Ar AI tikrai gali kalbėti kaip žmogus? Balso AI paaiškinimas

Kai dauguma žmonių išgirsta „AI atsako į telefono skambučius“, jų vaizduotėje iš karto iškyla vienas vaizdas: robotiškas IVR meniu, su kuriuo paskutinį kartą kovojo bandydami prisiskambinti į banką. „Paspauskite 1, jei norite sąskaitos likutį. Atsiprašau, nesupratau. Paspauskite 1, jei norite sąskaitos likutį.“ Jie įsivaizduoja dirbtinį, akivaizdžiai sintetinį balsą, skaitantį tekstą be jokio supratimo, ką jūs iš tikrųjų sakote.

Ši asociacija suprantama. Dešimtmečius kompiuterių generuojama kalba buvo baisi. Plokščia, monotoniška, robotiška ir negalinti vesti tikro pokalbio. Jei prieš penkerius metus kas nors būtų pasakęs, kad AI atsakys į Jūsų odontologijos klinikos telefoną ir skambintojai to nepastebės — būtumėte juokęsi.

Tačiau 2026 m. balso AI yra iš esmės kita technologija nei anos IVR sistemos. Tai net nėra laipsniškas patobulinimas. Tai kartų šuolis — kaip skirtumas tarp arkliais traukiamo vežimo ir Tesla. Ta pati funkcija (transportas), visiškai kita technologija ir patirtis.

Šiame straipsnyje paaiškinsime, kaip veikia šiuolaikinis balso AI, kas jį padaro žmogišką, kur vis dar yra ribos ir kodėl lietuvių kalba yra vienas įdomiausių iššūkių šioje srityje. Be perdėjimų, be marketingo — tik sąžiningas technologijos paaiškinimas.

Ko žmonės tikisi vs. koks balso AI iš tikrųjų

Būkime konkretūs apie atotrūkį tarp lūkesčių ir realybės. Štai ką žmonės įsivaizduoja, kai girdi „AI telefono agentas“:

• Robotiškas, akivaizdžiai sintetinis balsas
• Standūs scenarijai be galimybės nukrypti
• „Nesupratau, pakartokite“ — vis iš naujo
• Jokio konteksto ar niuansų supratimo
• Momentiniu peradresavimu žmogui už bet ką sudėtingesnio

Štai ką šiuolaikinis balso AI iš tikrųjų daro:

• Kalba su natūralia intonacija, tempu ir ritmu, kurie atspindi žmogišką pokalbį
• Tvarko netikėtus klausimus, temos keitimus ir papildomus klausimus sklandžiai
• Naudoja užpildymo žodžius ir pauzes natūraliai — „Palaukite, patikrinsiu...“ — kol ieško informacijos
• Išlaiko kontekstą per visą pokalbį, grįždamas prie anksčiau pasakytų dalykų
• Pritaiko toną pagal skambintojo nuotaiką ir skubumą

Dažniausia pirmą kartą skambinančių reakcija nėra „skamba robotiškai.“ Tai yra „palaukite, tai buvo AI?“ Tai ypač pasakytina apie skambintojus, kuriems iš anksto nebuvo pasakyta, kad kalbėsis su AI. (Skaidrumo sumetimais mūsų sistemos visada praneša, kad yra AI, pokalbio pradžioje — bet nuostabos efektas be to irgi būtų.)

Kompiuterinės kalbos evoliucija

Kad suprastumėte, kodėl balso AI dabar skamba taip kitaip, naudinga suprasti tris kompiuterinės kalbos technologijos eras:

1 era: Taisyklėmis grįsta kalbos sintezė (1970–2000 m.)

Pirmosios kompiuterinės kalbos sistemos naudojo rankiniu būdu sukurtas taisykles, kaip paversti tekstą garsu. Inžinieriai apibrėžė, kaip kiekviena fonema (mažiausias kalbos garso vienetas) turi būti tariama, kokiu tonu ir kaip turi jungtis su kita fonema. Rezultatas buvo klasikinis „roboto balsas“ — suprantamas, bet akivaizdžiai dirbtinis.

Šios sistemos neturėjo jokio supratimo apie intonaciją, emocijas ar natūralų tempą. Kiekvienas sakinys skambėjo kaip žodžių sąrašas, perskaitytas iš eilės. Jos veikė prieinamumui ir paprastiems pranešimams, bet niekas niekada jų nesumaišytų su žmogaus kalba.

2 era: Statistinė ir sujungiamoji kalbos sintezė (2000–2018 m.)

Kita karta įrašė tūkstančius valandų žmogaus kalbos, susmulkino į mažus segmentus ir sujungė juos, kad suformuotų naujus sakinius. Tai skambėjo daug natūraliau, nes neapdorotas garsas buvo iš tikrų žmogiškų balsų. Tačiau sujungimas buvo netobulas — galėjote girdėti subtilias klaidas, nenatūralius perėjimus tarp segmentų ir retkarčiais neteisingą tarimą. Tai yra technologija, kuria remiasi dauguma IVR sistemų, naudojamų iki šiol.

3 era: Neuroninė kalbos sintezė (2018 m. – dabar)

Šiuolaikinis balso AI naudoja giluminius neuroninius tinklus, apmokytus iš didžiulių žmogiškos kalbos duomenų masyvų. Vietoj garso segmentų sujungimo šie modeliai generuoja kalbą nuo nulio — prognozuojant garso bangos formą pagal norimą tekstą. Rezultatas yra stebėtinai natūralus, nes modelis išmoko visą žmogiškos kalbos sudėtingumą: ne tik kokius garsus daryti, bet kaip juos natūraliai sujungti su tinkama intonacija, ritmu ir emocija.

Naujausios sistemos eina dar toliau — jos veikia kalbos-į-kalbą režimu, kur AI nekonvertuoja kalbos į tekstą ir atgal. Vietoj to jis apdoroja garsą tiesiogiai ir generuoja garsą tiesiogiai, išsaugodamas niuansus, kurie būtų prarasti transkripcijoje. Tai reiškia, kad jis gali reaguoti į tai, kaip sakote, ne tik į tai, ką sakote.

Kas padaro balso AI žmogišką

Kai klausotės žmogiško pokalbio, žodžiai yra tik dalis to, kas jį padaro natūralų. Didžioji dalis „žmogiškumo“ kyla iš elementų, apie kuriuos retai sąmoningai pagalvojame:

Intonacija ir tono variacija

Žmonės nekalba monotoniškai. Mes pakeliame toną klausimų pabaigoje, nuleidžiame jį išreikšdami tikrumą, greitiname kalbą kai esame sujaudinti, lėtiname perduodami svarbią informaciją. Ankstyvoji kalbos sintezė nesugebėjo nieko iš to atkurti. Šiuolaikiniai neuroniniai kalbos modeliai išmoksta šiuos dėsningumus iš šimtų tūkstančių valandų įrašytos kalbos ir atkuria juos natūraliai bei tinkamai.

Kai balso AI sako „Turiu laisvą laiką ketvirtadienį 15 valandą — ar jums tiktų?“ — tonas pakyla ties „ketvirtadienį 15 valandą“ (pateikiant naują informaciją) ir vėl ties „ar jums tiktų?“ (užduodant klausimą). Tai atitinka tai, ką žmogus padarytų instinktyviai.

Tempas ir ritmas

Natūrali kalba nėra tolygus žodžių srautas. Ji turi ritmą — kalbos pliūpsniai, po kurių seka mikro-pauzės, pabrėžimas svarbių žodžių, šiek tiek greitesnės dalys pažįstamai informacijai ir lėtesnis perteikimas naujai ar sudėtingai informacijai.

Šiuolaikinis balso AI atkuria šį ritmą. Kai jis diktuoja telefono numerį ar adresą, natūraliai sugrupuoja skaitmenis ir padaro pauzes tarp grupių. Aiškindamas ką nors sudėtingo — sulėtėja. Patvirtindamas ką nors paprasto — judina greičiau. Šie mikro-prisitaikymai yra tai, kas skiria „skamba kaip robotas, skaitantis tekstą“ nuo „skamba kaip kalbantis žmogus.“

Užpildymo žodžiai ir mąstymo garsai

Tikri žmonės sako „hmm“, „palaukite“ ir „sekundėlę“, kol galvoja. Pašalinus juos iš AI kalbos, ji taptų mažiau natūrali, nes tobulai sklandi kalba be jokių dvejojimo signalų skamba neramiai.

Pažangiausios balso AI sistemos naudoja kontekstui tinkamus užpildymo žodžius. Kai AI turi patikrinti informaciją (peržiūrėti kalendorių, patikrinti duomenų bazę), vietoj 400 milisekundžių tylos — kuri telefonu atrodo kaip amžinybė — jis sako „Palaukite, patikrinsiu...“ tuo pačiu metu apdorodamas užklausą fone. Būtent taip padarytų ir žmogus registratūroje.

Pokalbio eiliškumas ir pertraukimų valdymas

Bene labiausiai įspūdingas pažangos aspektas — kaip šiuolaikinis balso AI tvarko chaotišką tikrų telefono pokalbių realybę. Žmonės pertraukia. Pradeda kalbėti, kol AI dar nebaigė. Sako „iš tiesų, nekreipkite dėmesio“ sakinio viduryje ir pakeičia temą.

Ankstesni balso botai arba ignoruodavo pertraukimus (baigdavo visą scenarijų, kol skambintojas nusivildavo), arba visiškai sugriūdavo (prarsdavo pokalbio siūlą). Šiuolaikiniai AI balso agentai pertraukimus valdo gracingai — sustoja sakinio viduryje, patvirtina pertraukimą ir sklandžiai pereina prie to, ką skambintojas pasakė. Lygiai kaip žmogus.

Atsako greičio proveržis

Yra konkreti riba, nulemianti, ar telefono pokalbis jaučiasi natūralus ar nepatogus: maždaug 300 milisekundžių. Žmogaus-su-žmogumi pokalbyje vidutinis tarpas tarp vieno žmogaus sakinio pabaigos ir kito atsakymo pradžios yra apie 200–300 ms. Ilgiau nei 500 ms — pokalbis pradeda jaustis nenatūraliai. Virš vienos sekundės — skambintojas pradeda galvoti, ar ryšys nenutrūko.

Būtent todėl ankstyvasis balso AI atrodė toks nenatūralus, net kai pats balsas skambėjo neblogai. Sistemai reikėjo laiko: transkribuoti skambintojo žodžius (200–500 ms), apdoroti prasmę ir nuspręsti, ką atsakyti (500–2000 ms), sugeneruoti kalbos atsakymą (200–500 ms). Viso: 1–3 sekundės. Pakako bet kokiai natūralaus pokalbio iliuzijai sunaikinti.

Proveržis 2025–2026 m. buvo bendro atsako laiko sumažinimas žemiau 200 milisekundžių daugumai atsakymų. Tai buvo pasiekta per kelis pažangos aspektus: kalbos-į-kalbą modelius, kurie aplenkia tekstinį tarpininką, srautinio apdorojimo architektūras, kurios pradeda generuoti atsakymus dar skambintojui kalbant, ir skaičiavimų optimizacijas, leidžiančias sudėtingus kalbos modelius paleisti realiu laiku.

Su 200 ms vėlavimu pokalbis jaučiasi neatskiriamas nuo žmogaus-su-žmogumi tempo. Skambintojas nepajaučia jokio vėlavimo, o natūralus dialogo srautas išsaugomas. Šis vienintelis rodiklis — vėlavimas — turbūt ir yra tai, kas pavertė balso AI iš įdomybės į praktinę telefono operatorių alternatyvą.

Lietuvių kalbos iššūkis

Balso AI puikiai veikia anglų, ispanų, prancūzų ir kitoms pagrindinėms kalboms. Šios kalbos turi milijardus žodžių mokymosi duomenų, milijonus valandų įrašytos kalbos ir didžiules komercines investicijas iš globalių technologijų kompanijų.

Su lietuvių kalba situacija visiškai kitokia. Ir čia viskas darosi itin įdomu visiems, svarstantiems apie balso AI Lietuvoje.

Kodėl lietuvių kalba ypatingai sudėtinga

Morfologinis sudėtingumas. Lietuvių kalba yra viena morfologiškai sudėtingiausių indoeuropietiškų kalbų. Daiktavardžiai turi septynias linksnes, kiekviena keičia žodžio galūnę. Žodis „klientas“ tampa „kliento“, „klientui“, „klientą“, „klientu“, „kliente“, „kliente“ priklausomai nuo gramatinio konteksto. Veiksmažodžiai asmenuojami per kelis laikus, nuosakas ir asmenis. Vienas šakninis žodis gali turėti dešimtis gramatiškai teisingų formų.

Tai reiškia, kad AI turi ne tik teisingai tarti žodžius, bet ir pasirinkti teisingą žodžio formą realiu laiku. Pasakyti „klientas“, kai gramatika reikalauja „klientui“, lietuviškai kalbantis žmogus iš karto suprastų, kad kažkas negerai.

Riboti mokymosi duomenys. Lietuvių kalba turi maždaug 3 milijonus kalbėtojų. Palyginkite su anglų kalba (1,5 milijardo kalbėtojų) ar ispanų (550 milijonų). Skaitmenizuotos lietuviškos kalbos kiekis, prieinamas mokymui, yra eilėmis mažesnis. Dėl to AI modeliams sunkiau išmokti visą tarimo, intonacijos ir pokalbio dėsningumų spektrą.

Diakritiniai ženklai ir tarimas. Lietuvių kalba naudoja specifinius diakritinius ženklus (ą, č, ę, ė, į, š, ų, ū, ž), kurie reikšmingai keičia tarimą. Skirtumas tarp „šuo“ ir „suo“ arba tarp „karštas“ ir „karstas“ yra ne tik rašybos — tai tarimas, keičiantis reikšmę. AI privalo šias distinkcijas valdyti tobulai.

Kirčio dėsningumai. Lietuvių kalbos kirtis nėra fiksuotas (skirtingai nuo prancūzų, kur kirtis visada krenta ant paskutinio skiemens) ir gali keisti žodžio reikšmę. Tai prideda dar vieną sudėtingumo sluoksnį, kurį AI turi išmokti iš palyginti ribotų duomenų.

Kaip tai išsprendėme

Kad balso AI skambėtų natūraliai lietuviškai, reikėjo specifinio, kryptingo darbo, o ne tiesiog prijungimo prie bendro daugiakalbio modelio. Mūsų kaip veikia puslapyje rasite techninę šio proceso apžvalgą. Tai apėmė kalbos modelių pritaikymą su kruopščiai atrinkta lietuviška pokalbių medžiaga, gramatikos suvokimu paremtų generavimo sistemų kūrimą, kurios supranta lietuviškas linksnes ir asmenų formas realiu laiku, ir išsamų testavimą su gimtakalbiais iš skirtingų amžiaus grupių ir regionų.

Rezultatas — sistema, kur lietuviškai kalbantys žmonės nuosekliai patvirtina, kad balsas skamba natūraliai, o gramatika teisinga. Ne „neblogai kaip AI“ — iš tiesų natūraliai. Tai standartas, kurio laikomės, nes lietuviškai kalbantys žmonės suprantamai jautrūs savo kalbos klaidoms.

Kur balso AI vis dar turi sunkumų (sąžiningas vertinimas)

Jokia technologija nėra tobula, ir mes tikime, kad sąžiningumas dėl ribojimų kuria daugiau pasitikėjimo nei per daug žadant. Štai sritys, kur dabartinis balso AI tikrai turi sunkumų:

Stiprus foninis triukšmas

Kai skambintojas yra triukšmingoje aplinkoje — judrioje gatvėje, gamykloje, restorane piko metu — balso AI tikslumas krenta. Žmogaus ausys per evoliuciją išmoko puikiai filtruoti foninį triukšmą ir sutelkti dėmesį į kalbą; AI sistemos, nors sparčiai tobulėja, vis dar sunkiai tvarkosi, kai signalas ir triukšmas stipriai persidengia. Jei skambintojas skambina iš statybvietės, AI gali prireikti dažniau paprašyti pakartoti nei žmogui registratūroje.

Labai stiprūs regioniniai akcentai

Standartinė kalba veikia puikiai. Tačiau stipriai akcentuota kalba — tarkime, ryškus dzūkiškas ar žemaitiškas tarminis akcentas, arba ne gimtakalbis su labai stipriu akcento poveikiu — vis dar kelia iššūkių. AI dažniausiai supras prasmę, bet jo tikslumas nukrins nuo beveik tobulo iki maždaug 80–90%. Verslo telefono skambučiams tai paprastai vis dar pakankama (kaip dažnai Jūsų registratorė prašo stipriai akcentuoto skambintojo pakartoti?), bet tai sritis, kuri nuolat tobulinama.

Labai emocionalūs ar susijaudinę skambintojai

Kai žmogus verkia, šaukia ar yra labai nusiminęs, balso AI susiduria su dviem iššūkiais: kalba tampa mažiau aiški (greitesnė, garsesnė, labiau fragmentiška), o situacija reikalauja empatijos, kurios, nors ir tobulėjančios, vis dar sunkiausia AI atkurti įtikinamai.

Geriausias požiūris čia yra tas, kurį gerai suprojektuotos AI sistemos jau taiko: aptikti stiprią emociją ir perduoti skambutį žmogui. Tai nėra nesėkmė — tai protingas rūšiavimas. AI tvarko 90% skambučių, kurie yra rutininiai ir ramūs, o 10%, kuriems reikia žmogiškos empatijos, nukreipia žmogui, kuris gali ją suteikti.

Labai dviprasmiški ar sudėtingi prašymai

„Noriu perkelti vizitą, bet tik jei gydytoja Petrauskienė laisva darbo dieną ryte, išskyrus antradienį, o jei ne — tai geriau atšaukti ir peržiūrėti kitą mėnesį, nebent atsiras atšauktas laikas šią savaitę.“ Sudėtingi, daugiasąlyginiai prašymai su įdėtine logika gali suklaidinti net geriausias AI sistemas. Jos dažnai susitvarko, bet klaidų tikimybė didėja augant sudėtingumui.

„Keistojo slėnio" efektas ir kaip jį įveikiame

„Keistasis slėnis“ (angl. uncanny valley) — tai konceptas iš robotikos: kai robotas tampa vis labiau panašus į žmogų, yra taškas, kur jis pakankamai artimas žmogui, kad jaustųsi neramiai, bet dar nepakankamai, kad praeitų kaip žmogus. Tas pats konceptas taikomas balso AI.

2020–2023 m. balso AI gyveno giliai „keistajame slėnyje“. Balsas skambėjo beveik-žmogiškai, bet ne visai. Laikas buvo šiek tiek ne toks. Jis tobulai atsakydavo į kai kuriuos dalykus ir visiškai žlugdavo kituose. Skambintojai jautėsi nepatogiai, nes tai buvo artima žmogui, bet akivaizdžiai ne žmogus.

2026 m. geriausios balso AI sistemos peržengė „keistąjį slėnį“ standartiniams verslo telefono skambučiams. Mažiau nei 200 ms vėlavimo, natūralios intonacijos, tinkamo pokalbio eiliškumo ir kontekstinio suvokimo derinys sukuria pokalbius, kurie jaučiasi tikrai natūralūs. Dauguma skambintojų, kuriems konkrečiai nepasakyta, kad kalba su AI, to nepastebi įprastų sąveikų metu — vizitų registracijos, informacijos užklausų ar paslaugų klausimų.

Kas vyksta ties ribomis

Net peržengus „keistąjį slėnį“ rutininiams skambučiams, ribos išlieka. Ilgi filosofiniai nukrypimai, stipriai emocionalios situacijos, labai triukšminga aplinka ir labai dviprasmiški daugiadaliai prašymai — visa tai stumia AI atgal link slėnio. Sprendimas nėra apsimesti, kad šios ribos neegzistuoja, bet suprojektuoti sistemą, kuri jas atpažįsta ir reaguoja tinkamai: prašo paaiškinimo, perduoda žmogui arba sąžiningai sako „Atsiprašau, atrodo, ne visai supratau — ar galėtumėte pakartoti?“

Ironiška, bet šis sąžiningumas dėl ribojimų pats savaime yra labai žmogiškas bruožas. Registratorė, kuri sako „Atsiprašau, ar galėtumėte pakartoti? Ne visai supratau“ — nėra laikoma bloga darbuotoja. AI, kuris daro tą patį, skamba natūraliau nei tas, kuris užtikrintai pateikia klaidingą atsakymą.

Lietuviška kokybė

Lietuvos rinkai AINORA sutelkė dėmesį į tai, kad balso AI ne tik techniškai veiktų lietuvių kalba, bet iš tikrųjų skambėtų lietuviškai. Skirtumas subtilus, bet svarbus. Bendras daugiakalbis modelis, kalbantis lietuviškai, skamba kaip sklandžiai kalbantis užsienietis — techniškai teisingai, bet be natūralios kadencijos ir ritmo, kurį gimtakalbiai instinktyviai atpažįsta. Tinkamai pritaikytas lietuviškas balso AI skamba kaip vilnietis su tobula gramatika ir begaline kantrybe.

Štai kodėl potencialius klientus raginame pirmiausia išbandyti mūsų demonstraciją. Galite pradėti nuo balso AI įskiepio mūsų svetainėje arba paskambinti demo linijai — joks paaiškinimas negali pakeisti patirties, kai pats pasikalbate su AI dvi minutes ir padarote savo išvadą.

Žvilgsnis į ateitį

Balso AI ir toliau tobulės. Sritys, kurios vis dar kelia iššūkių — foninis triukšmas, stiprūs akcentai, emocionalūs pokalbiai — yra aktyvios mokslinių tyrimų kryptys. Kiekvienais metais ribos stumiamos toliau, o pokalbių, kuriuos AI natūraliai valdo, diapazonas plečiasi.

Tačiau pagrindinis klausimas — „Ar AI gali kalbėti kaip žmogus?“ — nebėra teorinis. Verslo telefono skambučiams 2026 m. atsakymas yra taip. Ne „beveik“ ar „šiek tiek“ ar „jei primerksite akis.“ Tikrai taip. Likusios problemos yra ties ribomis, ir tos ribos kas mėnesį traukiasi.

Klausimas verslams nebėra ar technologija veikia, o kaip greitai ją pritaikyti. Verslo savininkai įvairiose industrijose — nuo odontologijos klinikų iki viešbučių — jau pereina prie balso AI. Peržiūrėkite mūsų paslaugų spektrą, kad sužinotumėte, kaip tai atrodo praktiškai. Kiekvienas mėnuo, kai Jūsų telefoną atsako perkrauta registratorė, kuri palieka skambintojus laukti, praleidžia skambučius per pietus ir pamiršta, kad poniai Kazlauskienei patinka rytiniai vizitai — tai mėnuo prarastos galimybės.

Pasiruošę pamatyti, kaip tai veikia Jūsų verslui? Užsirezervuokite demonstraciją arba susisiekite su mumis — parodysime, kaip AI balsas atrodo Jūsų srityje.