Co je plný duplex a proč na tom záleží

Pokud jste někdy mluvili s hlasovým asistentem — Alexou, Siri nebo třeba ChatGPT Voice — víte, jak to chodí: vy domluvíte, asistent chvíli "přemýšlí" a teprve pak odpoví. Přesně jako u walkie-talkie — jeden mluví, druhý čeká. Tohle se odborně nazývá half-duplex, tedy polosduplexní komunikace.

Lidský rozhovor ale takto nefunguje. Přerušujeme se, říkáme "hm", "jasně", "počkej" — a to vše se děje souběžně s tím, co druhý právě říká. Tato schopnost se nazývá full-duplex a právě ji NVIDIA přinesla do open-source světa v podobě modelu PersonaPlex 7B.

PersonaPlex 7B: co umí a jak to funguje

Model byl zveřejněn 15. ledna 2026 na platformách GitHub a Hugging Face. Za jeho vývojem stojí výzkumný tým NVIDIA ADLR (Applied Deep Learning Research), konkrétně Rajarshi Roy, Jonathan Raiman, Sang-gil Lee a jejich kolegové. Výsledky popisuje vědecký článek arXiv:2602.06053.

PersonaPlex má 7 miliard parametrů a staví na open-source modelu Moshi od francouzské laboratoře Kyutai, který NVIDIA dále vylepšila a specializovala. Architektura kombinuje konvoluční a transformerové sítě pro zpracování řeči se samotným jazykovým modelem Helium.

Klíčové vlastnosti modelu:

• Simultánní poslouchání i mluvení — model nezastavuje výstup, aby zpracoval vstup
• Přirozené přerušování — uživatel může mluvit uprostřed odpovědi a model reaguje
• Backchanneling — model říká "hm", "jasně", "rozumím" průběžně, jako skutečný člověk
• Persona systém — hlas i charakter modelu lze nastavit kombinací audio vzorku a textového popisu role

Benchmarky: 70 ms vs 1 300 ms — to je propastný rozdíl

Čísla hovoří jasně. Při měření latence přepnutí slova (speaker-switch latency) dosahuje PersonaPlex hodnoty pouhých 70 milisekund. Gemini Live od Googlu potřebuje na totéž 1 260–1 300 milisekund. To je rozdíl, který v praxi znamená přirozený rozhovor vs. nepříjemné ticho.

Na benchmarku FullDuplexBench, který hodnotí schopnost modelu zvládat přerušení, pauzy a přechody ve slovu, získal PersonaPlex skóre 94,1, zatímco Moshi dosáhl 78,5 a Gemini Live jen 72,3. V kategorii "User Interruption" (zvládnutí situace, kdy uživatel model přeruší) dosahuje PersonaPlex úspěšnosti 100 %.

Přirozenost hlasu hodnotili nezávislí hodnotitelé pomocí MOS skóre (Mean Opinion Score). PersonaPlex získal 3,90 z 5, Gemini Live 3,72, Qwen 2.5 Omni 3,70 a starší Moshi jen 3,11.

Trénování za 6 hodin na 8 GPU

Jedním z překvapivých aspektů projektu je efektivita trénování. Celý fine-tuning proběhl za pouhých 6 hodin na 8 grafických kartách NVIDIA A100. Trénovací data zahrnovala reálné konverzace z korpusu Fisher English (přes 1 200 hodin), ale také synteticky vygenerované zákaznické dialogy — celkem přes 3 400 hodin.

Pro generování syntetických dialogů NVIDIA použila model Qwen3-32B a pro syntézu hlasu nástroj Chatterbox TTS. Reálné nahrávky byly anotovány pomocí interního modelu GPT-OSS-120B.

Persona systém: váš vlastní hlasový agent

PersonaPlex přináší zajímavý systém pro nastavení osobnosti a hlasu agenta. Před zahájením konverzace lze modelu předat:

1. Audio vzorek — krátká nahrávka definující tón, přízvuk a styl mluvy (model dosahuje skóre podobnosti hlasu 0,57 — konkurenti téměř nulového)
2. Textový popis role — přirozený jazyk popisující, kdo agent je a co dělá

V základu je k dispozici 16 předpřipravených hlasů (8 ženských, 8 mužských v různých variantách). Firmy tak mohou snadno vytvořit zákaznickou linku se svým vlastním "hlasovým brandem".

Pro koho je PersonaPlex určen

NVIDIA zveřejnila konkrétní případy využití, na které se model zaměřuje:

• Zákaznický servis a call centra — ověřování transakcí, třídění požadavků, inbound prodej
• Zdravotnictví — příjem pacientů, administrativní dotazy
• Vzdělávání a tutoři — interaktivní výuka s přirozenou zpětnou vazbou
• Herní průmysl — NPC s přirozenou konverzací v reálném čase
• Krizový management — simulace a tréninky

Dostupnost, licence a technické požadavky

Kód modelu je dostupný pod MIT licencí — tedy bez poplatků i pro komerční použití. Váhy modelu jsou pod licencí NVIDIA Open Model License, která komerční nasazení rovněž povoluje (po přijetí podmínek na Hugging Face).

Pro provoz je potřeba Linux s GPU řady NVIDIA Ampere (A100) nebo Hopper (H100), případně nejnovější Blackwell. K dispozici je i CPU offload režim pro méně výkonné prostředí. Nasazení probíhá přes live server s webovým rozhraním nebo offline evaluační režim přes WAV soubory. Docker image je k dispozici.

Zásadní omezení: PersonaPlex aktuálně podporuje pouze angličtinu. Pro nasazení v českém prostředí bude tedy prozatím nutné počítat s anglickými konverzacemi nebo čekat na případné komunitní jazykové adaptace. NVIDIA zatím neoznámila plán pro další jazyky.

Co to znamená pro AI průmysl

Hlasová AI prošla v posledních dvou letech obrovským vývojem — od GPT-4o Voice přes Gemini Live až po open-source projekty jako Moshi. PersonaPlex je zatím nejsilnějším open-source příspěvkem do tohoto pole a navíc pochází přímo od NVIDIA, která dodává hardware, na němž celý AI ekosystém běží.

Otevřenost modelu je klíčová. Zatímco Google Gemini Live nebo OpenAI Realtime API jsou cloudové služby s tarify a datovými podmínkami, PersonaPlex lze nasadit on-premise — přímo na vlastní infrastruktuře. Pro firmy v regulovaných odvětvích (zdravotnictví, finance, veřejná správa) nebo pro ty, kteří nechtějí posílat zákaznická data do cloudu třetí strany, je to zásadní výhoda.

Celý projekt — včetně trénovacích skriptů, evaluačních benchmarků i serverové infrastruktury — je dostupný na GitHubu NVIDIA. Demo a výzkumná stránka jsou na research.nvidia.com.