Gwen: moja domáca hlasová asistentka
Vypočuť článok
Zvuková verzia načítaná automatickým hlasom.
Neviem ako vy, ale ja mám rád hlasové ovládanie. Samozrejme, keď funguje tak, ako má. Príde mi to ako najprirodzenejší spôsob ovládania strojov. Poviem a stane sa.
Od príchodu Siri som bol jej fanúšikom a rok čo rok som čakal na slovenčinu. Časom ma však prešla trpezlivosť. Rozhodol som sa preto vytvoriť si vlastnú hlasovú asistentku. Volá sa Gwen.
S jazykovým modelom sa dnes dá rozprávať aj cez telefón. Ja som však chcel niečo trochu iné: asistentku dostupnú doma bez hľadania aplikácie, ktorá rozumie po slovensky, vie vykonať konkrétne povely a ktorej základný rozhovor funguje na mojom vlastnom počítači.
Z čoho sa Gwen skladá
Gwen nie je jeden program, ale niekoľko prepojených častí. Malá krabička zachytí hlas, počítač mu porozumie, pripraví odpoveď alebo vykoná povel a krabička odpoveď prehrá.
- Uši a ústa: dva ESP‑VoCaty. Sú to malé zariadenia v tvare mačacej hlavy s mikrofónom, reproduktorom a dotykovým displejom, postavené na ESP32‑S3. Mám ich na dvoch miestach v domácnosti. Používajú upravený firmvér vychádzajúci z projektu Espressif a cez domácu Wi‑Fi komunikujú s Macom mini. Rozhovor spustím dotykom alebo oslovením „Hi Gwen“.
- Mozog: Mac mini. Bežia na ňom hlasové služby aj lokálny jazykový model Qwen3.5‑35B‑A3B v 4-bitovej verzii cez MLX/vllm‑mlx. Model sa stará o rozhovor a rozhoduje, kedy potrebuje použiť niektorý z pripravených nástrojov. Na podobnú zostavu treba počítač s dostatkom pamäte pre zvolený model; veľkosť modelu sa dá prispôsobiť hardvéru.
- Prepis reči: Whisper. Hlas prevádza na text priamo na Macu mini, s nastavenou slovenčinou.
- Hlas: Piper. Hotovú odpoveď premení na slovenskú reč pomocou hlasu
sk_SK-lili-medium. Aj táto časť beží lokálne. - Prepojenie a vlastné povely. Python server sprostredkuje komunikáciu so zariadeniami a spoločný server nástrojov vykonáva konkrétne úlohy. Svetlá ovládam cez Apple Skratky, ďalšie nástroje zisťujú počasie, čas či meniny, vyhľadávajú cez Tavily alebo na požiadanie odošlú výsledok e-mailom.
Celá cesta teda vyzerá jednoducho: môj hlas → VoCat → Whisper → Qwen a prípadný nástroj → Piper → odpoveď z VoCatu. Spojenie medzi zariadením a serverom zabezpečuje hlasová brána a lokálny relay cez WebSocket.
Ak by ste si chceli postaviť niečo podobné, toto je základný zoznam dielov: hlasový terminál, počítač pre lokálny model, prepis reči, syntéza hlasu a spojovacia vrstva s nástrojmi. Práve nástroje dávajú asistentke možnosť aj niečo urobiť. Pri svetlách napríklad model dostane nástroj, ktorý spustí pripravenú skratku. Rovnakým spôsobom sa dajú postupne pridávať ďalšie povely.
Čo s ňou doma robíme
Najčastejšie sú to úplne obyčajné veci: „Aké bude zajtra počasie?“, „Kto má dnes meniny?“ alebo „Rozsvieť svetlá.“ Pri nadväzujúcich otázkach si Gwen v rámci rozhovoru drží kontext, takže nemusím všetko vysvetľovať odznova.
Používam ju aj na počúvanie podcastov. Poviem napríklad „Pusti podcast Aktuality“, Mac mini vyberie epizódu z RSS a VoCat si zvuk stiahne a prehrá.
Gwen vie tiež nahlas oznámiť jednorazovú pripomienku zo spoločného zoznamu v Apple Pripomienkach. Takto sa dá pripomenúť napríklad úloha v konkrétnom čase. Na textový rozhovor máme aj súkromného rodinného bota v Telegrame.
Pri zložitejšom zadaní môžem Gwen požiadať, aby úlohu odovzdala Hermesovi. Je to samostatný agent od Nous Research, ktorý tiež beží na Macu mini a venuje sa dlhšiemu vyhľadávaniu a spracovaniu informácií. Jedným z využití je príprava programu na víkend podľa našich záujmov. Gwen zostáva hlasovou asistentkou a Hermes pracuje na zadanej úlohe na pozadí.
Člen domácnosti s mačacími očami
Najzábavnejšie je spolužitie nášho syna s Gwen. Keď si opakujeme matematiku alebo iné predmety, občas sa pretekajú, kto povie správnu odpoveď skôr. Z technického projektu sa tak stala celkom prirodzená súčasť domácnosti. A pri odpovediach máme občas dôvod overiť si, kto z nich mal vlastne pravdu.
Veľké plus je pre mňa lokálne spracovanie hlasu. Zvuk na prepis, samotný rozhovor s modelom ani tvorba hlasovej odpovede nemusia odchádzať do cudzieho cloudu. Keď však požiadam o vyhľadávanie na webe, použije sa externá služba; podobne Telegram a e-mail fungujú cez svojich poskytovateľov.
Možno si poviete, že na takýto projekt nemáte skúsenosti. Aj mne pri skladaní Gwen výrazne pomohla AI: s návrhom, programovaním aj prepájaním jednotlivých častí. Stále je čo nastavovať a skúšať, ale dá sa začať malým krokom — napríklad jedným zariadením a jednoduchým rozhovorom — a ďalšie schopnosti pridávať postupne.
A na čo by ste hlasového asistenta využili vy?