- Siri, Alexa a Google Assistant nejlépe fungovaly tehdy, když uživatel vyslovil očekávaný typ příkazu
- Alexa při uvedení v listopadu 2014 zvládala jen 13 typů úkolů, přesto působila jako technika ze sci-fi
- ChatGPT změnil očekávání tím, že dokázal navázat na předchozí věty, opravy i nečekané odbočky
Požádáte hlasového asistenta, aby zhasl světlo v ložnici. Když vám správně rozumí, úkol splní rychleji než člověk s telefonem v ruce. Pak ale dodáte: „Vlastně jen lampu u postele, stropní nech svítit.“ Z obyčejné opravy se rázem stane zkouška, zda přístroj rozumí rozhovoru, nebo pouze čeká na další samostatný příkaz.
ℹ️ Stačí jeden klik! Přidejte si nás mezi mezi preferované weby, případně nás sledujte v Google Zprávách, nebo na Seznam.cz
Siri, Alexa a Google Assistant měly lidská jména, příjemné hlasy a občas povedený vtip. Většinu své existence se však chovaly spíš jako hlasový příkazový řádek. Člověk se nenápadně učil jejich slovník, pořadí slov i okamžik, kdy je lepší prosbu vzdát a sáhnout po displeji. ChatGPT ukázal, jak velký rozdíl je mezi rozpoznáním věty a pokračováním v rozhovoru.
Za lidským hlasem se schovávalo menu příkazů
Apple už při představení Siri v roce 2011 tvrdil, že asistentka chápe kontext. Jako příklady uváděl otázku na deštník, která měla znamenat žádost o předpověď, nebo připomínku zavolat matce po příchodu domů. Působivé, ale zároveň pečlivě vybrané situace, pro které měl systém připravená data i konkrétní akci.
Ještě názornější je začátek Alexy. Podle Amazonu uměla při uvedení v listopadu 2014 jen 13 typů úkolů. Kouzlo nespočívalo v šíři schopností, ale v tom, že černý válec zaslechl člověka na druhé straně místnosti a na několik správných vět reagoval téměř okamžitě. I po letech v běžném používání však převládaly jednoduché úkoly. V amerických datech YouGov z roku 2025 vedla kontrola počasí (59 %), přehrávání hudby (51 %) a nastavení časovače či budíku (40 %).
Vývojářská dokumentace ukazuje, co se dělo v zákulisí. Systém neuměl volně vykládat libovolnou větu. Vývojář předem určil, jaké požadavky přijme, několika příklady ukázal, jak je lidé mohou vyslovit, a označil údaje, které má z věty vytáhnout, třeba čas, město nebo název skladby. Alexa těmto přihrádkám říkala intents, utterances a slots. Google používal podobný postup: asistent rozpoznal připravený požadavek, doplnil potřebné údaje a spustil odpovídající funkci. Věta mimo známý scénář skončila ve stavu NO_MATCH.
Takové řešení výborně sedí k povelu „rozsviť v kuchyni“. Systém přesně ví, kterou funkci smí zavolat a jaké údaje potřebuje. Jakmile ale uživatel odbočí, opraví se nebo odkáže na předchozí větu, musí vývojář příslušnou odbočku očekávat předem. Rozhovor připomíná formulář, jehož políčka diktujete nahlas.
ChatGPT začal konverzovat bez jediného mikrofonu
Největší změnu kupodivu nepřinesl lepší reproduktor ani citlivější mikrofon. Když OpenAI 30. listopadu 2022 zpřístupnila ChatGPT, většina lidí si s ním psala. Firma už v prvním oznámení zdůrazňovala navazující otázky, přiznání chyby i reakci na nesprávný předpoklad uživatele.
ChatGPT nečekal, až člověk trefí jednu z připravených formulací. Dokázal pracovat s předchozími větami, převyprávět odpověď jednodušeji, přijmout opravu a pokračovat jiným směrem. Poprvé se ve větší míře přizpůsoboval stroj člověku, nikoli člověk stroji.
Pro českého uživatele byl rozdíl ještě viditelnější. ChatGPT se dokázal česky domluvit už při zpřístupnění v listopadu 2022 a češtinu podporuje dodnes. Siri se přitom česky nedomluví ani po patnácti letech. Také uživatelská beta nové Siri AI plánuje v druhé polovině roku 2026 začít na zařízeních nastavených do angličtiny a čeština není ani v současném seznamu jazyků Apple Intelligence. K řadě Čechů se tak první přesvědčivější rozhovor se strojem mohl dostat přes web či aplikaci, nikoli přes asistenta zabudovaného v telefonu.
Povídat si a něco provést jsou dva různé úkoly
Plynulá odpověď ještě neznamená, že model správně pochopil zadání. Generativní model skládá odpověď podle kontextu a vztahů naučených z dat. Díky tomu reaguje i bez napsaného scénáře, ale také může přesvědčivě doplnit údaj, který ve skutečnosti nezná.
Klasický hlasový asistent byl omezený, ale správně rozpoznaný povel poslal předem určené funkci. Generativní model přijme mnohem volnější zadání, jenže jeho výklad nemusí být pokaždé stejný. U rady, čím nahradit surovinu v receptu, je improvizace vítaná. U věty „pošli Petrovi, že přijdu pozdě“ záleží na každém detailu: kterému Petrovi, přes jakou aplikaci a zda zprávu nejdřív ukázat ke kontrole.
Čím víc lidsky asistent mluví, tím snáz přehlédnete, že část zadání pouze odhadl. U citlivějších kroků by vám proto měl nejdřív ukázat, co se chystá udělat. Starý příkazový systém by se neměl úplně opustit, protože pod lepším rozhovorem může dál hlídat, co se skutečně provede.
Hlas už zní přirozeněji, ruce má stále svázané
Vývoj ChatGPT Voice ukazuje, že přirozenost hovoru a schopnost jednat se nezlepšují stejným tempem. Režim GPT-Live představený 8. července 2026 používá full-duplex architekturu, takže může poslouchat a mluvit současně. Má lépe pracovat s pauzami, přerušováním i rychlou výměnou replik.
Podle aktuální nápovědy ChatGPT Voice však režim Live nepodporuje připojené aplikace ani pluginy. Umí tedy znít jako pozornější partner, ale nemá volný přístup ke službám, v nichž by za uživatele jednal. Přirozený rozhovor tak předběhl schopnost bezpečně něco zařídit.
Výrobci staré asistenty přestavují za pochodu
Google už oznámil, že mobilního asistenta nahradí Gemini. Amazon postavil Alexa+ na technologii generativní AI a Apple slibuje u Siri AI konverzaci, osobní kontext i akce napříč aplikacemi. Jde zatím hlavně o přísliby výrobců; teprve běžný provoz ukáže, jak spolehlivě spojí volnou řeč s přesnou akcí.
Nestačí totiž přidat chatbotovi hlas ani naučit starého asistenta několik volnějších vět. Užitečný partner musí dokázat vést rozhovor, přiznat nejistotu a při přechodu od slov k činu zpomalit, ověřit si podrobnosti a nabídnout kontrolu. Jinak dostaneme buď velmi poslušný dálkový ovladač, nebo okouzlujícího společníka, kterému raději nesvěříte pondělní budík.
