רובוט מדבר בעברית: איך השיחה באמת עובדת מבפנים

השאלה שאנחנו שומעים הכי הרבה באירועים היא לא "כמה זה עולה" אלא "רגע, מי עונה שם? יש בן אדם מאחורה?". התשובה הקצרה: השיחה עצמה מתנהלת על ידי מערכת בינה מלאכותית, בזמן אמת, בעברית או באנגלית. התשובה הארוכה — והמעניינת יותר — היא איך זה בכלל עובד. במהדורה הזו של הטור אנחנו בטאגבוקס פותחים את מכסה המנוע ומסבירים מה קורה מהרגע שאורח שואל שאלה ועד שהרובוט עונה, כולל האתגרים האמיתיים של עברית, רעש ואולם אירועים.

מה קורה בשניות שבין השאלה לתשובה

כשאורח מדבר אל רובוט מדבר באירוע, מתרחש מאחורי הקלעים תהליך של שלושה שלבים, שכולם צריכים לקרות תוך שנייה וחצי עד שלוש שניות כדי שהשיחה תרגיש טבעית:

• זיהוי דיבור (Speech-to-Text): המיקרופון קולט את הקול, והמערכת ממירה אותו לטקסט. זה השלב הרגיש ביותר לרעש סביבתי.
• מודל שפה (LLM): הטקסט עובר למודל שפה שטעון מראש במידע על המותג, המוצרים והאירוע, ומנסח תשובה בהתאם להנחיות שהוגדרו.
• סינתזת קול (Text-to-Speech): התשובה הכתובה הופכת לקול — עם אינטונציה, קצב והאישיות שהוגדרה לרובוט.

כל שלב לוקח חלקיק שנייה, אבל הסכום קובע את חוויית השיחה. עיכוב של יותר מארבע שניות מרגיש לאורחים כמו תקלה, גם אם התשובה מצוינת. לכן חלק גדול מהעבודה שלנו הוא לא "מה הרובוט אומר" אלא כמה מהר הוא מתחיל להגיד את זה.

זיהוי דיבור בעברית — בתוך אולם עם מוזיקה

זיהוי דיבור בעברית התקדם מאוד בשנים האחרונות, אבל אולם אירועים הוא סביבת הקצה הקשה ביותר שיש: מוזיקת רקע, המולת אורחים, מערכת הגברה — רמות רעש של 85 עד 95 דציבל הן שגרה. בסביבה כזו, מיקרופון רגיל פשוט לא מספיק.

בפועל אנחנו מתמודדים עם זה בכמה רבדים:

• מיקרופון כיווני: קליטה ממוקדת של מי שעומד מול הרובוט, עם הנחתה של רעש שמגיע מהצדדים ומאחור.
• זיהוי תחילת וסוף דיבור (VAD): המערכת צריכה לדעת מתי האורח התחיל לדבר ומתי סיים — ולא להתבלבל מצחוק של קבוצה שעוברת ליד.
• מיקום נכון באירוע: אנחנו ממליצים ללקוחות למקם את עמדת הרובוט במרחק מהרמקולים הראשיים. הבדל של כמה מטרים משנה את איכות השיחה יותר מכל שדרוג תוכנה.

ומה עם מעבר בין עברית לאנגלית?

המערכת מזהה באיזו שפה פנו אליה ועונה באותה שפה. באירועים עם משלחות מחו"ל זה עובד יפה: אורח ישראלי שואל בעברית, האורח שאחריו שואל באנגלית, והרובוט עובר ביניהן בלי הגדרה ידנית. מה שכן, ערבוב שפות בתוך משפט אחד ("תגיד, ה-feature הזה כבר available?") הוא עדיין האתגר הגדול של זיהוי הדיבור — לפעמים זה עובד מצוין ולפעמים דורש ניסוח מחדש.

מודל השפה: איך הרובוט יודע מה לענות

זה החלק שהכי חשוב להבין למי ששוקל להזמין רובוטים לאירועים: הרובוט לא "יודע הכול" ולא אמור לדעת הכול. לפני כל אירוע אנחנו טוענים למערכת מסמך תוכן שמגדיר שלושה דברים:

• מה הוא יודע: מידע על המותג, המוצרים, האירוע עצמו, שמות של אנשי מפתח — כל מה שהלקוח רוצה שהרובוט ידע לספר.
• איך הוא מדבר: טון הדיבור. יש מותגים שרוצים רובוט שנון וקליל, יש כאלה שמעדיפים מקצועי ומדויק. שני הסגנונות אפשריים — צריך להחליט מראש.
• מה הוא לא עושה: גבולות. הרובוט מונחה לא להבטיח מחירים, לא להתחייב בשם החברה, לא להיגרר לנושאים רגישים, ולהפנות שאלות מורכבות לנציגים אנושיים בעמדה.

הכנת מסמך התוכן לוקחת בדרך כלל סבב עבודה אחד עם הלקוח — שיחת תדריך של חצי שעה ועוד אישור של הטקסטים. הרחבנו על בניית תסריט המסרים במהדורה קודמת של הטור, אז כאן רק נגיד: איכות השיחה באירוע נקבעת במידה רבה בשבוע שלפני האירוע, לא ביום עצמו.

הקול: למה סינתזת דיבור בעברית היא לא מובנת מאליה

השלב האחרון הוא הקול. סינתזת דיבור בעברית הייתה במשך שנים החוליה החלשה — קולות רובוטיים, הטעמות שגויות, מספרים שנקראים מוזר. הדור הנוכחי של מנועי הקול כבר מייצר עברית טבעית ברמה גבוהה, כולל אינטונציה של שאלה, הפסקות טבעיות ואפילו הומור בטיימינג סביר.

עדיין יש נקודות שדורשות עבודה ידנית: שמות מותגים לועזיים, ראשי תיבות ומונחים מקצועיים. לפני כל אירוע אנחנו עוברים על הגיית שמות המוצרים של הלקוח ומוודאים שהרובוט לא הופך שם מותג יוקרתי לבדיחה. זה נשמע קטן — באירוע השקה זה קריטי.

אז למה בכל זאת יש מפעיל?

אם הכול אוטומטי, למה הרובוט מגיע עם מפעיל מקצועי? כי אירוע חי הוא סביבה בלתי צפויה, והמפעיל הוא שכבת הביטחון:

• ניהול תור ואינטראקציה: כשעשרה אורחים מדברים אל הרובוט בבת אחת, המפעיל מכוון מי מדבר עכשיו — אחרת זיהוי הדיבור מקבל בליל קולות.
• בטיחות ותנועה: הרובוט מסתובב בין אורחים, רוקד ולוחץ ידיים. המפעיל מוודא שהמרחב פנוי ושילדים נלהבים לא נתלים עליו.
• גיבוי בזמן אמת: אם שאלה חורגת מהתוכן הטעון או שהרעש מקשה על הזיהוי, המפעיל יכול להתערב ולהחזיר את השיחה למסלול.

ראינו מספיק אירועים כדי להגיד בכנות: השילוב של מערכת אוטונומית עם אדם מקצועי לצידה הוא מה שהופך את החוויה לאמינה. טכנולוגיה לבד, בשלב הזה, לא מספיקה לאירוע חי.

מה זה אומר למי שמפיק את האירוע

אם אתם מפיקים כנס, השקה או אירוע חברה ושוקלים לשלב רובוט מדבר, אלה הדברים שכדאי לסגור מראש מול הצוות שלנו:

• תדריך תוכן: שריינו זמן לשיחת הכנה. ככל שהמידע שתעבירו מדויק יותר, השיחות באירוע יהיו חדות יותר.
• מיקום: עמדה מרוחקת מהרמקולים הראשיים, עם מרחב תנועה סביר סביב הרובוט.
• שפות: הגדירו מראש אם צפוי קהל דובר אנגלית, כדי שנכין את התוכן בשתי השפות.
• ציפיות: שיחה עם רובוט היא חוויה של דקה-שתיים לאורח, לא הרצאה. זה בדיוק מה שהופך אותה לאטרקציה שמייצרת תנועה ושיחות סביבה.

ומי שרוצה להעמיק בצד של הבינה המלאכותית באירועים, שווה להכיר גם את מגדת העתידות AI ואת הרובוטים המציירים ב-AI — אטרקציות שמבוססות על אותן טכנולוגיות ליבה, בפורמטים אחרים.

שורה תחתונה

שיחה חיה עם רובוט באירוע היא לא קסם ולא הקלטה — היא שרשרת של זיהוי דיבור, מודל שפה וסינתזת קול שרצה בזמן אמת, עם מפעיל אנושי ששומר על הכול במסלול. כשמבינים איך זה עובד, מבינים גם למה ההכנה מראש חשובה כל כך ולמה הפרטים הקטנים — מיקום, תוכן, הגייה — עושים את ההבדל.

מתכננים אירוע ורוצים לבדוק אם רובוט מדבר מתאים לו? דברו איתנו בטאגבוקס — נשמח לעבור אתכם על התוכן, המיקום והלוגיסטיקה ולראות יחד אם זה החיבור הנכון לאירוע שלכם.