V oblasti generativní umělé inteligence probíhá neustálý závod o to, aby interakce s modelem byla co nejvíce přirozená. OpenAI v rámci své nové vlny modelů spustilo 8. července 2026 dvě verze: GPT-Live-1 a lehčí GPT-Live-1 mini. Cílem je odstranit bariéru mezi člověkem a strojem skrze okamžitou, bezcitovou latenci a schopnost aktivního naslouchání. Nicméně, jak ukázal nedávný experiment virálního influencera známého jako Husk, „lidskost“ hlasu neznamená nutně vyšší inteligenci v logických úlohách.

Huskův test: Když se AI „rozbije“ na jednoduchém pravopisu

Influencer Husk, který se proslavil tím, že opakovaně nachází slabá místa v modelech ChatGPT, podrobil GPT-Live svému klasickému testu. Místo složitých matematických problémů se rozhodl pro něco, co by měl zvládnout každý primávek: počítání písmen v rámci slov.

V předchozích verzích ChatGPT dokázal Husk přimět model k chybám u slov jako „December“ nebo „strawberry“. S novým modelem GPT-Live, který je nastaven na nejvyšší úroveň inteligence, se však očekával výrazný posun. Když se však Husk zeptal, kolik písmen „e“ obsahuje slovo „seventeen“, odpověď byla rozczarující. Model tvrdil, že v tomto slově jsou pouze dvě písmena „e“ (jedno v části „seven“ a jedno v „teen“), přestože ve skutečnosti jsou tam čtyři.

Tento incident, popsaný v Fast Company, poukazuje na hluboký problém, který trápí všechny velké jazykové modely (LLM), bez ohledu na to, jak dobře znějí.

Proč AI nevidí písmena? Technické vysvětlení problému

Abychom pochopili, proč GPT-Live selhává v úlohách, které jsou pro nás triviální, musíme pochopit koncept tokenizace. LLM nepracují s jednotlivými písmeny tak, jak to děláme my. Místo toho rozkládají text na menší kusy informací zvané tokeny. Token může být celé slovo, část slova nebo i skupina znaků.

Pro model je slovo „seventeen“ pravděpodobně jedním nebo dvěma tokeny. Model tedy „vidí“ význam slova a jeho kontext, ale nemá přímý přístup k jeho vizuální nebo stavební struktuře z písmen, pokud mu to explicitně neposkytne proces dekompozice. To je zásadní rozdíl oproti tradičním algoritmem, které by pravopis snadno spočítaly. Pro LLM je slovo spíše matematickým vektorem významu než řadou znaků.

Srovnání s konkurencí: Gemini vs. Claude

OpenAI v tomto směru není samo. Podívejme se na aktuální stav trhu:

• Claude je známý svou vysokou mírou logické přesnosti a „bezpečnostního“ přístupu. Přestože Anthropic nemá tak agresivní hlasové rozhraní jako OpenAI, jejich modely mají tendenci méně halucinovat v textových úlohách, i když stále trpí podobnými limity tokenizace.

Praktický dopad: Co to znamená pro uživatele a firmy?

Pro běžného uživatele to znamená, že GPT-Live je fantastickým společníkem pro brainstorming, učení cizích jazyků nebo prostý hlasový chat, ale nesmíte se na něj spoléhat při precizních úlohách vyžadujících práci s textem (např. kontrola pravopisu v reálném čase nebo analýza kódů).

Pro firmy je tento rozdíl mezi „lidským hlasem“ a „logickou přesností“ kritický. Pokud plánujete implementovat AI voice asistenty pro zákaznickou podporu, musíte mít na paměti, že model může znít naprosto sebevědomě a lidsky, zatímco v samotném obsahu může poskytovat fakticky nebo pravopisně nesprávné informace. To může vést k erozi důvěry zákazníků.

Dostupnost v ČR: OpenAI své služby zpravidla zpřístupňuje globálně. GPT-Live je dostupný pro uživatele s předplatným ChatGPT Plus (cca 20 USD, což je přibližně 475 Kč měsíčně). Podpora češtiny u hlasových modelů se neustále zlepšuje, ale v reálném čase může stále docházet k drobným fonetickým chybám, které jsou způsobeny tím, že modely jsou primárně trénovány na anglických datech.

V kontextu EU AI Act je důležité sledovat, jak tyto hlasové modely nakládají s biometrickými daty. Pokud model „naslouchá“ a reaguje na emoce v hlase, vstupuje do oblasti regulace, která vyžaduje vysokou míru transparentnosti a ochrany soukromí uživatelů v rámci Evropské unie.