Voicebot open source: czy budować samemu, czy wziąć gotową platformę

Z czego składa się voicebot i co z tego masz na otwartych licencjach

Przy własnym stosie każdy program w łańcuchu trzeba wybrać, uruchomić i spiąć. Licencje poniżej sprawdziliśmy 29 września 2026 r. w repozytoriach i na kartach modeli. Zmieniają się, więc przed decyzją przeczytaj je jeszcze raz.

• Rozpoznawanie mowy zrobisz na Whisperze (repozytorium OpenAI podaje MIT, karta large-v3 na Hugging Face Apache 2.0) i faster-whisper (MIT), modelu Parakeet od NVIDIA (CC-BY-4.0) albo lekkim Vosku (Apache 2.0).
• Modelem językowym może być Bielik (Apache 2.0) uruchamiany przez vLLM (Apache 2.0) albo llama.cpp (MIT).
• Głos po polsku to najtrudniejszy punkt i ma osobną sekcję.
• Rozmową steruje biblioteka, na przykład Pipecat (BSD-2-Clause) albo LiveKit Agents (Apache 2.0).
• Telefonię prowadzi centrala, na przykład Asterisk (GPL v2) albo FreeSWITCH (MPL 1.1), podłączona do trunka SIP polskiego operatora.
• Resztę składasz sam: monitoring, przechowywanie nagrań, integracje z kalendarzem i dyżur na wypadek awarii.

To zestaw narzędzi. Pod polską przychodnię o 8:00 nikt ich za ciebie nie zestroi.

Bielik i PLLuM: otwarte wagi to jeszcze nie open source

Bielik, tworzony przez SpeakLeash i ACK Cyfronet AGH, ma w sprawdzonych przez nas wersjach v3.0 Instruct (11B, Minitron 7B i 4.5B) licencję Apache 2.0, która pozwala na użycie komercyjne. PLLuM (konsorcjum z Politechniką Wrocławską jako liderem, od 2025 r. inicjatywa HIVE AI) ma różne licencje: Apache 2.0, CC-BY-NC-4.0 w wariantach „-nc-” (tylko użycie niekomercyjne), osobną licencję PLLuM-1.0 w części wariantów z lipca 2025 r. (jej treści nie mogliśmy sprawdzić) i Llama 3.1 w modelach opartych na Llamie. Czytaj kartę konkretnego modelu.

Apache 2.0 na wagach to „open weights”. Definicja Open Source AI 1.0 z Open Source Initiative wymaga także informacji o danych treningowych i kodu do trenowania, same wagi jej nie wystarczają. Gdy ktoś sprzedaje ci „open source”, dopytaj, co dokładnie jest otwarte.

Karta Bielika ostrzega, że model może podać nieprawdziwą informację i nie ma moderacji. Pilnowanie odpowiedzi spada na ciebie: baza wiedzy, zakazy i testy, czyli kontrola odpowiedzi modelu.

Rozpoznawanie mowy: Whisper zna polski, ale pracuje na kawałkach nagrania

Whisper obsługuje polski. Można go uruchomić przez faster-whisper, którego autorzy piszą, że jest do czterech razy szybszy od oryginału przy tej samej dokładności. Whisper przetwarza dźwięk oknem po 30 sekund, a nakładki do pracy na żywo, jak WhisperLive i Whisper-Streaming, to osobne projekty społeczności. Karta modelu przyznaje też, że potrafi dopisać słowa, których nikt nie powiedział. Przy nazwisku albo numerze PESEL to nie drobiazg.

Inne opcje: Parakeet v3 od NVIDIA ma polski wśród 25 języków i opisany tryb strumieniowy, a Vosk mały polski model. Polish ASR Leaderboard z Uniwersytetu im. Adama Mickiewicza wskazał w 2024 r. Whisper Large jako lidera wśród darmowych systemów. Mowę rozmowną badane systemy rozpoznawały w nim wyraźnie gorzej niż czytaną.

Rozmowa z klientem to mowa spontaniczna, do tego często w wąskim paśmie telefonu. Dlatego rozpoznawanie mowy po polsku sprawdzaj na nagraniach z prawdziwego aparatu, z nazwiskami z twojej okolicy.

Głos po polsku: tu licencje potrafią zaskoczyć

Z syntezą mowy jest najgorzej, bo część znanych modeli wyklucza zastosowania firmowe. XTTS-v2 działa na Coqui Public Model License, która zezwala tylko na użycie niekomercyjne, a MMS-TTS dla polskiego od Mety ma CC-BY-NC 4.0. Do voicebota, który obsługuje klientów firmy, oba odpadają.

Pierwotne repozytorium Pipera (MIT) zarchiwizowano 6 października 2025 r., rozwój przeniesiono do piper1-gpl na GPL-3.0, a jego README informuje, że Open Home Foundation szuka opiekunów. Według kart pięć polskich głosów dostrojono z angielskich: cztery z głosu lessac, jeden z głosu ryan. Polskie nagrania mają w kartach licencje CC0 albo CC BY 4.0, a karta głosu bass podaje Apache 2.0. Karty głosów bazowych odsyłają jednak do zbioru Blizzard 2013, którego licencja dopuszcza tylko cele badawcze, i do zbioru RyanSpeech na CC BY-NC-SA 4.0. Przed użyciem komercyjnym przeczytaj kartę konkretnego głosu i licencje obu zbiorów, a wątpliwości oddaj prawnikowi.

Chatterbox (MIT) w wariancie wielojęzycznym obsługuje polski i dodaje do nagrań niesłyszalny znak wodny. Jak brzmi, sprawdź sam: każ mu przeczytać adresy, kwoty i pytania bez „czy”.

Licencję głosu sprawdź, zanim wybierzesz resztę stosu.

Przerywanie, koniec wypowiedzi i telefonia: klej między klockami

Dużo pracy oszczędzają biblioteki do rozmów głosowych. Pipecat ma transporty WebRTC i WebSocket, serializery pod dostawców telefonii oraz Silero VAD (MIT). Model Smart Turn (BSD-2-Clause) ocenia koniec wypowiedzi i ma polski wśród 23 języków. Przerywanie jest domyślnie włączone: gdy klient zaczyna mówić, agent milknie.

LiveKit Agents (Apache 2.0) daje podobne rzeczy razem z serwerem WebRTC i stosem SIP na tej samej licencji. Pełny model wykrywania końca wypowiedzi działa w chmurze LiveKit, a lekka wersja lokalna ma osobną licencję (LiveKit Model License). Polskiego według dokumentacji z 29 września 2026 r. nie było na liście obsługiwanych języków.

Numer przychodni może zostać ten sam, bo operator wystawia na nim trunk, jak przy każdej telefonii SIP, a ty podłączasz go do własnej centrali. Asterisk ma licencję GPL v2 (Sangoma udziela też licencji alternatywnych), a przez interfejs ARI i zasób externalMedia wysyła dźwięk rozmowy do zewnętrznej aplikacji. Gdy serwer padnie, ktoś musi mieć gotowe przekierowanie na zwykły telefon.

Opóźnienie zależy od karty graficznej, strumienia i odległości

Ciszę po pytaniu klienta buduje suma etapów, a na własnym stosie za każdy odpowiadasz sam. Lekkie elementy, jak Silero VAD, działają na procesorze. Przy dużym modelu językowym czas odpowiedzi i liczba rozmów naraz zależą od sprzętu, a pamięć karty graficznej ogranicza, jaki model się zmieści.

Sprzęt dobierasz pod szczyt, jak 8:00 w przychodni, a płacisz za niego także wtedy, gdy nikt nie dzwoni.

Każdy etap ma pracować strumieniowo, a usługi powinny stać blisko siebie, najlepiej w jednej serwerowni. Ile to da po polsku i na prawdziwej linii telefonicznej, zmierzysz dopiero u siebie, jak opisuje strona o opóźnieniu odpowiedzi.

Co robisz sam, a co bierze na siebie platforma

Przy własnym stosie prawie każdy wiersz poniżej jest twoją robotą.

Ukryte koszty to czas ludzi na strojenie, testy po aktualizacjach modeli, przegląd licencji i dyżury. Zestawiając to z ceną gotowego asystenta głosowego, pamiętaj, że u platformy minuty rozmów to tylko jedna z pozycji.

Jest jeszcze koszt ludzki. Stos, który rozumie jeden programista, staje w miejscu, gdy ten idzie na urlop albo zmienia pracę. Przy projektach z pierwszej sekcji sprawdź też, kto je utrzymuje i jak często wychodzą poprawki.

RODO, AI Act i bezpieczeństwo: własny serwer nie zdejmuje obowiązków

Własny serwer upraszcza jedną odpowiedź: wiesz, gdzie leżą nagrania i transkrypcje, i nie oddajesz ich modelowi w cudzej chmurze. RODO zostaje jednak na tobie. Jeśli dane przetwarza na twoje zlecenie firma hostingowa, potrzebujesz z nią umowy powierzenia (art. 28), a resztę wymagań zbiera lista kontrolna RODO dla voicebota.

Art. 32 RODO wymaga zabezpieczeń odpowiednich do ryzyka i podaje przykłady: szyfrowanie, odporność systemu, szybkie przywracanie dostępu po awarii i regularne testy zabezpieczeń. Na platformie część z nich zapewnia dostawca, tu robisz to sam, łącznie z łatkami do wszystkich projektów z pierwszej sekcji.

Jest też AI Act. Od 2 sierpnia 2026 r. rozmówca musi wiedzieć, że mówi z systemem AI, chyba że wynika to jasno z okoliczności. Art. 50 ust. 1 nakłada ten obowiązek na dostawcę systemu. Czy budując i uruchamiając własnego voicebota, sam stajesz się dostawcą w rozumieniu art. 3, ustal z prawnikiem przed startem. Najprościej, gdy agent od razu mówi, że jest AI.

Dla kogo własny stos, a dla kogo platforma

Własny stos ma sens, gdy masz programistów, którzy utrzymają go także za dwa lata, gdy ruch jest tak duży, że opłaty za minuty przewyższają koszt serwerów i ludzi, albo gdy wymogi co do miejsca przetwarzania danych są twarde i żaden dostawca ich nie podpisze. Liczy się też niezależność od cennika i decyzji jednego dostawcy.

Gotowa platforma jest lepsza dla małej firmy bez programisty i dla każdego, kto dopiero sprawdza, czy voicebot ma sens. Nie buduj własnego stosu tylko po to, żeby zaoszczędzić na minutach: prototyp na platformie pokaże, które rozmowy się powtarzają, zanim kupisz kartę graficzną. Jak taka droga wygląda po polsku, pokazuje voicebot na ElevenLabs.

Możliwa jest też droga pośrednia: platforma do rozmowy i telefonii, a własny model tylko tam, gdzie to konieczne, o ile dostawca na to pozwala.

Wydawca tego serwisu, Infinity Tech, sprzedaje wdrożenia na gotowych komponentach, więc ma interes w wyborze gotowej drogi. Oceń argumenty, nie autora.

Jeśli po policzeniu własny stos ci się nie opłaca, zlecenie agenta głosowego to jedna z dróg, obok samodzielnej pracy na platformie, którą zestawia porównanie gotowej platformy z wdrożeniem.