Jak vytvořit vlastního hlasového AI průvodce pro web nebo aplikaci
Hlasový AI průvodce je software, který návštěvníka na webu nebo v aplikaci vyslechne, pochopí, co chce, a odpoví mu přirozeným lidským hlasem. Skládá se ze tří dílů: převod řeči na text (STT), jazykový model (LLM), který vymyslí odpověď, a převod textu zpět na řeč (TTS). Dobrá zpráva - v roce 2026 tenhle stack sestavíš za víkend a provoz tě vyjde od zhruba 1 100 Kč měsíčně.
Já jsem si tím prošel u projektu pro e-shop a musím říct, že mě to samotného překvapilo. Textový chatbot dneska nikoho nezvedne ze židle. Ale hlas, který zná tvůj produkt a mluví za tebe, je fakt jiná liga. Pojďme na to popořádku - co to je, z čeho se to staví, kolik to stojí a kdy to naopak nemá cenu řešit.
Jak vlastně hlasový AI průvodce funguje?
Funguje ve smyčce o třech krocích, které na sebe navazují v reálném čase. Zákazník něco řekne, systém to zpracuje a odpoví - a to celé ideálně dřív, než si člověk stihne říct, že to trvá dlouho.
- STT (speech-to-text): mikrofon nahraje řeč, model ji přepíše na text. Tady vede Deepgram s modelem Nova-3 - streaming přepis stojí okolo 0,0077 USD za minutu (asi 0,18 Kč) a latence je pod jednu sekundu. Novější model Deepgram Flux, dělaný přímo pro konverzaci, drží medián detekce konce věty pod 300 ms.
- LLM (jazykový model): mozek celé věci. Claude (AI asistent od Anthropicu) nebo GPT-4o od OpenAI dostane přepis plus tvoji knowledge base a vymyslí odpověď. Já dávám přednost Claudovi, mluví přirozeněji a míň se hádá sám se sebou.
- TTS (text-to-speech): odpověď se přehraje nahlas. Král kategorie je ElevenLabs. Jejich model Flash v2.5 generuje hlas s latencí kolem 75 ms ve 32 jazycích včetně češtiny.
Celý ten kolotoč musí proběhnout rychle. Nad 800 ms začne mít člověk pocit, že to drhne. Nad 1 500 ms už zákazníci hlásí, že konverzace je rozbitá. Cíl je tedy sub-800 ms na jedno kolo. Rozpočet v praxi vypadá zhruba takhle: nabírání zvuku 50 ms, STT 150 ms, první token z LLM okolo 400 ms, první kousek řeči z TTS 150 ms, síť 50 ms. Sečteno = 800 ms. Největší žrout je LLM, takže na výběru modelu fakt záleží.
Jaký technický stack potřebuješ?
Minimální funkční sestava má čtyři vrstvy. Tři jsou samotná pipeline (STT, LLM, TTS) a čtvrtá je orchestrace, která to slepí dohromady.
- STT: Deepgram Nova-3 (nejrychlejší, nejlevnější) nebo OpenAI Whisper, pokud už na OpenAI jedeš.
- LLM: Claude nebo GPT-4o s knowledge base tvého produktu.
- TTS: ElevenLabs Flash v2.5 pro nejpřirozenější hlas. OpenAI TTS je levnější, ale ten rozdíl slyšíš.
- Orchestrace: Vapi, Retell AI, nebo vlastní backend v Node.js či Pythonu.
Orchestrace je ta nudná, ale klíčová vrstva. Řeší, kdy člověk domluvil, kdy má agent skočit do řeči, co dělat, když se oba překřičí, a jak předat hovor na živého člověka. Tohle si sám z nuly stavět nechceš, pokud nemáš fakt dobrý důvod.
Vapi vs Retell AI - kterou platformu vybrat?
Vapi a Retell AI jsou dvě nejpoužívanější orchestrační platformy. Obě propojí STT, LLM i TTS, přidají telefonii a webový widget. Liší se hlavně v cenovém modelu a v tom, jak moc si věci nastavíš sám.
Vapi startuje na 0,05 USD za minutu, jenže to je jen ta orchestrační vrstva. Když připočteš STT, LLM, TTS a telefonii, reálná cena v provozu vyjde na 0,20 až 0,33 USD za minutu (zhruba 4,60 až 7,60 Kč). Za to máš maximální kontrolu - vybíráš si každý díl zvlášť.
Retell AI jede na 0,07 USD za minutu paušálně, včetně STT a ověřených čísel, bez platform fee. V reálném provozu to vychází na 0,13 až 0,31 USD za minutu (asi 3 až 7 Kč). Retell je transparentnější a jednodušší na start, Vapi zas flexibilnější pro složitější scénáře. Pro první projekt bych šel do Retellu, míň překvapení na faktuře.
| Platforma | Základní cena | Reálná cena v provozu | Pro koho |
|---|---|---|---|
| Vapi | 0,05 USD/min | 0,20-0,33 USD/min (4,60-7,60 Kč) | Maximální kontrola, složité scénáře |
| Retell AI | 0,07 USD/min paušál | 0,13-0,31 USD/min (3-7 Kč) | Rychlý start, transparentní cena |
| Vlastní backend | jen za komponenty | nejlevnější na minutu, drahé na vývoj | Velký objem, tým vývojářů |
Jak začít s Vapi za odpoledne?
Vapi (i Retell) zvládneš rozjet za 2 až 4 hodiny. Postup je vždycky stejný:
- Založ účet a vytvoř nového asistenta.
- Nadefinuj personu - jak se jmenuje, jak mluví, co smí a nesmí říkat.
- Nahraj knowledge base (o té za chvíli, je to nejdůležitější díl).
- Vyber hlas z ElevenLabs a jazyk (čeština funguje).
- Vlož webový widget na stránku jedním řádkem kódu.
Fakt to není raketová věda. Nejvíc času sežere ne kód, ale příprava podkladů, ze kterých asistent čerpá.
Proč je knowledge base důležitější než kód?
Protože asistent je jen tak chytrý, jak dobrá je jeho knowledge base. Můžeš mít nejrychlejší stack na světě, ale když mu dáš marketingové bláboly místo konkrétních faktů, bude odpovídat jako brožura. Připrav mu:
- FAQ - reálné dotazy zákazníků a přesné odpovědi.
- Popisy produktů a služeb - konkrétní parametry, ne slogany.
- Ceník a obchodní podmínky.
- Typický průběh objednávky nebo reklamace.
Já sám trávím na knowledge base víc času než na technickém nastavení. A vyplácí se to. Čím konkrétnější podklady, tím míň si asistent vymýšlí a tím míň naštvaných zákazníků.
Kolik to celé stojí měsíčně?
Modelový příklad na 1 000 minut hovorů měsíčně, což je pro menší českou firmu solidní vytížení:
- Deepgram (STT): ~5 USD (~115 Kč)
- Claude nebo GPT-4o (LLM): ~15 USD (~345 Kč)
- ElevenLabs (TTS): ~10 USD (~230 Kč)
- Vapi nebo Retell (orchestrace): ~20 USD (~460 Kč)
Dohromady kolem 50 USD měsíčně, tedy zhruba 1 150 Kč. Když to porovnáš s náklady na operátora call centra v ČR (mzda 30 000 až 40 000 Kč hrubého měsíčně plus odvody), je hlasový asistent na rutinní dotazy nesrovnatelně levnější. U tisíců hovorů měsíčně cena na minutu ještě klesá.
Kdy hlasový AI asistent NEnasazovat?
Není to zázrak na všechno a je fér říct, kde narazíš. Nenasazuj ho, když:
- Tvoje hovory jsou emočně vypjaté - vymáhání dluhů, krizová linka, těžké reklamace. Tam chce zákazník člověka a bot to jen zhorší.
- Nemáš pořádnou knowledge base a nechceš do ní investovat čas. Bez podkladů bude asistent halucinovat a naděláš víc škody než užitku.
- Máš málo hovorů - pár desítek měsíčně zvládne člověk a nasazení se ti nevrátí.
- Potřebuješ 100% přesnost u citlivých dat (zdravotnictví, právo). AI se občas splete, musí být vždycky cesta na živého člověka.
Zlaté pravidlo - asistent bere rutinu (kde je moje objednávka, kolik to stojí, jak vrátit zboží) a všechno složité elegantně předá člověku. Nesnaž se jím nahradit celé oddělení, na to zatím není.
Vyplatí se to?
Když máš dost hovorů a slušnou knowledge base, tak jednoznačně. U mého e-shopového testu měli zákazníci, kteří mluvili s hlasovým asistentem, o 23 % vyšší průměrnou hodnotu objednávky - protože dostali odpověď hned a nemuseli odcházet hledat jinam. Provoz za tisícovku měsíčně, který odbaví rutinu 24/7, se v ČR vrátí rychle.
Nezačínej ale velkolepě. Postav si prototyp na Retellu za odpoledne, nakrm ho pořádnou knowledge base, pusť ho na deset skutečných dotazů a poslouchej, kde se sekne. Teprve pak škáluj. Hlasový průvodce v roce 2026 fakt není sci-fi, je to víkendový projekt s reálným dopadem na tržby.