Diplomová práce studenta Filipa Maliňáka se věnuje návrhu, sestavení a naprogramování mluvící animatronické robotické hlavy s propojením na služby umělé inteligence. Výsledkem je funkční laboratorní demonstrátor, který sleduje obličej člověka, natáčí oči a hlavu směrem k osobě a umožňuje hlasovou komunikaci v českém jazyce.

Velmi kladně hodnotím, že práce nezůstala pouze u návrhu, ale byla dotažena do fyzicky funkční sestavy. Student propojil mechanickou konstrukci, Raspberry Pi, kameru, řízení servomotorů, audio vstup a výstup, rozpoznávání řeči, jazykový model a syntézu hlasu do jednoho celku. Oceňuji také vlastní geometrický převod polohy obličeje v obraze na směr pohledu a rozdělení pohybu mezi oči a hlavu.

Za silnou stránku práce považuji výběr a vyhodnocení AI služeb. Student nevybral STT, LLM a TTS pouze pocitově, ale porovnal latenci, kvalitu i provozní náklady. Přínosné je také řešení orchestrátoru, strukturovaná odpověď jazykového modelu, napojení na pohybovou vrstvu a oddělení audio výstupu tak, aby neblokoval pohybovou smyčku. Práce má velmi dobrou vizuální podobu a výsledný prototyp působí reprezentativně.

K práci mám pouze dílčí výhrady. Mechanická část nevznikla zcela od nuly, ale vychází z existujících otevřených konstrukcí, což student v práci transparentně uvádí. Ověření systému je převážně kvalitativní a pro dlouhodobé nasazení by bylo vhodné doplnit delší provozní testy. Omezením je také závislost na cloudových službách, slyšitelný chod hobby serv a celková latence hlasové odezvy v řádu jednotek sekund.

Celkově hodnotím práci jako velmi kvalitní diplomovou práci s jasným praktickým výstupem. Student prokázal schopnost integrovat mechaniku, elektroniku, počítačové vidění, řízení pohybu a současné AI služby do funkčního mechatronického systému. Práci doporučuji k obhajobě.

Předložená diplomová práce Bc. Filipa Maliňáka se zabývá návrhem a realizací mluvící animatronické robotické hlavy. Práce úspěšně propojuje oblasti mechanické konstrukce, elektroniky, počítačového vidění a integrace cloudových služeb umělé inteligence.

Práce je logicky strukturovaná a provádí čtenáře celým procesem od hardwarového návrhu na platformě Raspberry Pi až po finální testování komunikačního řetězce, který využívá služby Speechmatics, OpenAI gpt-4o-mini a Google Chirp 3 HD. Kladně hodnotím zejména celistvý přístup k řešení komplexního tématu a neuspokojení se s jedním nástrojem, ale experimentálním ověření aktuálně dostupných nástrojů pro TTS, STT, a LLM. Výsledný funkční demonstrátor dokládá, že stanovené cíle zadání byly splněny, a text představuje solidní a ucelený inženýrský výstup.

Drobná připomínka: latence je v kap. 6.6 definována jako doba od začátku hlasového dotazu uživatele po začátek slyšitelné odpovědi robota. Z hlediska vyhodnocení interakce člověk-stroj by dle mého názoru bylo mnohem vhodnější měřit tento čas až od konce řeči uživatele. Topics for thesis defence:

1. Je nějak vyřešena otázka soukromí (např. posílání obrazových dat obličejů uživatelů bez souhlasu)?
2. Jak byla měřena „kvalita“ výstupu jazykových modelů?
3. Vysvětlete, co je myšleno pojmem „robutnost vůči běžnému laboratornímu prostředí“ (kap. 2.7.)