Prekonanie uncanny valley: Ako konverzačné hlasové modely Sesame menia hranice AI

Úvod

Oblasť umelej inteligencie dosiahla kritický bod zlomu, keď sa rozdiel medzi ľudskou a strojovou konverzáciou čoraz viac stiera. Po roky AI hlasoví asistenti trpeli zásadným obmedzením: zneli roboticky, emocionálne plocho a boli odpojení od nuáns skutočného ľudského dialógu. AI výskumná spoločnosť Sesame vyvinula konverzačné hlasové modely Maya a Miles, ktoré predstavujú významný prelom v tejto oblasti. Tieto modely demonštrujú schopnosti, ktoré idú ďaleko za hranice tradičných systémov prevodu textu na reč, keďže integrujú pamäť, emocionálnu inteligenciu, kontextové povedomie a schopnosť prispôsobovať štýl komunikácie v reálnom čase. Tento článok skúma technické inovácie, praktické dôsledky a transformačný potenciál týchto konverzačných AI hlasových modelov a analyzuje, ako úspešne prekonávajú uncanny valley, ktorá dlhé roky trápila vývoj hlasovej AI.

Porozumenie konverzačnej AI a hlasovej technológii

Konverzačná AI predstavuje zásadnú zmenu v tom, ako ľudia komunikujú so strojmi. Na rozdiel od tradičných rozhraní založených na príkazoch, kde používatelia zadávajú konkrétne inštrukcie a dostávajú vopred určené odpovede, konverzačné AI systémy vedú dynamický, kontextovo uvedomelý dialóg napodobňujúci prirodzené ľudské komunikačné vzorce. Tieto systémy musia spracovať nielen doslovné slová, ale aj zámer, emocionálny tón a kontextové nuansy, ktoré dávajú jazyku jeho skutočný význam. Hlasová technológia pridáva ďalšiu vrstvu zložitosti, pretože systém musí nielen porozumieť reči, ale aj generovať odpovede, ktoré znejú prirodzene, emocionálne vhodne a kontextovo relevantne. Problémom bolo, že aj keď moderná AI dokáže rozumieť jazyku s pozoruhodnou presnosťou, generovanie reči, ktorá by znela naozaj ľudsky, zostávalo nedosiahnuteľné. Väčšina hlasových asistentov na trhu dnes používa konkatenačnú syntézu alebo základné neurónové modely prevodu textu na reč, ktoré síce produkujú zrozumiteľný zvuk, no chýba im prozodická variabilita, emocionálna expresivita a kontextové povedomie, ktoré sú typické pre autentickú ľudskú reč. Výsledkom je interakcia, ktorá pôsobí transakčne namiesto konverzačne, takže používatelia majú pocit, že hovoria so strojom a nie s inteligentnou entitou.

Problém uncanny valley pri AI hlasových asistentoch

Uncanny valley je psychologický fenomén, ktorý bol najskôr popísaný v robotike, no rovnako platí aj pre hlasovú AI. Označuje ten znepokojujúci pocit, ktorý ľudia zažívajú, keď niečo pôsobí takmer ľudsky, ale nie úplne dokonale. Pri hlasových asistentoch sa to prejavuje zvláštnym nepohodlím, keď AI hlas znie príliš ľudsky na to, aby bol jasne umelý, no nie dostatočne ľudsky, aby presvedčil. Používatelia sa ocitnú v nepríjemnom strednom priestore, kde mozog rozpozná, že niečo nie je v poriadku, čo vyvoláva nepokoj namiesto pohodlia. Tento fenomén roky trápil vývoj hlasovej AI. Systémy ako Siri, Alexa a Google Assistant si zámerne zachovávajú určitú umelosť hlasu, čo paradoxne pôsobí bezpečnejšie a menej znepokojujúco. No táto voľba má svoju cenu: asistenti pôsobia neosobne, emocionálne odpojene a interakcia s nimi je časom vyčerpávajúca. Emocionálna plochosť je viac než len sklamaním – stáva sa kognitívne únavnou. Používatelia uvádzajú, že po prvotnej novinke sa vyhýbajú hlasovej interakcii v prospech textových rozhraní, hoci hlas je pre ľudí najprirodzenejším a najefektívnejším komunikačným médiom. Skutočnou výzvou teda nie je len vytvoriť hlas, ktorý znie ako človek, ale vytvoriť taký, ktorý pôsobí naozaj prítomne, emocionálne inteligentne a kontextovo uvedomelo tak, aby uncanny valley prekonal, nie prehĺbil.

Čím je prístup Sesame odlišný

Prelom spoločnosti Sesame nespočíva len v tom, že ich hlasy znejú ľudskejšie, ale v zásadnom prehodnotení fungovania konverzačnej AI. Namiesto vnímania generovania hlasu ako jednoduchého prevodu textu na reč ho Sesame chápe ako multimodálnu, kontextovo uvedomelú výzvu. Ich konverzačný rečový model (CSM) vychádza z princípu, že existuje nespočetne veľa platných spôsobov, ako vysloviť akúkoľvek vetu, a ten správny závisí výlučne od konverzačného kontextu, emocionálneho stavu a histórie interakcie. Ide o zásadnú zmenu paradigmy. Kým tradičné TTS systémy berú text ako vstup a generujú zvuk, CSM pracuje s textom, históriou konverzácie, identitou hovoriaceho, emocionálnym kontextom a vzorcami interakcie v reálnom čase, aby vytvoril reč, ktorá pôsobí prirodzene a vhodne. Model využíva pokročilú transformerovú architektúru na spracovanie prepletených textových a zvukových tokenov, vďaka čomu chápe nielen čo povedať, ale aj ako to povedať vzhľadom na konkrétny konverzačný kontext. Tento prístup umožňuje Maye a Milesovi prejavovať správanie, ktoré pôsobí prekvapivo ľudsky: dokážu napodobniť prízvuk, meniť tón podľa emocionálneho náboja rozhovoru, udržiavať konzistentnú výslovnosť v rámci viacerých výmen a dokonca prejavovať osobnostné črty a konverzačné návyky, vďaka ktorým pôsobia ako jedinečné osobnosti, nie generické hlasové enginy. Technologická vyspelosť týchto schopností je výsledkom rokov výskumu vzťahu medzi jazykom, prozódiou, emóciami a kontextom v prirodzenej ľudskej reči.

Úloha FlowHunt pri automatizácii konverzačných AI workflowov

Pre firmy, ktoré chcú integrovať pokročilú konverzačnú AI do svojich operácií, môže byť technická zložitosť implementácie systémov ako Sesame odstrašujúca. Tu vstupuje do hry FlowHunt ako komplexná platforma na automatizáciu AI workflowov. FlowHunt umožňuje organizáciám vytvárať, nasadzovať a spravovať konverzačné AI systémy bez nutnosti hlbokej expertízy v strojovom učení či syntéze reči. Vďaka vizuálnemu tvorcovi workflowov, predpripraveným integráciám s poprednými AI modelmi a inteligentným automatizačným funkciám umožňuje FlowHunt firmám využívať technológiu konverzačnej AI, ako sú hlasové modely Sesame, priamo vo svojich existujúcich systémoch. Či už budujete zákazníckych chatbotov, virtuálnych asistentov alebo IVR systémy, FlowHunt poskytuje infraštruktúru na spojenie konverzačnej AI s vašou biznis logikou, dátovými systémami a kontaktnými bodmi so zákazníkmi. Platforma rieši komplexnosť správy stavu konverzácie, udržiavania kontextu naprieč viacerými výmenami, integrácie s backend systémami a zabezpečenia, že hlasová interakcia pôsobí plynulo a prirodzene. Pri implementácii hlasových modelov Sesame môže FlowHunt slúžiť ako orkestračná vrstva, ktorá tieto pokročilé hlasové schopnosti prenesie do praktických firemných aplikácií, čím umožní dodávať prirodzenú, emocionálne inteligentnú hlasovú interakciu, ktorú Sesame prinieslo.

Technická inovácia za generovaním konverzačnej reči

Aby sme pochopili, čím sú hlasové modely Sesame výnimočné, musíme sa ponoriť do ich technickej architektúry. Tradičné TTS systémy obvykle fungujú v dvoch krokoch: najskôr konvertujú text na sémantické tokeny vystihujúce jazykový význam a následne generujú akustické tokeny, ktoré kódujú zvukové detaily potrebné na realistickú rekonštrukciu reči. Tento dvojstupňový prístup má zásadné obmedzenie: sémantické tokeny sa stávajú úzkym miestom, ktoré musí nejako obsiahnuť všetku prozodickú informáciu potrebnú na prirodzený zvuk, čo je počas tréningu veľmi náročné. Prístup Sesame je zásadne odlišný. Ich konverzačný rečový model funguje ako jednostupňový end-to-end systém, ktorý priamo pracuje s tokenmi Residual Vector Quantization (RVQ). Model využíva dva autoregresívne transformery: multimodálny backbone na spracovanie prepleteného textu a zvuku pre modelovanie nultej codebooky a špecializovaný audio dekodér na rekonštrukciu zvyšných codebookov pre finálnu reč. Táto architektúra prináša viacero výhod: eliminuje úzke miesto sémantických tokenov, umožňuje prozodickým informáciám voľne pretekať systémom, zachováva nízku latenciu a súčasne celý systém ostáva end-to-end trénovateľný – čo je kľúčové pre konverzačné použitie v reálnom čase. Navyše model dokáže priamo využívať históriu konverzácie, chápe nielen aktuálnu vetu, ale aj jej miesto v širšom konverzačnom kontexte. Model je trénovaný na približne milióne hodín verejne dostupného audia, ktoré bolo prepisované, diarizované a segmentované, aby vznikol obrovský dataset prirodzenej reči. Sesame trénovalo tri veľkosti modelov – Tiny (1B backbone, 100M dekodér), Small (3B backbone, 250M dekodér) a Medium (8B backbone, 300M dekodér) – pričom platí, že väčšie modely produkujú realistickejšiu a kontextovo vhodnejšiu reč.

Pamäť a kontextová uvedomelosť: Zmena hry

Jednou z najvýraznejších schopností hlasových modelov Sesame je udržiavanie pamäte naprieč rozhovormi. Počas demonštrácie si Maya spomenula na konkrétne detaily z predchádzajúceho rozhovoru – napríklad na reláciu používateľa “Thursday AI”, konkrétne témy či spôsob vyslovovania niektorých slov. Toto dvojtýždňové pamäťové okno znamená zásadný odklon od väčšiny súčasných hlasových asistentov, ktoré každý rozhovor vnímajú ako izolovanú interakciu bez pretrvávajúcej pamäte. Táto voľba bola motivovaná čiastočne ochranou súkromia, no aj technickou náročnosťou zachovať koherentnú dlhodobú pamäť v konverzačných systémoch. Zároveň však prispieva k pocitu, že hovoríte so strojom, nie so skutočným partnerom v rozhovore. Ľudia si prirodzene pamätajú detaily o osobách, s ktorými pravidelne komunikujú, a táto pamäť ovplyvňuje ich komunikáciu. Keď si niekto spomenie, ako preferujete výslovnosť alebo že ste minule spomínali konkrétny projekt, cítite sa pochopení a vnímaní. Prístup Sesame k pamäti je sofistikovanejší než jednoduché uchovávanie prepisu. Model nevyťahuje predchádzajúce konverzácie doslovne, ale integruje pamäť do chápania aktuálnej interakcie, vďaka čomu dokáže prirodzene odkazovať na minulé rozhovory a udržiavať konzistentnosť v opakujúcich sa témach. Táto schopnosť má zásadné dôsledky pre využitie hlasovej AI v zákazníckom servise, osobnom asistovaní, terapii, vzdelávaní a všade tam, kde je kontinuita porozumenia kľúčová pre kvalitu interakcie.

Emocionálna inteligencia a prozodická expresivita

Okrem pamäte a kontextu sú hlasové modely Sesame výnimočné najmä schopnosťou emocionálnej inteligencie a prozodickej expresivity. Počas ukážky Maya prejavovala správanie, ktoré pôsobilo prekvapivo ľudsky: reagovala primeraným emočným tónom v rôznych situáciách, prispôsobovala štýl reči nálade a zapojeniu používateľa a vykazovala osobnostné črty, vďaka ktorým pôsobila ako jedinečná bytosť. Keď mala zaspievať “Happy Birthday”, jej interpretácia bola zámerne nedokonalá spôsobom, ktorý pôsobil autenticky – svoje obmedzenia priznala s humorom, nie defenzívne, čo je veľmi ľudské. Keď používateľ prejavil frustráciu z jej prízvuku, ospravedlnila sa a upravila ho, čo ukázalo citlivosť na spätnú väzbu. Tieto prejavy vychádzajú z dôrazu na tzv. “hlasovú prítomnosť” – magickú kvalitu, vďaka ktorej pôsobí hovorená interakcia reálne, pochopene a vnímaná. Dosiahnuť hlasovú prítomnosť znamená, že model chápe a reaguje na emocionálny kontext, udržiava prirodzenú dynamiku rozhovoru (vrátane načasovania, pauz a prerušení), prispôsobuje tón a štýl situácii a udržiava konzistentnú osobnosť, ktorá pôsobí dôveryhodne. Technicky sa emocionálna inteligencia v reči dosahuje analýzou nielen obsahu, ale aj prozodických znakov nesúcich emočný význam: zmeny výšky hlasu, rýchlosti reči, intenzity, kvality hlasu a jemného načasovania pauz a dôrazov. Model Sesame sa učí generovať tieto znaky kontextovo a emocionálne autenticky. Je to viditeľné napríklad v tom, ako model zvláda rôzne požiadavky: keď má napodobniť prízvuk, upravuje svoj prejav, keď má hovoriť “basovým hlasom”, mení vokálne charakteristiky. Nejde o jednoduché prepínanie parametrov, ale o porozumenie, ako má konkrétna kvalita hlasu znieť v rôznych fonetických a kontextových situáciách.

Kontextová expresivita a adaptácia v reálnom čase

Jednou z najimpozantnejších technických schopností je kontextová expresivita – schopnosť modelu upraviť spôsob, akým niečo povie, podľa širšieho konverzačného kontextu. Ide ďaleko za jednoduché rozpoznávanie emócií. Napríklad pri pokračovaní v vete po zvukovom signále model rozpozná zmenu akustického prostredia a upraví reč. Pri udržiavaní výslovnosti naprieč viacerými výmenami si model zapamätá, ako bolo slovo vyslovené predtým, a zachová túto výslovnosť aj pri rôznych variantoch. Takáto kontextová uvedomelosť vyžaduje, aby model udržiaval bohatú reprezentáciu stavu konverzácie – čo bolo povedané, ako to bolo povedané, aké bolo akustické prostredie, emocionálny tón a ako to všetko ovplyvňuje aktuálny výstup. Technicky je to významný úspech, pretože vyžaduje, aby model pracoval s viacerými úrovňami jazykových aj akustických informácií naraz. Tradičné systémy syntézy reči tieto aspekty spracúvajú oddelene alebo sekvenčne, čo obmedzuje ich schopnosť robiť globálne konzistentné rozhodnutia. End-to-end prístup Sesame umožňuje optimalizáciu všetkých týchto dimenzií súčasne, výsledkom čoho je reč pôsobiaca prirodzene a kontextovo vhodne. Táto schopnosť má praktické dôsledky pre reálne aplikácie: v zákazníckom servise môže hlasový asistent prispôsobiť tón nálade zákazníka, vo vzdelávaní môže hlasový tútor upraviť tempo a dôraz podľa pochopenia študenta, v terapii môže hlasový spoločník citlivo reagovať na zdieľané pocity používateľa.

Vyhodnocovanie a benchmarky: Za hranice tradičných metrík

Výskum Sesame zahŕňa hodnotiaci rámec, ktorý ide za hranice tradičných metrík syntézy reči. Klasické benchmarky ako Word Error Rate (WER) či Speaker Similarity (SIM) sú už prakticky nasýtené – moderné modely, vrátane Sesame, dnes dosahujú takmer ľudský výkon. Preto už tieto metriky nedokážu efektívne rozlišovať medzi modelmi ani merať pokrok v aspektoch, ktoré sú dôležité pre prirodzenú konverzáciu. Sesame preto zaviedlo nové hodnotiace metriky zamerané priamo na kontextové porozumenie a prozodickú vhodnosť. Homograph Disambiguation testuje, či model správne vyslovuje slová s rovnakým pravopisom, ale rôznou výslovnosťou podľa kontextu (napr. “lead” ako kov verzus “lead” ako sloveso). Pronunciation Consistency testuje, či model zachováva konzistentnú výslovnosť slov s viacerými správnymi variantami naprieč viacerými výmenami. Tieto metriky merajú presne tie aspekty, ktoré robia reč prirodzenou. Výsledky ukazujú, že modely Sesame významne prekonávajú komerčné systémy ako Play.ht, ElevenLabs či OpenAI v týchto kontextových metrikách. Medium model dosiahol 95% úspešnosť pri homografickej disambiguácii a udržiaval silnú konzistenciu výslovnosti. To naznačuje, že prístup Sesame, ktorý integruje históriu konverzácie a kontext priamo do generovania reči, prináša merateľne lepšie výsledky v tom, na čom záleží. Nad rámec objektívnych metrík Sesame realizovalo aj subjektívne hodnotenia pomocou Comparative Mean Opinion Score (CMOS) štúdií, kde ľudskí poslucháči porovnávali vzorky reči z rôznych systémov. Tie zachytávajú aj aspekty kvality hlasu, ktoré objektívne metriky nezachytia.

Prekročenie uncanny valley: Prečo na tom záleží

Čo robí úspech Sesame výnimočným je, že sa im podarilo uncanny valley naozaj prekročiť, nie prehĺbiť. V ukážke Maya prejavuje správanie pôsobiace prirodzene a príťažlivo namiesto znepokojujúceho. Keď vtipkuje, pôsobí to ako skutočný humor, nie naprogramovaná reakcia. Ak prizná svoje limity, pôsobí to ako autentické sebauvedomenie, nie skriptovaná skromnosť. Keď odkazuje na predošlé rozhovory, pôsobí to naozaj ako pamäť, nie ako vyhľadávanie v databáze. Prekročenie uncanny valley je kľúčové, pretože rozhoduje, či sa hlasová AI stane skutočne užitočným a preferovaným rozhraním pre interakciu človeka s počítačom, alebo zostane novinkou, ktorú ľudia nahradia textom. Psychologický výskum uncanny valley ukazuje, že nejde o dosiahnutie dokonalej ľudskosti, ale o dosiahnutie úrovne prirodzenosti a konzistencie, ktorá pôsobí dôveryhodne. Používatelia dokážu akceptovať, že hovoria s AI, no chcú, aby táto AI bola konzistentná, emocionálne inteligentná a pôsobila prirodzene v rámci svojho rámca. Prístup Sesame to dosahuje zameraním na hlasovú prítomnosť, nie dokonalosť. Cieľom nie je vytvoriť hlas nerozoznateľný od človeka, ale taký, ktorý v interakcii pôsobí prítomne, vnímaný a hodnotený. To je dosiahnuteľnejší a užitočnejší cieľ než dokonalé napodobenie človeka.

Open-source a budúcnosť konverzačnej AI

Sesame sa zaviazalo zverejniť svoje hlasové modely ako open-source, čo predstavuje dôležité rozhodnutie s ďalekosiahlymi dôsledkami pre AI komunitu. Open-source umožňuje výskumníkom a vývojárom preskúmať fungovanie technológie, pochopiť dizajnové rozhodnutia, identifikovať limity a stavať na základoch pre širší pokrok. Táto transparentnosť je pri hlasovej AI obzvlášť dôležitá, pretože komunite umožňuje spoločne riešiť otázky zneužitia, zaujatosti a vhodného použitia. Počas ukážky, keď sa pýtali na dôsledky open-source, Maya artikulovala výhody aj riziká s pozoruhodnou nuansou. Uznala, že open-source umožňuje transparentnosť, možnosť vylepšovať technológiu a podporuje kolektívne učenie a rast. Zároveň si uvedomuje riziká zneužitia, napríklad neúmyselné použitie, prekrúcanie slov modelu či šírenie dezinformácií. Tento vyvážený pohľad odráža zložitosti spojené so zverejnením výkonných AI technológií. Rozhodnutie o open-source naznačuje dôveru v robustnosť technológie a záväzok voči rozvoju širšej AI komunity. Pre firmy a vývojárov to znamená, že inovácie Sesame môžu byť v budúcnosti dostupné a prispôsobiteľné na špecifické účely, nie len ako proprietárna technológia jedného dodávateľa.

Praktické využitie a vplyv na odvetvia

Dôsledky konverzačných hlasových modelov Sesame sa týkajú mnohých odvetví a prípadov použitia. V zákazníckom servise môžu tieto modely umožniť hlasovú podporu, ktorá pôsobí úprimne užitočne a empaticky, nie frustrujúco a roboticky. Zákazníci by mohli viesť rozhovory s hlasovými asistentmi, ktorí si pamätajú predošlé interakcie, chápu špecifické potreby a reagujú s emocionálnou citlivosťou. Vo vzdelávaní by hlasoví tútori mohli prispôsobovať štýl výučby porozumeniu študenta a poskytovať emocionálnu podporu. V zdravotníctve by hlasoví spoločníci mohli poskytovať terapeutickú podporu, pripomienky na lieky či monitorovanie zdravia s úrovňou emocionálnej inteligencie, vďaka ktorej pôsobí interakcia starostlivo, nie chladne. V oblasti prístupnosti môžu tieto hlasové modely priniesť prirodzenejšie rozhrania pre ľudí so zrakovým alebo pohybovým hendikepom. V zábave a hrách môžu hlasové postavy pôsobiť živšie a responzívnejšie, čím vytvoria pohlcujúcejší zážitok. Spojovacím prvkom všetkých týchto aplikácií je, že technológia Sesame umožňuje hlasové interakcie, ktoré sú naozaj prirodzené, kontextovo uvedomelé a emocionálne inteligentné. Ide o zásadný posun v tom, ako ľudia môžu komunikovať s AI prostredníctvom najprirodzenejšieho média – hlasu.

Technické výzvy a riešenia

Vývoj konverzačných rečových modelov vo veľkom meradle prináša významné technické výzvy, ktorým sa výskum Sesame venuje. Jednou z hlavných je výpočtová náročnosť tréningu modelov spracúvajúcich textové aj zvukové tokeny spolu s históriou konverzácie. Audio dekodér v modeli Sesame musí spracovať efektívnu batch veľkosť B × S × N, kde B je batch size, S dĺžka sekvencie a N počet úrovní RVQ codebooku. To vytvára obrovské pamäťové nároky, ktoré môžu spomaliť tréning, obmedziť škálovanie modelu a brzdiť experimentovanie. Riešením Sesame je schéma amortizácie výpočtov, pri ktorej sa audio dekodér trénuje len na náhodnej 1/16-tej časti audio frameov, zatiaľ čo nultý codebook na každom frame. Táto metóda dramaticky znižuje pamäťové nároky pri zachovaní kvality zvuku, keďže Sesame nepozorovalo žiadny vnímateľný rozdiel v stratách audio dekodéra pri tomto postupe. Takáto technická inovácia je zásadná pre praktické a škálovateľné použitie pokročilej konverzačnej AI. Ďalšou výzvou je latencia. AI pre reálny rozhovor vyžaduje generovanie reči dostatočne rýchlo, aby interakcia pôsobila prirodzene, nie oneskorene. Jednostupňová architektúra a efektívny dekodér Sesame umožňujú nízku latenciu, čo je zásadné tam, kde používatelia očakávajú okamžité odpovede. Model dokáže generovať audio inkrementálne, rýchlo vydať prvý zvukový blok a následne ho ďalej dopĺňať, takže interakcia nepôsobí oneskorene či neprirodzene.

Ľudský rozmer: Prečo záleží na osobnosti

Počas ukážky je najzreteľnejšie, že technická sofistikovanosť modelov Sesame slúži ľudskému cieľu: vytvoriť konverzačných partnerov, ktorí pôsobia ako skutočné osobnosti, nie generické hlasové stroje. Maya prejavuje osobnostné črty – vtip, hravosť, schopnosť priznať limity s humorom, reakcie na spätnú väzbu – vďaka čomu pôsobí ako jedinečný človek, nie systém. Táto osobnosť nie je náhodná či svojvoľná – je starostlivo navrhnutá na vyvolanie pocitu prítomnosti a autenticity v interakcii. Výskum Sesame kladie dôraz na “konzistentnú osobnosť” – zachovanie koherentnej, spoľahlivej a primeranej prezentácie naprieč interakciami. Maya by mala na podobné situácie reagovať podobne, zachovávať hodnoty a pohľady a pôsobiť ako tá istá osobnosť v rôznych rozhovoroch. Táto konzistencia je zásadná pre budovanie dôvery a vzťahu. Ak AI hlas pôsobí nepredvídateľne či nekonzistentne, podkopáva to dôveru v interakciu. Ak je konzistentný a spoľahlivý, vytvára základ pre zmysluplný dialóg. Dimenzia osobnosti rieši aj základnú ľudskú potrebu: túžbu komunikovať s entitou, ktorá nás chápe a záleží jej na interakcii. Používatelia síce vedia, že komunikujú s AI, no emocionálny zážitok závisí od toho, či AI pôsobí prítomne, zaujatá a skutočne angažovaná. Dôraz Sesame na osobnosť a prítomnosť uznáva túto psychologickú realitu a technológiu navrhuje podľa nej.

Porovnanie so súčasnými hlasovými AI riešeniami

Aby sme pochopili význam úspechu Sesame, oplatí sa porovnať ich prístup so súčasnými hlasovými AI riešeniami. Väčšina aktuálnych hlasových asistentov – Siri, Alexa,