Navazuje na seznamovací hovor (Tereza Malíková, Matěj). Téma dneška: výpočetní čas a optimalizace produktu.
Stojíme na křižovatce mezi dvěma architekturami hlasového bota a ani jedna není bez zásadního kompromisu. Chceme poradit, kterou cestou se vydat — a jestli nám v tom může pomoct váš výpočetní výkon.
01
Co je Avessa
AI recepční pro příchozí telefonáty. Zvedne hovor, mluví česky, vyřídí rezervaci nebo dotaz, případně předá člověku. Cílíme na restaurace, ordinace a státní správu — místa, kde se dnes nedovoláte.
MVP máme hotové; připravujeme nasazení do sítě 5 restaurací v ČR s partnerem. Výhled: německé pobočky klientů (→ vícejazyčnost) a zdravotnictví, až vyřešíme právní otázky.
Tým: 2 lidés.r.o. od 05/2026Pilot: síť 5 restauracíJazyky: CS, výhledově EN/DE
02
Jak jsme se sem dostali
09/2025
Start projektu, první prototyp.
03/2026
Vlastní engine od nuly — skládaná pipeline (přepis řeči → jazykový model → syntéza hlasu) + telefonie. Funguje, ale detekce střídání mluvčích (VAD) pro češtinu je nespolehlivá a jeden server neuškáluje.
05/2026
Přechod na LiveKit — open-source framework pro real-time hlasové agenty (audio infrastruktura, telefonie a škálování za nás). Realtime model Gemini vyřešil turn-taking, ale přinesl nový problém: závislost na Googlu a žádná kontrola nad hlasy.
Teď
Rozhodujeme, kudy dál — viz dilema v sekci 04. Přesně tohle chceme konzultovat.
Obě architektury máme postavené a funkční. Každá selhává jinde.
Cesta A · Cascade
Přepis řečiDeepgram
→
Jazykový modellibovolný
→
Syntéza hlasuElevenLabs…
+Plná kontrola: libovolný hlas, přízvuk, dodavatel každé komponenty
+Žádný lock-in — komponenty vyměníme nezávisle
+Levnější a predikovatelnější provoz
−VAD / detekce konce promluvy pro češtinu funguje blbě — bot reaguje pozdě nebo v nesprávnou chvíli; hotové detektory češtinu neumí
Cesta B · Realtime (řeč ↔ řeč)
Jeden model slyší i mluvíGoogle Gemini Live
+Turn-taking funguje výrazně lépe — model přirozeně pozná, kdy člověk domluvil, i v češtině
+Nižší latence, přirozenější konverzace
−Lock-in na Google — jediný dodavatel, preview bez garancí
−Nemůžeme měnit hlasy a přízvuky — bereme, co model nabízí; pro klienty chceme volitelné hlasy
Otázka na vás: Jak z toho ven? Dá se cascade dotáhnout vlastním modelem pro detekci konce promluvy (a tím získat kontrolu nad hlasy bez lock-inu)? Nebo jít realtime a hlasy řešit jinak? Nebo hybrid? Kudy byste šli vy?
05
Co nás bolí (kromě dilematu)
Česká jména. Přepis řeči na jménech selhává — a rezervace bez správného jména je k ničemu.
Vícejazyčnost. Velký potenciální klient potřebuje CS/EN/DE — bot musí rozpoznat jazyk během hovoru a plynule přepnout.
Spolehlivost > chytrost. Nepotřebujeme geniální model — potřebujeme, aby bot dělal přesně to, co má, po definované cestě konverzace. Klidně malý model vyladěný na přesný skript.
Kvalita českého hlasu (TTS). Neexistují nezávislá srovnání — dodavatele hlasu vybíráme naslepo.
06
Výpočetní čas — upřímně nevíme, k čemu by nám byl
A přesně proto jsme tady. Níže jsou naše hypotézy — chceme slyšet, co z toho je reálné, co naivní, a co nás nenapadlo.
Hypotéza 1: vlastní detekce konce promluvy pro češtinu. Kdyby šla natrénovat/doladit, cascade cesta by přestala pokulhávat — a dilema ze sekce 04 by zmizelo. Je to reálný projekt pro 2člennou firmu s vaší podporou? Co by to obnášelo (data, čas, expertiza)?
Hypotéza 2: doladění přepisu řeči na česká jména.Existují české řečové datasety (jména, telefonní hovory), máte k nim přístup, nebo o nich víte?
Hypotéza 3: vlastní/doladěná syntéza českého hlasu. Vyřešilo by to kontrolu nad hlasy a přízvuky i pro realtime cestu.
Hypotéza 4: malý konverzační model „na přesný skript". Místo velkých obecných modelů vlastní model, který jede definovanou cestou konverzace.
Hypotéza 5: systematické vyhodnocování. Benchmarky přepisu a hlasů na našich reálných nahrávkách, místo výběru dodavatelů naslepo.
Praktické otázky k výkonu: Který z těchto směrů (pokud vůbec nějaký) dává smysl jako žádost o Playground (5 000 GPU hodin)? A LUMI běží na AMD, zatímco běžné ML nástroje jsou stavěné na NVIDIA — co poběží, co ne, máte i NVIDIA kapacity?