Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Vytvorenie interaktívneho hlasového asistenta

Lekcia 10 z 14 Aktualizované 29. júla 2026 Mierne pokročilý
Na tejto strane
  1. Od prototypu po produkčný hlasový asistent
  2. Webový asistent v prehliadači
  3. Mobilný asistent
  4. Interaktívny kiosok
  5. Vzory spoločné pre všetky tri architektúry
  6. Kľúčové poznatky

Od prototypu po produkčný hlasový asistent

Už vieš, ako nakonfigurovať reláciu hlasového agenta a generovať zvuk pomocou TTS. Čo zostáva, je poskladať tieto stavebné kamene do produktu, ktorý obstojí pred reálnymi používateľmi. Tri architektúry sa objavujú znova a znova (webový prehliadač, mobilné zariadenie a interaktívny kiosok) a každá z nich ukladá technické obmedzenia dávno predtým, než sa do hry dostane kvalita modelu.

Webový asistent v prehliadači

Toto je najbežnejší východiskový bod: tlačidlo mikrofónu v existujúcej aplikácii, používateľ hovorí a asistent odpovedá nahlas. Technický cyklus prebieha takto:

  1. Používateľ klikne na tlačidlo: začneš zachytávať zvuk pomocou MediaRecorder alebo AudioWorklet
  2. Zachytený zvuk sa skonvertuje na base64 PCM a odošle sa hlasovému agentovi cez WebSocket
  3. Serverová detekcia hlasovej aktivity (VAD) zistí koniec reči a vygeneruje odpoveď
  4. Časti odpovede v audio formáte prichádzajú cez response.output_audio.delta
  5. Dekóduješ ich a prehráš pomocou AudioContext

Problém zriedkavo vzniká v tomto cykle; pramení priamo z prehliadača. Safari vyžaduje, aby sa AudioContext vytvoril vnútri obslužnej rutiny užívateľskej udalosti. Vytvor ho pri prvom kliknutí na tlačidlo mikrofónu, nie pri načítaní stránky, inak získate pozastavený kontext a úplné ticho. Zásady automatického prehrávania smerujú rovnakým spôsobom: žiadne prehrávanie zvuku sa nespustí bez predchádzajúcej interakcie používateľa, čo vylučuje pozdrav, ktorý by sa hral automaticky po príchode na stránku. Pre výstupné formáty sa drž PCM alebo MP3, keďže prehliadače nevedia natívne prehrávať mulaw a alaw. A kľúč API nikdy nepatrí do kódu na strane klienta: zostáva na tvojom serveri a prehliadač namiesto neho používa jednorazový token (lekcia 13).

Zachytávanie si tiež vyžaduje doladenie:

const stream = await navigator.mediaDevices.getUserMedia({
  audio: {
    sampleRate: 24000,
    channelCount: 1,
    echoCancellation: true,
    noiseSuppression: true
  }
});

Potlačenie ozveny a šumu nie sú len doplnky. Bez nich mikrofón zachytí odpoveď asistenta vychádzajúcu z reproduktorov, VAD si to pomýli s hovorením používateľa a agent si neustále skáče do reči. Vždy testuj bez slúchadiel: práve v tomto nastavení sa spätná väzba prejaví najviac.

Mobilný asistent

Pri používaní React Native alebo Flutter zostáva princíp rovnaký, ale prostredie je náročnejšie. Použi natívne API na zachytávanie (AVAudioEngine na iOS, AudioRecord na Android) namiesto všeobecnej abstrakcie: kvalita vstupného signálu priamo ovplyvňuje rozpoznávanie. Zabuduj automatické opätovné pripojenie, pretože WebSocket sa preruší hneď, ako sa aplikácia dostane na pozadie, čo sa stane v momente, keď počas konverzácie príde notifikácia.

Dve veci často uniknú internému testovaniu. Prvou je smerovanie zvuku: reproduktor alebo slúchadlo, očakávané správanie sa líši podľa toho, či používateľ drží telefón pri uchu, alebo ho položí na stôl. Druhou je Bluetooth, ktorého vlastná latencia sa sčítava s latenciou siete a modelu; konverzácia, ktorá plynie hladko so vstavaným mikrofónom, sa niekedy pri bezdrôtových slúchadlách stane trhanou.

Interaktívny kiosok

Pre kiosok v obchode, na recepcii hotela alebo v múzejnej galérii sa dominantným obmedzením stáva zvukové prostredie. Smerový mikrofón s kardioidnou charakteristikou obmedzí snímanie na osobu stojacu priamo pred kioskom. Nespoliehaj sa na nastavenie citlivosti, aby odfiltrovalo dav: detekcia zmeny hovoriaceho u hlasového agenta vystavuje iba svoju type a idle_timeout_ms, bez prahu, ktorý by sa dal zvýšiť. Keď je miesto skutočne hlučné, napríklad hala železničnej stanice alebo veľtrh, je stlačenie tlačidla (push-to-talk) s fyzickým tlačidlom spoľahlivejšie než akákoľvek automatická detekcia.

Nakoniec nezabudni ukončiť relácie po dvoch až troch minútach nečinnosti. Inak návštevník, ktorý odíde uprostred konverzácie, nechá otvorenú reláciu, ktorá spotrebúva tvoje zdroje a obsadzuje jeden z tvojich súbežných slotov.

Vzory spoločné pre všetky tri architektúry

Hlasový agent si uchováva históriu konverzácie počas celej relácie. Môžeš ju pripraviť ešte pred prvým slovom vložením užitočného kontextu, ako je identita prihláseného zákazníka alebo prebiehajúca objednávka, pomocou conversation.item.create:

{
  "type": "conversation.item.create",
  "item": {
    "type": "message",
    "role": "system",
    "content": [
      {
        "type": "text",
        "text": "The signed-in customer is Sarah Miller, customer number C-4521. She has an order in progress, CMD-8834."
      }
    ]
  }
}

Agent sa potom prestane pýtať používateľov na informácie, ktoré už tvoja aplikácia má, čo ušetrí dobrých desať sekúnd v každej konverzácii.

Ak chceš, aby asistent prehovoril ako prvý, vlož úvodnú správu a následne spusti odpoveď:

{
  "type": "conversation.item.create",
  "item": {
    "type": "message",
    "role": "user",
    "content": [{ "type": "text", "text": "Hello" }]
  }
}

Okamžite poslaná správa { "type": "response.create" } spustí pozdrav.

Zostáva vizuálna spätná väzba, ktorá sa zvyčajne rieši až ako posledná, hoci výrazne ovplyvňuje pocit z produktu. Počas hovoru agenta zobraz indikátor (zvukovú vlnu, animovaného avatara) a ďalší počas zachytávania zvuku. Bez tohto signálu používatelia nevedia rozoznať, či majú hovoriť, či ich systém počuje, alebo či aplikácia nepadla, a nakoniec hovoria súčasne s agentom.

Kľúčové poznatky

  • Tri hlavné architektúry: web, mobil a kiosok, každá s vlastnými obmedzeniami
  • Zvuk v prehliadači si vyžaduje opatrnosť (AudioContext v Safari, zásady automatického prehrávania)
  • Predvyplň kontext konverzácie pomocou conversation.item.create pre personalizáciu zážitku
  • Pozdrav a vizuálna spätná väzba výrazne zlepšujú používateľskú skúsenosť