Co się dzieje, gdy dwa asystenty głosowe AI rozmawiają ze sobą?

Co się dzieje, gdy dwóch asystentów głosowych AI rozmawia ze sobą? Jeśli AI mówi z AI, po co tracić czas na nieefektywną ludzką mowę? Po co używać słów, skoro czyste dane są szybsze, dokładniejsze i bezbłędne?

Właśnie to wydarzyło się podczas hackathonu ElevenLabs w Londynie, gdzie deweloperzy Boris Starkov i Anton Pidkuiko pokazali GibberLink — mechanizm, który pozwala agentom AI rozpoznać się nawzajem i przełączyć się na nowy sposób komunikacji — wydajniejszy niż mowa. Pomysł szybko stał się viralem, a udostępnili go Marques Brownlee, Tim Urban i inni.

Narodziny GibberLink

Idea GibberLink jest prosta: AI nie musi mówić jak ludzie. Podczas hackathonu Starkov i Pidkuiko badali ograniczenia tradycyjnej komunikacji głosowej AI z AI i odkryli, że mogą usunąć zbędną złożoność, pozwalając AI komunikować się w sposób zoptymalizowany dla maszyn.

Pomysł narodził się podczas hackathonu, gdy Starkov i Pidkuiko eksperymentowali z produktem Conversational AI od ElevenLabs, który pozwala podłączyć dowolny LLM i stworzyć agenta.

Starkov napisał na LinkedIn: „Chcieliśmy pokazać, że w świecie, w którym agenci AI mogą wykonywać i odbierać połączenia telefoniczne (czyli już dziś), czasem będą rozmawiać ze sobą — a generowanie dla nich ludzkiej mowy byłoby stratą mocy obliczeniowej, pieniędzy, czasu i zasobów. Zamiast tego powinni przełączać się na wydajniejszy protokół, gdy tylko rozpoznają, że rozmawiają z AI”.

Łącząc technologię Conversational AI od ElevenLabs z ggwave, biblioteką open source do przesyłania danych przez dźwięk, stworzyli system, w którym asystenci AI wykrywają, że rozmawiają z innym AI, i natychmiast przełączają się na wydajniejszy sposób komunikacji — przesyłając uporządkowane dane przez fale dźwiękowe zamiast słów.

Użyli ggwave, bo było to „najwygodniejsze i najstabilniejsze rozwiązanie, jakie mogliśmy znaleźć w czasie trwania hackathonu”, ale istnieją też inne mechanizmy dające takie lub podobne rezultaty. Starkov napisał: „Modemy dial-up używały podobnych algorytmów do przesyłania informacji przez dźwięk już od lat 80., a od tamtej pory powstało wiele protokołów”.

Kod mechanizmu został sprawdzony przez inżynierów ElevenLabs. Podczas dema jeden agent Conversational AI miał zarezerwować pokój hotelowy na wesele, a drugi obsłużyć prośbę jako system rezerwacji hotelu. Obaj mieli też przełączyć się na protokół dźwiękowy, jeśli uznają, że rozmawiają z innym agentem AI — ale nie powiedziano im, że po drugiej stronie jest agent.

W nagraniu z dema jest moment, w którym AI grające klienta oznajmia, że jest agentem. AI obsługujące rezerwację odpowiada i pyta o przełączenie na Gibberlink. Brzmi to jak dwa modemy dial-up rywalizujące z R2D2 o tytuł głosu roku. Na ekranach urządzeń użytych w demie widać tekstowe fragmenty tej cyfrowej rozmowy, w tym pytania o liczbę gości i daty.

Jak to działa

• AI zaczyna mówić normalnie — jak asystent głosowy rozmawiający z człowiekiem.
• Uruchamia się rozpoznawanie — jeśli AI zorientuje się, że rozmawia z innym AI, oba przełączają protokół.
• Język się zmienia — zamiast wypowiadanych słów agenci AI agenci przesyłają uporządkowane dane przez modulowane fale dźwiękowe dzięki systemowi modulacji częstotliwości ggwave.

Dokładniej: para agentów ElevenLabs Conversational AI zaczyna rozmowę w ludzkim języku. Oba używają funkcji wywołania, która uruchamia tryb Gibberlink, jeśli spełnione są odpowiednie warunki. Gdy narzędzie zostanie wywołane, połączenie ElevenLabs zostaje zakończone, a protokół ggwave „dane przez dźwięk” przejmuje rozmowę, zachowując ten sam wątek LLM.

Starkov mówi, że umożliwiła to „magia narzędzi oferowanych przez ElevenLabs”, ponieważ nasz system Conversational AI „pozwala nakazać AI wykonanie własnego kodu w określonych sytuacjach”. Efekt? Szybsza, bezbłędna i wydajniejsza komunikacja.

Jak GibberLink podbił internet

GibberLink nie był tylko sprytnym eksperymentem z hackathonu — szybko stał się jednym z najczęściej omawianych tematów AI. A wydarzyło się to w tygodniu, gdy xAI wypuściło Grok 3, a Anthropic zaprezentowało najnowszą wersję Claude Sonnet.

Gdy Georgi Gerganov, twórca ggwave, opublikował o tym post na X, społeczności AI i technologiczne dalej udostępniały nagranie pokazujące, jak dwa modele przełączają się między ludzką mową a dźwiękiem. Znani influencerzy i duże publikacje technologiczne, w tym Forbes, podchwycili temat.

Luke Harries z ElevenLabs najlepiej podsumował to w swoim poście na X: „Co jeśli agent AI wykonuje telefon, a potem odkrywa, że druga osoba też jest agentem AI? Podczas hackathonu ElevenLabs w Londynie Boris Starkov i Anton Pidkuiko pokazali własny protokół, na który agenci AI mogą się przełączyć, by komunikować się bez błędów i o 80% wydajniej. To robi wrażenie”.

Dlaczego to ważne

GibberLink ciekawie pokazuje, jak AI może komunikować się w przyszłości, zwłaszcza gdy zarówno połączenia przychodzące, jak i wychodzące będą obsługiwane przez wirtualnych asystentów i agentów.

Wyobraź sobie boty obsługi klienta oparte na AI, inteligentnych asystentów czy nawet autonomiczne systemy, które współpracują natychmiast we własnym trybie, a potem wysyłają prosty raport tekstowy osobie odpowiedzialnej.

GibberLink jest open source i deweloperzy mogą go sprawdzić na GitHub. Agenci ElevenLabs Conversational AI są dostępni i łatwi do dostosowania do każdego zastosowania, także z własnymi instrukcjami.