[Rossi D]

Opravdu užitečný AI asistent s očima? Google Gemini teď vidí, slyší a radí podle toho, co právě děláte


 
Google začíná spouštět funkci Project Astra v asistenci Gemini – sdílení obrazovky a reakce AI v reálném čase
Co je Project Astra?

• Nová funkce asistenta Gemini od Googlu, umožňuje sdílet obrazovku nebo kameru telefonu s umělou inteligencí.
  
• Gemini pak v reálném čase analyzuje a reaguje na obsah obrazovky či záběr kamery.
  
• Pomáhá uživatelům například vysvětlit, co vidí, nebo poradit při složitých úkonech.
  

Jak to funguje v praxi?

• Uživatel na Redditu (Kien_PS) sdílel první dojmy:
  • Po spuštění Gemini Live se objevila dvě nová tlačítka:
    
    1. Sdílení obrazovky
       
    2. Přenos videa z kamery
       
  • AI pak dokázala popsat obsah obrazovky telefonu v reálném čase.
    

Dostupnost a cena

• Funkce je dostupná zatím velmi omezeně, postupně se ale rozšíří mezi další uživatele.
  
• V Česku je pokročilý model Gemini Advanced (včetně Project Astra) dostupný v rámci nejvyššího předplatného AI Premium za 550 Kč měsíčně.
  

První zařízení s přístupem k Project Astra

• Původně Google oznámil, že jako první získají tuto funkci telefony:
  • Pixel
    
  • Nová řada Galaxy S25
    
• První hlášení od uživatelů však pochází z telefonu Xiaomi, což naznačuje postupné uvolňování bez ohledu na původní plán.
  

Shrnutí

• Project Astra přináší revoluční schopnosti asistenta Gemini reagovat na obsah obrazovky či kamery v reálném čase.
  
• Zatím je dostupný jen omezeně, ale očekává se rychlé rozšíření na další uživatele s předplatným Google Gemini.
  

---

Nový model hlasové umělé inteligence gpt-4o-transcribe od společnosti OpenAI umožňuje přidat řeč do stávajících textových aplikací během několika sekund



OpenAI představilo nové hlasové modely založené na GPT-4oCo je nového?

• OpenAI (tvůrce ChatGPT) představilo tři nové hlasové AI modely:
  • gpt-4o-transcribe (převod řeči na text)
    
  • gpt-4o-mini-transcribe (menší a levnější verze)
    
  • gpt-4o-mini-tts (převod textu na řeč s možností přizpůsobení hlasu)
    
• Modely budou dostupné přes API pro vývojáře a také na demo webu OpenAI.fm pro běžné uživatele.
  

Klíčové vlastnosti modelů

• Vylepšená kvalita přepisu:
  • Nižší chybovost oproti předchozím modelům (např. Whisper).
    
  • Zvládají dobře hluk, různé akcenty a různou rychlost řeči.
    
  • Přesnost přepisu angličtiny je 2,46 % chybovosti (Whisper měl výrazně vyšší chybovost).
    
• Přizpůsobitelný hlas (model gpt-4o-mini-tts):
  • Uživatel může nastavit akcent, tón, výšku hlasu i emoce pomocí jednoduchého textového promptu.
    
  • OpenAI se tímto vyhýbá kontroverzím (např. s imitací hlasu Scarlett Johansson), protože uživatel si hlas sám určí.
    
• Nově uvedena funkce streamingu řeči na text, což umožní plynulé interakce v reálném čase.
  

K čemu jsou vhodné?

• Call centra, přepis schůzek, hlasoví AI asistenti.
  
• Firmy mohou jednoduše integrovat hlasové modely do svých aplikací (prý stačí jen 9 řádků kódu).
  

Dostupnost a ceny

• Modely jsou okamžitě dostupné přes OpenAI API:
  • gpt-4o-transcribe: 6 USD za milion audio tokenů (asi 0,006 USD za minutu)
    
  • gpt-4o-mini-transcribe: 3 USD za milion audio tokenů (asi 0,003 USD za minutu)
    
  • gpt-4o-mini-tts: 0,60 USD za milion textových tokenů, 12 USD za milion audio tokenů (cca 0,015 USD za minutu)
    

Konkurence a situace na trhu

• OpenAI vstupuje na trh s velkou konkurencí (např. ElevenLabs, Hume AI, open-source model Orpheus 3B).
  
• Přestože konkurence nabízí další funkce (např. rozlišení více řečníků), OpenAI je zatím cenově konkurenceschopné.
  

První zkušenosti z trhu

• Firma EliseAI (realitní služby) hlásí lepší spokojenost klientů díky přirozenějším hlasům.
  
• Společnost Decagon (hlasoví asistenti) zaznamenala zlepšení přesnosti přepisu o 30 % a velmi rychlou integraci.
  

Budoucnost a kontroverze

• Někteří kritici tvrdí, že OpenAI ustupuje od plně real-time hlasových konverzací ve prospěch API.
  
• Únik informací o modelech proběhl krátce před oficiálním oznámením.
  
• OpenAI chce v budoucnu nadále rozvíjet hlasové a multimodální AI schopnosti.
  

---

Shrnutí:
OpenAI významně posunulo možnosti svých hlasových AI modelů, nabízí vysokou kvalitu, přizpůsobitelnost hlasu a snadnou integraci, ale musí se potýkat s tvrdou konkurencí i kritikou v rychle rostoucím sektoru hlasových technologií.