Voice Agents — 70 lat historii mowy AI
Od mechanicznego syntezatora dźwięku do modeli, które rozmawiają jak ludzie — historia technologii głosowych to jedna z najdłuższych i najbardziej fascynujących opowieści w AI.
Voder (Bell Labs) Analogowy
Pierwsza elektroniczna synteza mowy. Operator sterował głosem za pomocą klawiatury i pedałów nożnych — maszyna nie rozmawiała samodzielnie, ale po raz pierwszy głos ludzki wyszedł z urządzenia elektronicznego. Pokaz na New York World's Fair wywołał sensację.
Audrey (Bell Labs) Analogowy
Pierwszy system rozpoznawania mowy. Urządzenie wielkości szafy rozpoznawało cyfry 0–9 wypowiadane przez jeden, konkretny głos. Dokładność: 97% dla cyfr w ciszy. Dla innych głosów — bezużyteczne.
IBM Shoebox Analogowy
Rozpoznawanie 16 słów i prostych poleceń matematycznych. Pokaz na Seattle World's Fair. Urządzenie wielkości pudełka na buty — stąd nazwa. Pierwszy krok ku interfejsowi głosowemu dla komputerów.
Program DARPA Speech Understanding Analogowy
Pierwsze systemy rozpoznające ponad 1000 słów. Finansowany przez agencję obronną USA, program wyłonił projekty Harpy i Hearsay. Przełom: maszyna rozumiała pełne zdania, nie tylko cyfry czy pojedyncze słowa.
Hidden Markov Models (HMM) Statystyczny
Statystyczna rewolucja w rozpoznawaniu mowy. HMM modeluje sekwencje fonemów jako łańcuchy stanów probabilistycznych — zamiast dopasowywać wzorce, maszyna liczy prawdopodobieństwa. Standard przez ponad 20 lat, obecny w każdym systemie do 2010 roku.
Dragon NaturallySpeaking Statystyczny
Pierwsze praktyczne dyktowanie ciągłe dla użytkowników biznesowych. Cena: 695 USD. Wymagało 45-minutowego treningu głosu. Po raz pierwszy sekretarki mogły bać się o pracę — diktat słowny przechodziło bezpośrednio do Worda.
Deep Learning wypiera HMM Deep Learning
Sieci głębokie (DNN) zaczęły bić HMM na własnym podwórku. Google, Microsoft i IBM równolegle opublikowały wyniki pokazujące 20–30% redukcję błędów. To był moment, gdy maszyny zaczęły słyszeć prawie tak dobrze jak ludzie w kontrolowanych warunkach.
WaveNet (DeepMind) Deep Learning
Pierwsza synteza mowy brzmiąca naturalnie dla większości słuchaczy. WaveNet generuje audio próbka po próbce przy użyciu sieci konwolucyjnej z rozszerzonym polem receptywnym. Koniec z robotycznym „tekstem-na-mowę" — głosy AI stały się prawie ludzkie.
Neural TTS w chmurze Deep Learning
Google Cloud TTS, Amazon Polly i Microsoft Azure Neural Voice udostępniają neuronową syntezę mowy przez API. Każdy developer może teraz dodać naturalnie brzmiący głos do swojej aplikacji za kilka dolarów miesięcznie.
Whisper (OpenAI) Era LLM
Uniwersalny model STT trenowany na 680 tys. godzin audio z internetu. Obsługuje 99 języków, działa offline, jest open source. Whisper zdemokratyzował transkrypcję — prosta Python-owa komenda i masz dokładniejszy zapis niż usługi enterprise sprzed 5 lat.
ElevenLabs & OpenAI TTS — głos nieodróżnialny od ludzkiego Era LLM
ElevenLabs klonuje głos z 30-sekundowej próbki. OpenAI TTS oferuje 6 głosów przez API. Dla większości słuchaczy te głosy są nieodróżnialne od nagrań ludzkich — co rodzi pytania etyczne o deepfakes audio i dezinformację.
GPT-4o — jeden model dla tekstu, obrazu i mowy Era LLM
Multimodalny model end-to-end: słyszy, widzi, rozumie i mówi — bez pośrednich warstw transkrypcji. Latencja odpowiedzi głosowej: ~300ms, porównywalna z naturalną rozmową. Emocje w głosie są rozpoznawane i odzwierciedlane.
Natywne Voice-to-Voice AI Era LLM
GPT Realtime API i Gemini Live eliminują architekturę STT → LLM → TTS. Jeden model obsługuje cały strumień audio w czasie rzeczywistym. Voice Agenci mogą prowadzić pełne rozmowy, negocjować, rezerwować wizyty, odpowiadać na pytania klientów — bez skryptów i bez człowieka w pętli.
Przez 70 lat rozwijaliśmy osobno słuchanie i mówienie maszyn.
Dopiero modele multimodalne połączyły rozpoznawanie mowy, rozumienie i generowanie głosu w jeden system AI — otwierając erę Voice Agentów, którzy prowadzą rozmowy jak ludzie.
Notatnik praktyczny
Espeak-ng — synteza mowy
📄 Espeak-ng_synteza-mowy.ipynb
HMM — rozpoznawanie mowy
📄 HMM_rozpoznawanie_mowy.ipynb
Image to Speech
📄 Image_To_Speech.ipynb
Pipeline agenta głosowego — krok po kroku
📄 voice_pipeline_demo.ipynb
GPT-3.5 + Vocal Bridge — konwersacja głosowa
📄 gpt35_vocal_bridge_demo.ipynb
Kontakt
Masz pytania o wdrożenie voice agentów? Napisz do mnie lub staniszewski🐒heuristica.pl