Unitree G1 מדבר עברית: איך מחברים מודל שפה לרובוט

החומרה של Unitree G1 מגיעה עם מערך מיקרופונים ורמקול, אבל בלי יכולת לנהל שיחה בעברית. את השכבה הזו אנחנו בטאגבוקס בונים בעצמנו: הרובוט מקשיב, מבין, עונה בקול ומלווה את התשובה בתנועה. במאמר הזה נסביר איך הצנרת בנויה, כמה זמן לוקחת תגובה, למה עברית מסבכת את העניין ואיפה שיחה חיה עם רובוט הומנואיד באמת מתאימה.

איך עובדת שכבת הדיבור בעברית מעל Unitree G1?

השכבה בנויה כצנרת של ארבעה שלבים שרצים ברצף: זיהוי דיבור, מודל שפה, הקראה וחיבור לתנועה. כל שלב הוא רכיב נפרד, ולכן אפשר להחליף מודל בלי לבנות את המערכת מחדש.

• זיהוי קול ותחילת דיבור (VAD): המערכת מזהה מתי מישהו התחיל לדבר ומתי סיים, כדי לא לשלוח רעש או שקט למודל.
• תמלול (ASR): הדיבור הופך לטקסט עברי בזמן אמת, בתמלול זורם שמתחיל לעבוד עוד לפני שהמשפט נגמר.
• מודל שפה (LLM): הטקסט נשלח למודל יחד עם הנחיות פרסונה, מאגר ידע ומגבלות תוכן. המודל מחזיר תשובה קצרה.
• הקראה (TTS) ותנועה: התשובה הופכת לקול עברי שמושמע מהרמקול. במקביל, תגיות בתוך התשובה מפעילות רצפי תנועה מוכנים מראש.

החישוב הכבד של המודלים רץ בענן או על מחשב חיצוני. המחשב שעל הרובוט מטפל באודיו, בתזמון ובשליטה בתנועה. בגרסאות EDU של Unitree G1 יש כוח עיבוד מקומי נוסף, אבל להרצת מודל שפה גדול בעברית אנחנו עדיין נשענים על חיבור חיצוני.

כמה זמן לוקח ל-Unitree G1 לענות?

בתנאי רשת טובים אנחנו מודדים בדרך כלל 1.2 עד 2.5 שניות מסוף המשפט של הדובר ועד שהרובוט מתחיל לדבר. מעל 3 שניות השיחה כבר מרגישה תקועה, ולכן כל החלטה טכנית נבחנת מול המספר הזה.

כך מתחלק תקציב הזמן בערך:

• זיהוי סוף משפט: 300 עד 600 מילישניות של שקט לפני שהמערכת מחליטה שהדובר סיים. ערך קצר מדי גורם לרובוט לקטוע אנשים באמצע המשפט.
• תמלול סופי: 200 עד 500 מילישניות.
• מילה ראשונה מהמודל: 400 עד 900 מילישניות, תלוי בגודל המודל ובאורך ההנחיות.
• תחילת שמע מההקראה: 200 עד 400 מילישניות, כשההקראה זורמת ולא ממתינה לתשובה המלאה.

שני דברים מקצרים את ההמתנה בפועל. הראשון הוא תנועת המתנה קצרה, כמו הטיית ראש או סיבוב לכיוון הדובר, שמסמנת שהרובוט שמע. השני הוא חיבור רשת ייעודי. אנחנו עובדים עם נתב סלולרי או חיבור קווי משלנו, עם השהיה של פחות מ-100 מילישניות, ולא נשענים על רשת Wi-Fi משותפת של מבנה.

למה עברית קשה יותר לרובוט הומנואיד מאנגלית?

עברית מוסיפה שלוש בעיות שכמעט לא קיימות באנגלית: כתיב בלי ניקוד, התאמה מגדרית ושילוב תדיר של מונחים לועזיים. כל אחת מהן דורשת טיפול ייעודי בשכבת התוכנה.

ניקוד והגייה

מודל ההקראה מקבל טקסט לא מנוקד ונדרש לנחש אם כתוב ספר, סַפָּר או סְפַר. ברוב המקרים הוא צודק. בשמות מוצרים, בשמות משפחה ובמונחים מקצועיים הוא טועה מספיק פעמים כדי שזה יורגש. הפתרון שלנו הוא מילון הגייה לכל פרויקט, שממיר מראש מילים בעייתיות לכתיב מלא או פונטי.

פנייה בזכר ובנקבה

רובוט שפונה לכל אחד בלשון זכר נשמע מגושם. המודל לא יודע מי עומד מולו. לכן אנחנו מגדירים כברירת מחדל ניסוחים ניטרליים, כמו 'אפשר לשאול' במקום 'אתה יכול לשאול', ומשתמשים בפנייה מגדרית רק כשהדובר עצמו סיפק רמז.

מילים לועזיות ומספרים

בסביבות טכנולוגיות, משפט טיפוסי משלב 'API', 'דאטה' ושם של חברה באנגלית. גם התמלול וגם ההקראה צריכים להתמודד עם המעבר. מספרים, תאריכים ויחידות מידה עוברים נרמול לטקסט לפני ההקראה, כדי ש-1.32 מ' יוקרא כ'מטר שלושים ושתיים' ולא ייקרא ספרה אחרי ספרה.

איך שולטים במה ש-Unitree G1 אומר?

שולטים בשלוש שכבות: הנחיות מערכת שמגדירות פרסונה וגבולות, מאגר ידע סגור שממנו המודל שואב עובדות, ומסנן אחרון לפני ההקראה. בלי שלושתן, מודל שפה ימציא פרטים בביטחון מלא, וכשזה יוצא מפה של רובוט זה נשמע אמין עוד יותר.

• אורך תשובה: אנחנו מגבילים ל-2 עד 3 משפטים, בערך 40 מילים. תשובה של 15 שניות מרובוט שעומד במקום מרגישה כמו הרצאה.
• מאגר ידע (RAG): עובדות על מוצר, מחקר או חברה נטענות כמסמכים. המודל מונחה לענות מתוכם ולומר 'אין לי מידע על זה' כשהתשובה לא נמצאת שם.
• נושאים חסומים: ייעוץ רפואי, משפטי ופיננסי, פוליטיקה ונושאים רגישים לפי הלקוח.
• מפעיל אנושי: בכל הפעלה יש מפעיל אחד לפחות, עם יכולת להשתיק את הרובוט, לעצור תנועה או לעבור לשורות מוכנות מראש.

איך הדיבור מתחבר לתנועה?

ל-Unitree G1 אין פנים מונפשות, ולכן התנועה היא חלק מרכזי בשפת הגוף שלו. המודל מחזיר לצד הטקסט תגיות כמו הצבעה, נפנוף או הנהון. התגיות ממופות לרצפי תנועה שהקלטנו ובדקנו מראש. איננו נותנים למודל לייצר תנועה חופשית: כל תנועה שהרובוט מבצע היא תנועה שכבר עברה בדיקת יציבות ובטיחות.

מתי שיחה חיה עם רובוט הומנואיד מתאימה, ומתי עדיף תסריט?

שיחה חיה מתאימה כשהערך נמצא באינטראקציה עצמה. תסריט מתאים כשצריך תוצאה זהה בכל פעם. ההבחנה הזו חוסכת לא מעט אכזבות.

איפה דיבור חי עובד טוב:

• מחקרי אינטראקציה אדם-רובוט, כשהשאלה היא איך אנשים מגיבים לרובוט שמדבר איתם בשפתם.
• פיילוטים של שירות או קבלת קהל, כדי לבדוק היתכנות לפני השקעה בחומרה.
• הדגמות טכנולוגיות של אינטגרציה עם מודל שפה או מוצר AI של הלקוח.
• צוותי חדשנות שרוצים לבחון ממשק קולי בעברית על גוף פיזי.

איפה עדיף תסריט או שילוב:

• צילומי פרסומת וקליפים, שבהם כל טייק צריך להיות זהה וקל לעריכה. שם אנחנו משתמשים בשורות מוקלטות מראש עם תזמון קבוע.
• סביבות רועשות מעל 65 עד 70 דציבל. המיקרופונים שעל הרובוט קולטים היטב בטווח של מטר עד מטר וחצי בחדר שקט, ובחלל רועש אנחנו עוברים למיקרופון ידני או מיקרופון דש.
• מקומות בלי חיבור רשת יציב, אלא אם בונים מראש מצב לא מקוון עם מאגר תשובות סגור.

עוד אילוץ שכדאי להכיר הוא הסוללה. אנחנו מתכננים חלונות פעילות של 60 עד 90 דקות בין החלפות, כולל מרווח ביטחון. לכן פיילוט של יום שלם דורש תכנון הפסקות ולא הפעלה רציפה. את נתוני החומרה המלאים ואפשרויות ההפעלה ריכזנו בעמוד הפלטפורמה של Unitree G1 בישראל.

רוצים לבדוק שיחה בעברית עם Unitree G1?

פרסונה בסיסית, עם הנחיות, מילון הגייה וכמה תנועות מוכנות, מוכנה בדרך כלל תוך 3 עד 5 ימי עבודה. פרויקט שכולל מאגר ידע ייעודי, חיבור למודל או ל-API של הלקוח ורצפי תנועה מותאמים לוקח 2 עד 3 שבועות. בהפעלה עצמה משתתפים מפעיל אחד, ולפעמים גם מפתח שמלווה את ההקמה.

אם אתם חוקרים, סטארטאפ או צוות חדשנות שרוצה לבחון ממשק קולי על רובוט פיזי בלי לרכוש חומרה, ספרו לנו מה אתם רוצים לבדוק. נחזור אליכם עם הצעה לפיילוט. פרטים על השכרת רובוט הומנואיד מופעל ויצירת קשר נמצאים בעמוד הפלטפורמה.