Lietuviškas DI balsas 2026: kaip jis skamba ir kodėl ne visi vienodi

Lietuviškas DI balsas — tai dirbtinio intelekto sintezuotas (TTS — text-to-speech) garso įrašas, kuriame kompiuteris ne perskaito iš anksto įrašytą frazę, o kiekvieną žodį sukuria savarankiškai pagal įvestą tekstą. 2026 m. pirmaeiliai LT balsai (ElevenLabs, OpenAI, Google) skamba pakankamai natūraliai, kad daugumai klausytojų pirminis įspūdis būtų natūralus — DI atpažįstamas paprastai tik po ilgesnio pokalbio.

Tačiau ne visi „lietuviški DI balsai" yra vienodi. Skirtumas tarp prastos ir geros LT TTS sistemos kartais yra dramatiškas — vienas balsas skamba kaip 1995 m. atsakiklis su priekiniu kirčiavimu, kitas — kaip jaunas, natūraliai kalbantis žmogus. Šis straipsnis paaiškins, kodėl tas skirtumas atsiranda ir į ką klausytis, prieš pasirenkant DI asistentą savo verslui.

Kas yra TTS ir kuo skiriasi neuralinis nuo konkatenacinio?

TTS (text-to-speech) — tai sistema, kuri paverčia rašytinį tekstą į garsą. Per pastaruosius 30 metų ši technologija perėjo tris kartas:

1. Formantinis sintezatorius (1980–2000 m.) — visas balsas generuojamas matematiniais filtrais. Tipiškas pavyzdys — Stephen Hawking balsas. LT versijos egzistavo, bet jos buvo aiškiai robotinės.
2. Konkatenacinis TTS (2000–2018 m.) — žmogaus įrašytas balsas suskaidomas į fonemas (mažiausius garso vienetus), o sintezės metu fonemos „suklijuojamos" į žodžius. Skambesys natūralesnis, bet su aiškiomis „siūlėmis" tarp segmentų. Tokie balsai dominavo Lietuvos viešojo transporto pranešimuose ir bankomatų pranešimuose iki maždaug 2020 m.
3. Neuralinis TTS (2018–dabar) — visas balsas generuojamas vienu giliojo mokymo modeliu, kuris išmoko intonacijos, pauzių, kvėpavimo ir net mažų netobulumų iš tūkstančių valandų žmogaus kalbos. Tai šiandien matomas (girdimas) standartas.

Lietuvių kalbos atveju perėjimas iš antros į trečią kartą įvyko vėliau nei anglų kalboje — pirmieji neuraliniai LT balsai pasirodė tik apie 2021–2022 m., o tikrai geri (su intonacijos kontrolės galimybe) — apie 2024 m.

Kuris balsas šiandien geriausias lietuvių kalbai?

2026 m. telefoninio aptarnavimo lygiu lietuviškai kalbantys DI balsai siūlomi trijose pagrindinėse komercinėse platformose:

• ElevenLabs — JAV bendrovė, kurios oficiali LT puslapio versija deklaruoja palaikymą lietuvių kalbai per daugiakalbį balso modelį. Bendrovės informacija — palaikomos „regioninės lietuvių kalbos akcentuotės" ir balso klonavimas. ElevenLabs šiandien laikomas natūralumo standartu — jį naudoja daugelis komercinių balso DI sprendimų Lietuvoje.
• OpenAI — gpt-4o-mini-tts ir realtime modeliai palaiko LT kalbą, nors LT nėra OpenAI „pirmaeilis" kalba. Intonacijos kontrolė per promptą yra įdomi, bet kartais modelis padaro keistas pauzes ar netaisyklingai kirčiuoja sudėtingus žodžius.
• Google Cloud TTS — „Studio" voices linija turi LT kategoriją; Google investavo į LT korpusą, todėl tarties tikslumas yra geras, tačiau intonacija mažiau gyva nei ElevenLabs.

Kompiuterinės lingvistikos tyrimai Lietuvoje (pvz., VDU Humanitarinių mokslų fakulteto kalbų tyrėjų darbuose) jau ilgai kalba apie morfologinį LT sudėtingumą — septyni linksniai, vyriškoji/moteriškoji giminė, kirčio judrumas — kaip iššūkius TTS sistemoms. Tarptautiniai modeliai šitą iššūkį atskleidžia būtent kirčio klaidose: „buvo" vs. „buvo" (skirtingas kirtis priklausomai nuo konteksto) — modelis kartais nesupranta, kurią versiją tarti.

Kodėl kai kurie LT DI balsai vis dar skamba blogai?

Jei kažkur šiandien girdite robotišką LT DI balsą, priežastis paprastai yra viena iš trijų:

• Pasenęs pamato modelis. Atviro kodo sprendimai kaip gTTS (Google Translate TTS, ne tas pats kaip Cloud TTS Studio) ar MaryTTS naudoja konkatenacinę arba ankstyvą neuralinę technologiją. Šie sprendimai pigūs (dažnai nemokami), bet jų skambesys neatitinka 2026 m. lūkesčių.
• Prastas tekstų apdorojimas prieš sintezavimą. Net geriausias modelis suklys, jei jam pateiksite tekstą su „49 EUR/mėn", „+370 5 200 2566" ar „22,50". Šiuos elementus reikia konvertuoti į žodžius prieš siunčiant į TTS — „dvidešimt devyni eurai per mėnesį", „plius trys septyni nulis penki du nulis nulis du penki šeši šeši". Daugelis nekokybiškų sprendimų šio žingsnio nedaro.
• Mažas LT mokymo duomenų korpusas. Lietuvių kalba turi apie 2,5 milijono kalbėtojų — labai mažas korpusas pasaulinėje skalėje. Modeliai, kurie buvo apmokyti su mažais LT duomenimis, dažnai daro klaidas tariant svetimvardžius, sudėtingas vietoves, retus dūrinius.

Gerai sukonfigūruotas DI asistentas suderins kokybišką daugiakalbį modelį su tinkamu tekstų apdorojimu (skaičiai → žodžiai, datų formatavimas, akronimų plėtimas). Atsiliepsiu.lt platforma būtent dėl to investavo į LT-specific preprocessing — tai matosi pokalbio metu, kai DI ištaria „dvidešimt devynių euro per mėnesį" o ne „49 € / mėn". Daugiau apie technologines sąvokas — DI balso terminų žodyne.

Ar lietuviai atpažįsta DI balsą per telefoną?

Tai bene populiariausias klausimas potencialiems verslo savininkams. Atsakymas — priklauso, kiek ilgai kalbi.

Pirmų sekundžių per gerą modelį (ElevenLabs, OpenAI gpt-4o realtime) klausytojai atskiria labai sunkiai. Po ilgesnio pokalbio atpažinimas tampa lengvesnis — bet ne tiek dėl balso kokybės, kiek dėl kalbos struktūros. DI dažnai kalba per tobulai: be „eee", be pertrūkių, be netaisyklingo žodžių darymo. Žmogus girdi „kažkas čia ne taip" ne dėl balso, o dėl kalbos turinio.

Gerai sukonfigūruotam DI tai galima kompensuoti — leidžiant modeliui daryti natūralias pauzes, įterpti „taip", „suprantu" ir kt. Atsiliepsiu.lt LT promptas konkrečiai įtraukia šiuos elementus, kad pokalbis neatrodytų sterilus.

Kuo skiriasi vyriškas ir moteriškas DI balsas pokalbyje?

Praktikoje LT klientų aptarnavime moteriškas balsas vis dar suvokiamas kaip „registratorė" arba „sekretorė" — kanonas susiformavęs per dešimtmečius. Tai paaiškina, kodėl dauguma LT DI registratorių sprendimų (įskaitant atsiliepsiu.lt „Agnė") naudoja moterišką balsą.

Vyriškas balsas labiau tinka:

• Techninei pagalbai (IT, automechanika, statyba)
• B2B pardavimams
• Finansų sektoriui
• Logistikos ir transporto pranešimams

Tačiau šie skirtumai mažėja — jaunesnė karta (iki 35 m.) reaguoja į balsą beveik vienodai nepriklausomai nuo lyties.

Kaip įvertinti DI balsą prieš pasirenkant tiekėją?

Trumpas testas, kurį atlikti galite per 5 minutes:

1. Paskambinkite į demo numerį. Visi rimti LT DI sprendimai turi viešus demonstracinius numerius (atsiliepsiu.lt — +370 5 200 2566).
2. Pasakykite savo pavardę. Ne įprastą „Petraitis", o sudėtingesnę — „Žvejys", „Šniukštaitytė", „Bružaitė". Geras modelis pakartos ją taisyklingai.
3. Pasakykite skaičių. Pvz., „mano numeris yra 8 612 34 567". Patikrinkite, ar DI pakartoja jį suprantamai, ar ne kaip atskirus skaitmenis ant atskirų eilučių.
4. Pertraukite kalbantį DI. Geri modeliai turi „barge-in" funkciją — sustoja iškart, kai pradedate kalbėti. Prasti — kalba iki galo ignoruodami Jus.
5. Pasakykite sudėtingą prašymą. Pvz., „norėčiau pakeisti vizitą iš ketvirtadienio 14:00 į penktadienio 16:30, ir dar norėčiau, kad būtų rekomenduojama gydytoja moteris". Patikrinkite, ar DI supranta sudėtingą struktūrą.

Jei balso kokybė pereina šiuos testus — sprendimas tinka. Jei ne — ieškokite kito tiekėjo, neperkamas sprendimas su prastu balsu, nes Jūsų klientai jį girdės kiekvieną dieną.

Ką pasako balsas apie Jūsų prekės ženklą?

Telefono balsas — tai pirmas garsinis žmogaus susidūrimas su Jūsų įmone. Per 3 sekundes klientas susidaro nuomonę apie tris dalykus:

• Profesionalumą. Aiškus, ramus, gerai kirčiuojantis balsas signalizuoja stabilią įmonę. Robotinė intonacija — priešingai.
• Tinkamumą Jam. Jaunesnis ar vyresnis tonas, kalbos tempas, šnekamosios kalbos elementai — visa tai sukuria „pagrindo" jausmą arba jo nebuvimą.
• Patikimumą. Per tobulas, „studio" balsas šiandien suvokiamas kaip DI. Per silpnas — kaip mėgėjiškas. Geras balsas — natūrali pusiausvyra.

Tai svarbu, nes klientai negali peržiūrėti Jūsų svetainės dizaino telefonu. Vienintelis prekės ženklo signalas, kurį jie gauna — yra balsas.

Išvada: ką klausytis 2026 m.

Lietuviškas DI balsas šiandien yra geras pakankamai, kad būtų komerciškai pajėgus klientų aptarnavimui. Bet skirtumai tarp tiekėjų vis dar dideli — nuo robotinio konkatenacinio iki natūralaus neuralinio. Klausomi parametrai: tarties tikslumas (sudėtingos pavardės), skaičių apdorojimas, „barge-in" reagavimas ir bendras pokalbio struktūros natūralumas.

Jei vertinate DI asistentą savo verslui — neapsiribokite produkto puslapiu. Paskambinkite. Per 5 minutes išgirsite tai, ko jokia rinkodaros medžiaga nepasakys.

Dažnai užduodami klausimai