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

Co się dzieje, gdy dwóch głosowych asystentów AI zaczyna rozmawiać? Jeśli AI rozmawia z AI, po co korzystać z nieefektywnej ludzkiej mowy? Po co używać słów, skoro czyste dane są szybsze, dokładniejsze i odporne na błędy?

Właśnie to wydarzyło się podczas ElevenLabs London Hackathon, gdzie deweloperzy Boris Starkov i Anton Pidkuiko przedstawili GibberLink, mechanizm, który pozwala agentom AI rozpoznawać się nawzajem i przełączać na nowy sposób komunikacji — wydajniejszy niż mowa. Pomysł szybko stał się viralem, udostępnianym przez Marquesa Brownlee, Tima Urbana i innych.

Narodziny GibberLink

Pomysł stojący za GibberLink jest prosty: AI nie musi mówić jak ludzie. Podczas hackathonu Starkov i Pidkuiko badali ograniczenia tradycyjnej komunikacji AI z AI i odkryli, że mogą wyeliminować zbędną złożoność, pozwalając AI rozmawiać z AI w sposób zoptymalizowany dla maszyn.

Ten pomysł powstał podczas hackathonu, gdy Starkov i Pidkuiko eksperymentowali z produktem ElevenLabs Conversational AI, 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 rozmowy telefoniczne (czyli już dziś), czasem będą rozmawiać ze sobą — a generowanie do tego ludzkiej mowy byłoby stratą mocy obliczeniowej, pieniędzy, czasu i zasobów środowiska. Zamiast tego powinni przełączać się na wydajniejszy protokół, gdy tylko rozpoznają się nawzajem jako AI.”

Łącząc technologię ElevenLabs Conversational AI 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 falami dźwiękowymi zamiast słów.

Użyli ggwave, ponieważ było to „najwygodniejsze i najbardziej stabilne rozwiązanie, jakie mogliśmy znaleźć w czasie trwania hackathonu”, ale istnieją też inne mechanizmy dające takie same 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 jednemu agentowi Conversational AI polecono zarezerwować pokój hotelowy na wesele, a drugiemu obsłużyć prośbę, wcielając się w system rezerwacji hotelu. Oba miały też przełączyć się na protokół dźwiękowy, jeśli uznają, że drugi rozmówca również jest agentem AI — ale nie powiedziano im, że nim jest.

W filmie z dema jest moment, gdy AI odgrywające klienta oznajmia, że jest agentem. AI obsługujące rezerwację odpowiada i pyta o przejście na GibberLink. Brzmi to jak dwa modemy dial-up rywalizujące z R2D2 o tytuł głosu roku. Na ekranach obu 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 — tak jak asystent głosowy rozmawiający z człowiekiem.
• Następuje rozpoznanie — jeśli AI zauważy, że rozmawia z innym AI, oba przełączają protokół.
• Zmienia się język — zamiast wypowiadanych słów agenci AI przesyłają uporządkowane dane za pomocą modulowanych fal dźwiękowych, dzięki systemowi modulacji częstotliwości ggwave.

Dokładniej: para agentów ElevenLabs Conversational AI zaczyna rozmowę w ludzkim języku. Oba korzystają z funkcji wywołania, która uruchamia tryb GibberLink, jeśli spełnione są odpowiednie warunki. Gdy narzędzie zostanie wywołane, rozmowa ElevenLabs zostaje zakończona, a jej miejsce zajmuje protokół ggwave „data over sound”, przy zachowaniu tego samego wątku LLM.

Starkov mówi, że umożliwiła to „magia narzędzi, które oferuje ElevenLabs”, ponieważ nasz system Conversational AI „pozwala instruować AI, by w określonych sytuacjach wykonywało własny kod”. Rezultat? Szybsza, odporna na błędy i wydajniejsza komunikacja.

Jak GibberLink podbił internet

GibberLink nie był tylko sprytnym eksperymentem z hackathonu — szybko stał się jednym z najczęściej komentowanych tematów AI. A wszystko wydarzyło się w tygodniu, w którym xAI uruchomiło Grok 3, a Anthropic wypuścił najnowszą wersję Claude Sonnet.

Gdy Georgi Gerganov, twórca ggwave, opublikował o tym wpis na X, społeczności AI i technologii dalej rozpowszechniały film pokazujący, jak dwa modele przechodzą między ludzką mową a dźwiękiem. Znani influencerzy i duże media technologiczne, w tym Forbes, podchwycili temat.

Luke Harries z ElevenLabs najlepiej podsumował to w swoim poście na X: „A co, jeśli agent AI wykonuje telefon, a potem odkrywa, że druga osoba też jest agentem AI? Podczas ElevenLabs London Hackathon Boris Starkov i Anton Pidkuiko przedstawili własny protokół, na który agenci AI mogą się przełączać, by komunikować się bez błędów i o 80% wydajniej. To niesamowite.”

Dlaczego to ważne

GibberLink ciekawie pokazuje, jak AI może komunikować się w przyszłości, zwłaszcza gdy zarówno połączenia przychodzące, jak i wychodzące mogą obsługiwać wirtualni asystenci i agenci.

Wyobraź sobie boty obsługi klienta oparte na AI, inteligentnych asystentów czy nawet autonomiczne systemy, które błyskawicznie współpracują w swoim 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 łatwo dostosować ich do dowolnych potrzeb, także za pomocą własnych instrukcji.