Hlasem místo psaní: agent v autě a na procházce

Psát agentovi na klávesnici telefonu je v pořádku u stolu. V autě je to nebezpečné, s kočárkem nemožné a na procházce to kazí procházku. Přitom právě tam člověka napadají věci, které stojí za zapsání.

Telegram má hlasové zprávy odjakživa. Stačí, aby jim agent rozuměl.

Jak to funguje

Podržíte v Telegramu mikrofon, řeknete, co potřebujete, a pustíte. Agent zprávu přepíše na text, zpracuje ji jako každou jinou a odpoví. Jestli textem, nebo hlasem, si určíte.

/voice off     odpovídá vždy textem (výchozí)
/voice on      hlasem odpoví jen na hlasovou zprávu
/voice tts     hlasem odpoví na všechno
/voice status  ukáže, co je nastaveno

Pro většinu lidí je správně /voice on. Napíšete-li, čtete. Řeknete-li, posloucháte. Nastavení přežije restart.

Nastavení pro češtinu

Dvě věci v souboru config.yaml a jeden klíč.

stt:
  enabled: true
  provider: groq
  language: "cs"

tts:
  provider: edge
  edge:
    voice: "cs-CZ-VlastaNeural"

Jazyk přepisu. Výchozí je angličtina. Bez řádku language: "cs" dostanete z českého diktátu anglicky znějící nesmysly a budete hledat chybu jinde.

Přepis. Hermes umí přepisovat i lokálně, bez jakékoli služby. V kontejneru ale podle dokumentace nemusí být potřebné součásti k dispozici; pak zvolte cloudovou službu. Groq má bezplatný tarif a stačí k němu klíč GROQ_API_KEY v souboru .env.

Hlas odpovědi. Poskytovatel edge je zdarma a bez klíče, s českými hlasy. Kdo chce přirozenější přednes a už má účet u ElevenLabs, přepne poskytovatele a zadá identifikátor hlasu.

Po úpravě kontejner restartujte a pošlete zkušební zprávu: „Zopakuj mi doslova, co jsem teď řekl.“ Uvidíte, jak dobře vám rozumí, dřív, než mu svěříte něco důležitého.

Na co se hlas hodí

• Zachytit myšlenku. „Zapiš si nápad k projektu Web: zkusit ceník jako tabulku.“ Deset vteřin a je to venku z hlavy.
• Rychlý dotaz. „Co mám dnes odpoledne?“ a odpověď do sluchátek.
• Úkol na později. „Připomeň mi zítra v devět zavolat do servisu.“
• Deník. Tři věty cestou z práce jsou víc než prázdná stránka večer.
• Dlouhé zadání. Mluvíte třikrát rychleji, než píšete. Zadání, které byste palcem ošidili, nadiktujete celé.

Na co se nehodí

• Jména, čísla, adresy. Přepis si s nimi poradí hůř než s běžnou řečí. Telefonní číslo nebo e-mail vždy zkontrolujte v textu.
• Cokoli nevratného. Pokyn typu „smaž“ nebo „pošli“ hlasem nedávejte. Jedno přeslechnuté slovo a agent udělá něco jiného.
• Když vás někdo slyší. V tramvaji nadiktujete agentovi i spolucestujícím, co jste komu slíbili.

K druhému bodu: dobrý návyk je nechat si u důležitých věcí zadání zopakovat. Řekněte agentovi jednou provždy: „Když ti hlasem zadám úkol s termínem, napiš mi ho zpátky jednou větou, než ho uložíš.“ Uloží si to do paměti.

V autě

Tady je potřeba říct jednu věc napřímo: držet telefon a mačkat mikrofon za jízdy je stejný přestupek jako psaní zprávy. Hlas pomáhá jen tehdy, když ho ovládáte bez rukou.

Co funguje: nadiktovat zprávu před rozjezdem a odpověď si nechat přečíst do reproduktorů. Nebo použít hlasového asistenta telefonu k odeslání zprávy do Telegramu, pokud to váš telefon a auto umějí. A nejspolehlivější varianta je ta nejnudnější: zastavit.

Kam hlas teče

Hlasová zpráva projde třemi místy: servery Telegramu, službou, která ji přepisuje, a poskytovatelem modelu. U bezplatných přepisovacích služeb si přečtěte, co s nahrávkami dělají. Kdo chce, aby zvuk neopustil dům, potřebuje lokální přepis a tedy instalaci mimo kontejner nebo vlastní image — to už je práce pro pokročilé.

Rozumné pravidlo: hlasem zadávejte to, co byste řekli nahlas v kanceláři.

Na co si dát pozor

• Dlouhé nahrávky. Pětiminutový monolog se přepíše, ale agent z něj vybere, co uzná za důležité. Kratší zprávy dopadají lépe.
• Hluk. Vítr a motor zhorší přepis víc, než čekáte. Sluchátka s mikrofonem pomáhají.
• Hlasová odpověď je pomalejší. Vzniká až po textové. Na dlouhé odpovědi si nechte text.
• Placené hlasy stojí kredity. Režim /voice tts s placeným poskytovatelem čte nahlas i každé „hotovo“.

Hlas agenta nezrychlí ani nezchytří. Jen ho zpřístupní ve chvílích, kdy byste jinak neudělali nic — a právě v nich vzniká většina věcí, které si pak nemůžete vybavit.