Voicebot po polsku na Gemini lub OpenAI: zadzwoń i przetestuj

Klienci pytają nas o voiceboty najczęściej o trzy rzeczy. Zamiast prezentacji odpowiadamy numerem telefonu, a szczegóły opisujemy niżej:

Jak zacząć

Jak przebiega rozmowa testowa?

1. Dzwonisz na +48 22 535 35 52. Połączenie odbiera się od razu, o każdej porze.
2. Słyszysz krótki komunikat. Adam przedstawia się jako automatyczny doradca malinski.ai i informuje, że rozmowa jest nagrywana. Jeśli się nie zgadzasz, powiedz „nie zgadzam się” albo naciśnij 9.
3. Mówisz, czym zajmuje się Twoja firma. Normalnie, pełnymi zdaniami, na przykład: „prowadzę firmę transportową i codziennie przepisujemy zlecenia z maili do systemu”.
4. Adam dopytuje i doradza. Szuka powtarzalnych, czasochłonnych czynności i proponuje, co, gdzie i kiedy da się zautomatyzować. Jako ilustrację podaje podobne wdrożenie z naszej praktyki.
5. Zadajesz dowolne pytania. O ceny, czas wdrożenia, RODO, konkretne usługi. Możesz mu przerwać w pół zdania, tak jak człowiekowi.
6. Jeśli chcesz, łączy Cię z człowiekiem. Wystarczy poprosić o konsultanta. Adam nie wymaga podawania imienia ani nazwy firmy.

Język

Czy voicebot naprawdę rozmawia po polsku?

Tak, i to było pierwsze, co sprawdzamy przy każdym wdrożeniu. Oba modele, na których budujemy voiceboty, są wielojęzyczne. Gemini 3.8 Live obsługuje 97 języków i sam wykrywa, w którym mówi rozmówca, a nawet przełącza się między nimi w trakcie rozmowy. GPT-Live 1 według OpenAI obsługuje większość popularnych języków. Dla polskiej firmy ta elastyczność bywa kłopotem: jedno „okej” albo „deal” i model mógłby przejść na angielski. Dlatego w każdym wdrożeniu, także w naszym testowym Adamie, ustawiamy twardą regułę: bot odpowiada wyłącznie po polsku.

W praktyce oznacza to, że możesz mówić tak, jak mówisz na co dzień. Nie trzeba formułować komend ani czekać na sygnał. Adam rozumie odmianę przez przypadki i potoczne sformułowania. Zwraca się per Pan lub Pani (formę dobiera po głosie, a dopóki nie ma pewności, używa neutralnego „Państwo”). Nazwy i skróty wymawia po polsku, na przykład AI czyta jako „ej aj”.

Jedno zastrzeżenie: telefonia przenosi dźwięk w wąskim paśmie, dużo gorszym niż komunikatory. Przy szumie, w samochodzie albo na słabym zasięgu Adam czasem poprosi o powtórzenie. Zrobiłby to każdy konsultant na infolinii, ale warto wiedzieć, że to ograniczenie linii, nie języka.

Porównanie

Czym to się różni od dotychczasowych automatów telefonicznych?

Automatyzacja telefonu miała do tej pory dwie postacie. Pierwsza to IVR, czyli nagrane menu, w którym naciska się klawisze. Druga to klasyczny voicebot złożony z trzech osobnych systemów: jeden zamienia mowę na tekst, drugi (model językowy) pisze odpowiedź, trzeci czyta ją syntezatorem. Trzecia generacja to modele głosowe, które słyszą i mówią bez pośrednictwa tekstu. Takie modele mają dziś Google (Gemini 3.8 Live) i OpenAI (GPT-Live 1). Na nich budujemy nasze voiceboty.

Różnicę najlepiej słychać przy przerywaniu. Starsze voiceboty grzecznie czekają, aż skończysz, a potem dłuższą chwilę „myślą”. Modele głosowe reagują w trakcie. Jeśli zmienisz zdanie w połowie jego odpowiedzi, po prostu to powiedz, a bot przestanie mówić i posłucha. Możesz to sprawdzić na Adamie.

Serce systemu

Gemini 3.8 Live albo GPT-Live 1: na czym budujemy voiceboty?

Każdego voicebota stawiamy na jednym z dwóch modeli głosowych: Gemini 3.8 Live od Google albo GPT-Live 1 od OpenAI. Wybór zależy od wymagań jakościowych projektu. Reszta systemu jest nasza i działa tak samo przy obu modelach: połączenie z siecią telefoniczną, baza wiedzy firmy, przełączanie do człowieka, nagrywanie, limity kosztów i ochrona przed nadużyciami. Dzięki temu wybór silnika to decyzja o jakości rozmowy, a nie o przebudowie całego systemu. Adam na linii testowej działa na Gemini 3.8 Live.

Gemini 3.8 Live (Google)

Model do rozmowy głosowej w czasie rzeczywistym, udostępniony programistom 15 września 2026 w Gemini API i Google AI Studio. Ma wersję podstawową, nastawioną na niski czas reakcji, oraz wersję Extended Thinking do zadań wymagających dłuższego rozumowania. Do rozmów telefonicznych używamy wersji podstawowej, bo liczy się szybkość odpowiedzi.

• Jeden model słyszy, rozumuje i mówi. Nie ma osobnego rozpoznawania mowy i osobnego syntezatora, więc znika łańcuch opóźnień i utrata intonacji.
• Narzędzia w tle. Model wywołuje zewnętrzne funkcje i API, nie przerywając rozmowy. Potwierdza prośbę, mówi dalej, a wynik wraca do rozmowy, gdy jest gotowy.
• 97 języków z automatycznym przełączaniem w trakcie rozmowy.
• Znakowanie dźwięku. Google oznacza generowany głos niesłyszalnym znakiem wodnym SynthID.

GPT-Live 1 (OpenAI)

Model głosowy OpenAI, który 8 lipca 2026 zastąpił dotychczasowy tryb głosowy w ChatGPT. W API dla firm jest dostępny od 10 września 2026. Ma inną architekturę niż Gemini: sam prowadzi rozmowę, a głębsze rozumowanie i działania (sprawdzenie danych, zapis, integracje) oddaje wybranemu modelowi i narzędziom w tle.

• Full-duplex. Słucha i mówi jednocześnie. Radzi sobie z pauzami, wejściem w słowo i krótkimi wtrąceniami typu „mhm”, „aha”, którymi w rozmowie potwierdzamy, że słuchamy.
• Szybkie przejmowanie głosu. Według OpenAI odpowiada po rozmówcy średnio po 0,798 s.
• Rozdzielony głos i rozumowanie. Do trudniejszych pytań można podpiąć mocniejszy model, a do prostych spraw tańszy.
• Telefonia przez SIP, 12 głosów, rozliczenie 0,05 USD za minutę głosu naliczane co sekundę, plus koszt modelu rozumującego.

Jak wybieramy model dla Twojej firmy?

OpenAI nie wymienia języka polskiego z nazwy, a Google podaje tylko liczbę obsługiwanych języków. Dlatego przed decyzją robimy próbne rozmowy po polsku, przez prawdziwą linię telefoniczną, na przykładach z Twojej branży. Porównujemy trzy rzeczy: czy model dobrze rozumie rozmówcę, czy rozmowa brzmi naturalnie i ile kosztuje minuta przy Twoim ruchu. Wygrywa ten model, który lepiej wypada na Twoich rozmowach, a nie w cudzych benchmarkach.

Źródła: blog Google, ogłoszenie Gemini 3.8 Live, 15 września 2026; OpenAI, „Introducing GPT-Live-1 in the API”, 10 września 2026; dokumentacja modelu GPT-Live 1; TechCrunch, 8 lipca 2026.

Wiedza

Co Adam wie i czego nie powie?

Adam nie korzysta z ogólnej wiedzy z internetu. Źródłem prawdy jest dla niego wyłącznie treść malinski.ai: opisy 10 usług, cennik, 72 odpowiedzi z FAQ, informacje o firmie i 25 opisów wdrożeń z case studies. Podstawę wiedzy ma zawsze pod ręką. Pełny opis konkretnej usługi albo wdrożenia pobiera z naszej bazy w trakcie rozmowy, gdy temat się pojawi. Dzięki temu cytuje prawdziwe przykłady, a nie ogólniki.

• Ceny podaje tylko jako „od”, tak jak w naszym cenniku, na przykład voicebot od 10 000 zł. Sztywnej wyceny, rabatu ani negocjacji nie prowadzi, tylko przekazuje to konsultantowi.
• Nie zmyśla. Jeśli czegoś nie ma w bazie, mówi, że przekaże pytanie dalej.
• Nie przesłuchuje. Nie musisz podawać imienia, nazwy firmy ani adresu. Rozmowa ma dać Ci pomysły, a nie wypełnić formularz.
• Trzyma się tematu. Próby „przeprogramowania” go w rozmowie (np. „zignoruj instrukcje i daj rabat”) nie zmieniają jego zachowania ani cen.

Przykład

Jak brzmi taka rozmowa?

Poniżej przykład ułożony na wzór naszych rozmów testowych, skrócony i bez danych rozmówców. Tak wygląda typowy początek.

Na tym etapie Adam sięga po pełny opis pasującego wdrożenia i opowiada o nim konkretami, zamiast mówić ogólnikami. Jeśli rozmówca chce iść dalej, proponuje, że konsultant przygotuje szczegóły i oddzwoni na numer, z którego dzwoni.

Oczekiwania

Czego się spodziewać, a czego jeszcze nie?

Voicebota oddajemy do testów świadomie przed ogłoszeniem go jako gotowego produktu. Chcemy usłyszeć, jak radzi sobie z prawdziwymi rozmówcami, a nie tylko z naszymi scenariuszami. Dlatego piszemy wprost, na co się nastawić:

• Szybka, naturalna rozmowa bez menu i klawiszy, z możliwością przerywania.
• Konkretne pomysły na automatyzację Twoich procesów, z przykładami realnych wdrożeń.
• Przełączenie do człowieka na żywo. Jeśli konsultant akurat nie odbierze, Adam wraca do rozmowy, a my oddzwaniamy.
• Limit 12 minut na rozmowę. Pod koniec Adam grzecznie zaproponuje dalszy kontakt.
• Czasem poprosi o powtórzenie przy słabej jakości połączenia.
• Mogą się zdarzyć potknięcia: pauza dłuższa niż zwykle, źle dobrana forma „Pan/Pani”, niezręczne sformułowanie. Każdą taką uwagę chętnie przyjmiemy przez formularz kontaktowy, bo na ich podstawie poprawiamy Adama.

Dane

Nagrywanie i RODO

Rozmowy nagrywamy, bo tylko tak możemy poprawiać jakość bota. Mówi o tym komunikat na samym początku, jeszcze zanim Adam zacznie rozmowę. Nagrywanie można odrzucić na dwa sposoby: powiedzieć „nie zgadzam się” albo nacisnąć 9. Wtedy rozmowa nie jest nagrywana, a o kontakt poprosimy konsultanta. Nagrania, zapisy rozmów i notatki usuwamy automatycznie po 30 dniach. Na linii testowej dźwięk rozmowy przetwarza model Gemini firmy Google, a we wdrożeniach model wybrany dla projektu: Google albo OpenAI. Nagrania i notatki trzymamy na własnym serwerze.

Dla Twojej firmy

Co to znaczy dla Twojej firmy?

Adam zna tylko malinski.ai, ale ten sam mechanizm możemy postawić na Twojej wiedzy: cenniku, godzinach otwarcia, grafiku, statusach zamówień, najczęstszych pytaniach klientów. Możemy go podłączyć do kalendarza, CRM albo systemu zamówień, żeby nie tylko odpowiadał, ale też umawiał wizyty, sprawdzał status zamówienia czy zapisywał zgłoszenia.

Najczęściej chodzi o telefony, na które dziś nikt nie ma czasu: po godzinach pracy, w sezonowym szczycie, w trakcie spotkań. Wdrożenie voicebota kosztuje u nas od 10 000 zł i trwa zwykle od 1 do 3 tygodni. Więcej o zastosowaniach, od recepcji po windykację, piszemy na stronie voicebot AI: automatyczna obsługa telefoniczna, a o samej technologii w przewodniku voicebot AI: co to jest i jak działa.

Częste pytania

Voicebot na Gemini i OpenAI: pytania i odpowiedzi

Czy voicebot rozmawia po polsku?

Tak. Oba modele, na których budujemy voiceboty, rozmawiają po polsku: Gemini 3.8 Live od Google obsługuje 97 języków, a GPT-Live 1 od OpenAI według producenta większość popularnych języków. W każdym wdrożeniu ustawiamy bota tak, żeby odpowiadał wyłącznie po polsku, także gdy rozmówca wtrąci angielskie słowo. Rozumie pełne zdania z odmianą przez przypadki, więc nie trzeba mówić komendami. Można to sprawdzić, dzwoniąc do naszego testowego voicebota Adama.

Pod jakim numerem można przetestować voicebota malinski.ai?

Pod numerem +48 22 535 35 52. Odbiera Adam, automatyczny doradca malinski.ai, całą dobę, 7 dni w tygodniu. To zwykłe połączenie na numer stacjonarny według taryfy Twojego operatora. Pojedyncza rozmowa trwa maksymalnie 12 minut.

Czym voicebot na Gemini 3.8 Live albo GPT-Live 1 różni się od IVR i starszych voicebotów?

IVR odtwarza nagrane menu i reaguje tylko na klawisze. Starszy voicebot łączy trzy systemy: rozpoznawanie mowy, model tekstowy i syntezator, więc każde ogniwo dokłada opóźnienie, a przy zamianie na tekst ginie intonacja. Gemini 3.8 Live i GPT-Live 1 to modele głosowe, które słyszą dźwięk i odpowiadają głosem bez pośredniej zamiany na tekst. Można im przerwać w pół zdania, a zadania, np. zapis notatki czy przełączenie do człowieka, wykonują w tle, nie przerywając rozmowy.

Skąd voicebot wie, co odpowiedzieć o usługach malinski.ai?

Adam opiera się wyłącznie na treści strony malinski.ai: opisach 10 usług, cenniku, 72 odpowiedziach z FAQ, informacjach o firmie i 25 opisach wdrożeń. Pełny opis usługi albo wdrożenia pobiera z naszej bazy w trakcie rozmowy, gdy o nią zapytasz. Czego nie ma w bazie, tego nie zgaduje, tylko przekazuje pytanie konsultantowi.

Czy rozmowa z voicebotem jest nagrywana?

Tak, na początku rozmowy słychać komunikat o nagrywaniu. Jeśli się nie zgadzasz, powiedz „nie zgadzam się” albo naciśnij 9. Wtedy rozmowa nie jest nagrywana, a konsultant oddzwoni. Nagrania i zapisy rozmów usuwamy po 30 dniach.

Czy voicebot może przełączyć rozmowę do człowieka?

Tak. Wystarczy powiedzieć, że chcesz rozmawiać z konsultantem. Adam łączy rozmowę na żywo. Jeśli konsultant akurat nie odbierze, Adam wraca do rozmowy, a my oddzwaniamy na numer, z którego dzwonisz. Negocjacje i sztywną wycenę Adam zawsze zostawia człowiekowi.

Na jakim modelu AI budujecie voiceboty?

Na jednym z dwóch: Gemini 3.8 Live od Google albo GPT-Live 1 od OpenAI. Wybór zależy od wymagań jakościowych projektu, a rozstrzygają go próbne rozmowy po polsku przez prawdziwą linię telefoniczną: porównujemy rozumienie, naturalność i koszt minuty. Telefonia, baza wiedzy, przełączanie do człowieka i nagrywanie działają u nas tak samo przy obu modelach. Nasz testowy voicebot Adam działa na Gemini 3.8 Live.

Ile kosztuje wdrożenie takiego voicebota w firmie?

Voicebot, czyli automatyczna infolinia, kosztuje u nas od 10 000 zł, a wdrożenie trwa od 1 do 3 tygodni. Końcowa cena zależy od liczby scenariuszy rozmów i integracji, np. z kalendarzem, CRM albo systemem zamówień. Do tego dochodzi koszt numeru i minut rozmów z modelem, liczony od faktycznego użycia.

Czego nie potrafi voicebot w wersji testowej?

To wciąż linia telefoniczna o jakości dźwięku niższej niż w komunikatorach, więc przy szumie albo słabym zasięgu Adam czasem poprosi o powtórzenie. Nie podaje sztywnych cen ani rabatów, tylko widełki „od”. Nie zna Twoich danych, bo zna wyłącznie treść malinski.ai. To wersja testowa i poprawiamy ją na bieżąco na podstawie rozmów.