Asystent głosowy: jak działają Gemini, Siri i Alexa

Asystent głosowy to program, który rozumie polecenia głosowe i je wykonuje: ustawia budzik, dzwoni, szuka informacji, steruje inteligentnym domem. Najbardziej znane to Google Gemini (wcześniej Asystent Google), Siri, Alexa i Bixby.

Od prostych poleceń do żywej rozmowy

Prostymi słowami

Kiedyś sterowanie głosem było jak tresowana papuga: rozumiało kilka wyraźnych zdań - „zadzwoń do mamy”, „budzik na siódmą”. Nowoczesny asystent oparty na modelu językowym jest jak uważny pomocnik: możesz mówić własnymi słowami, dopytywać, a nawet poprosić o wyjaśnienie czegoś trudnego.

Jak to działa

Telefon lokalnie nasłuchuje frazy aktywującej („Hej Google”, „Hej Siri”).
Potem nagrywa polecenie i rozpoznaje mowę.
System rozumie intencję: połączenie, przypomnienie, pytanie.
Wykonuje czynność lub tworzy odpowiedź - na urządzeniu albo w chmurze.
Synteza mowy odczytuje odpowiedź.

Gdzie działają asystenci głosowi

Gdzie to zobaczysz

W smartfonach (Gemini na Androidzie, Siri na iPhonie, Bixby w Samsungu), zegarkach, inteligentnych głośnikach, telewizorach i samochodach (Android Auto, CarPlay). Obsługa języka polskiego różni się między asystentami - warto sprawdzić.

Czy to ważne przy wyborze

Wygodne za kierownicą, w kuchni, w słuchawkach. Sprawdź, czy asystent obsługuje twój język i które funkcje działają w twoim kraju. I ustaw prywatność: historię zapytań głosowych można przeglądać i usuwać.

Mity

Mit: Asystent cały czas nagrywa wszystko, co mówię. W rzeczywistości: Lokalnie nasłuchuje tylko frazy aktywującej; nagrania po niej można przejrzeć w ustawieniach.
Mit: Asystenci głosowi rozumieją tylko angielski. W rzeczywistości: Wiodący asystenci rozumieją wiele języków, w tym polski, choć funkcje mogą się różnić.

Częste pytania

Jak wyłączyć asystenta głosowego?

W ustawieniach - wyłączyć rozpoznawanie frazy aktywującej.

Czy asystent działa bez internetu?

Podstawowe polecenia na niektórych telefonach - tak, złożone wymagają internetu.

Co zmieniły modele AI?

Asystenci zaczęli rozumieć naturalny język i prowadzić dialog.

Powiązane pojęcia

Rozpoznawanie mowy, Synteza mowy, Duży model językowy, Siri, Chatbot