva.
Un furnizor de voci a fost cumpărat, platforma s-a închis, clonele clienților au fost șterse. Ce rulează la tine rămâne.
Piesele de audio nu se plătesc per minut. Singurul cost variabil e modelul de limbaj.
Aproape toți agenții vocali decid că ai terminat de vorbit după un număr fix de milisecunde de liniște. E un cronometru, nu un detector — și taie oamenii la mijlocul frazei.
Grai se uită la panta înălțimii vocii pe ultima jumătate de secundă. Coborâre fermă: ai încheiat. Plat sau urcare: mai ai ceva de spus.
Măsurat pe conversații umane reale: la aceeași rată de greșeală ca un prag fix de 820 ms, decizia pe intonație așteaptă 560 ms — și ia mai multe decizii, deci câștigul nu vine din a decide mai rar. Costă 0,42 milisecunde.
Confirmările scurte nu-l opresc. Distinge patru cazuri: scurt sau lung, confirmare sau preluare de tură.
Te oprești la mijloc și continui — continuarea nu e tratată ca întrebare nouă. Iar dacă apucase să răspundă, răspunsul se anulează.
Când dictezi cifre, un cod sau o adresă, așteaptă mai mult. Ca să nu te taie între „șapte" și „sute".
Pragul se calibrează pe cât de repede vorbești, în silabe pe secundă. Cine face pauze lungi nu mai e tăiat.
Anularea de ecou scoate din microfon propria voce, deci microfonul rămâne deschis și pe difuzoare, nu doar pe căști.
−15,7 dB măsuratRitm, înălțime, ezitare, șoaptă — normalizate față de linia ta de bază. Altfel ar măsura cine ești, nu cum ești.
1,9 ms per replicăPartea grea nu e să se oprească. E ce rămâne în memoria lui după.
Sinteza merge mai repede decât redarea, deci la întrerupere rămâne în tampon audio care n-a ajuns niciodată la ureche. Fără corecție, modelul crede că a spus tot — și la replica următoare zice „v-am spus deja" despre ceva ce n-ai auzit. Istoricul se taie la câte milisecunde s-au redat efectiv.
Oprirea durează între 1 și 3 milisecunde.
Când are nevoie de o informație din afară, majoritatea agenților tac și așteaptă. Grai bifurcă: spune o punte scurtă, trimite treaba pe alt fir, și rămâne întreruptibil.
Un al doilea model poate rula în fundal, cu alt rol, ca să răspundă la întrebări laterale fără să blocheze conversația principală.
La aproape toți furnizorii, conversația e legată de sesiune. Închizi fila, se pierde. Cade rețeaua, se pierde. Repornește serverul, se pierde.
Nu doar reîncărcării paginii — și unei reporniri complete a mașinii. Din tot ce am verificat pe piață, nimeni nu face asta.
Își programează o revenire — „îți spun în zece minute" — și se declanșează chiar dacă nu e nimeni conectat.
Memorie între conversații, cu revizuire în timp: ce era „vine vineri" devine „a venit vineri" după ce trece vineri.
Ștergerea funcționează pe disc, nu doar în interfață. Vocea unei persoane e dată biometrică.
Modelele sunt tot costul. Agenții sunt doar configurație — deci zeci de agenți încap pe același proces.
Voce, limbă, instrucțiuni, unelte, bază de cunoștințe. Zece voci disponibile, română și rusă cu comutare la cald.
Fiecare cu cheia lui. Un client nu vede și nu poate atinge agenții altuia.
Un script pe pagina clientului. Fără dependențe, izolat de stilurile gazdei.
27,6 KBLimite pe client și pe adresă, cu poziția în coadă în loc de refuz sec.
Cifrele altora sunt marcate ca declarate de ei. Ale noastre sunt măsurate, cu metodologia publicată. Nu comparăm mărimi diferite doar pentru că poartă același nume.
| Grai | ChatGPT Live | Restul pieței | |
|---|---|---|---|
| Română | da | da, dar fișa de model recunoaște că detecția limbii cade pe accente non-native | 5 din 6 laboratoare mari nu o au deloc |
| Audio pe serverul tău | da, integral | nu | doar on-premise scump, la doi furnizori |
| Disponibil ca API | da | nu — listă de așteptare | da |
| Reluarea sesiunii | după refresh, deconectare și repornire de server | moare la 60 de minute | un singur furnizor are reluare adevărată |
| Lucrează între vizite | da | nu | nimeni |
| Full-duplex nativ | nu — cascadat, cu întrerupere | da | majoritatea, cascadat |
| Acuratețe pe română | 26,31% | nepublicat | 3,0–5,28% (declarat) |
| Până la răspuns | 2667 ms | nepublicat | 1,26 s la vârful competiției |
| Cost la rulare | 0 | per minut | 0,40–1,20 $/oră |
Pe acuratețe suntem la un factor de cinci față de cei mai buni. Nu e o nuanță de metodologie, e o diferență reală.
De la ultimul sunet pe care îl scoți tu, până la primul care iese din difuzor. Fiecare segment are două capete observate, nu calculate — iar suma lor dă totalul cu abatere sub o jumătate de milisecundă.
Modelul de limbaj e 69% din latență — și e singura piesă care nu rulează local. Coada, în schimb, e șase milisecunde. Două zecimi de procent.
Un furnizor publică „sub 300 ms" în comunicat. În același articol dă și măsurătoarea proprie: 0,9–1,4 secunde. Nu e o contradicție. Sunt două mărimi diferite, cu același nume.
„Sub 300 ms" măsoară inferența pe hardware ideal. Alte cifre pornesc cronometrul de la server, fără rețea și fără tamponul de redare. În singurul concurs unde full-duplexul se măsoară cu adevărat, latența câștigătorului e 1,26 secunde.
Include decizia de sfârșit de tură? E măsurat pe server sau la client? Include tamponul de redare?
Sau e un „îhî" care acoperă așteptarea? Diferența poate fi de peste o secundă.
Un scor care scrie numerele în litere înainte de comparație ascunde exact defectul care contează la telefon.
Pentru română, răspunsul e „în niciuna dintre cele publicate".
Nu e un model. N-am antrenat greutăți. Ce e al nostru e felul în care piesele lucrează împreună în timp real — pauzele, întreruperile, uneltele care rulează cât agentul vorbește, sesiunea care nu moare. Cifrele bune vin de acolo. Cele proaste vin din modelele împrumutate.
Nu e gata. 26,31% eroare de recunoaștere pe română. 2,7 secunde până la răspuns. Fără telefonie, fără clonare de voce, fără full-duplex nativ.
Le scriem fiindcă un client tehnic le află oricum în primele cinci minute. Mai bine de la noi, cu metodologia lângă ele.
Recunoașterea pe română, prima — fiindcă detectorul de tură depinde de ea. Verificarea că o tăietură cade la graniță de cuvânt se face transcriind bucata; cu recunoaștere slabă construim setul cu rigla strâmbă.
Detectorul de sfârșit de tură, sub o sută de dolari. Modelul are 8 megaocteți și rulează în 12 milisecunde pe procesor. Româna ar fi limba a douăzeci și patra din proiect.
Vocea proprie. Blocată deocamdată nu pe bani, ci pe licența datelor.
Până atunci, ce e al nostru e harnessul — partea pe care liderii pieței au ales-o în locul unui model unic, și pe care pentru română n-o are nimeni.