Parempia livetapahtumia agenttisilla juontajilla?

Kuvittele vaikkapa autourheilutapahtuma. Millainen ero on sillä, että tapahtumassa on selostaja, joka kertoo, mitä juuri tapahtui, kuka johtaa kilpailua, milloin seuraava lähtö alkaa tai mikä mahtaa olla vikana autossa, joka juuri nilkutti varikolle? Suurissa televisioitavissa kilpailuissa tähän on panostettu: niissä on selostajat, tuotantotiimi ja budjetti, jolla kaikki tämä toteutetaan.

Pienemmissä tapahtumissa tilanne on toinen. Harrastetapahtumaa pyörittää tyypillisesti pieni joukko vapaaehtoisia, joiden vastuulla ovat jo kilpailijoiden ilmoittautumiset, ajanotto, sääntöjen valvonta ja poikkeustilanteiden hoitaminen. Kilpailupäivät ovat pitkiä, usein kahdeksantuntisia tai pidempiä. Suurimman osan ajasta kukaan ei kuitenkaan kerro, mitä tapahtumassa oikeastaan tapahtuu.

Tästä syntyi ajatus tekoälyradiosta. Tarkoituksena ei ollut korvata oikeita radio-ohjelmia tai ammattiselostajia. Sen sijaan halusimme hyödyntää tutun radio-ohjelman formaattia – kahta juontajaa, musiikkia ja jatkuvaa lähetystä – ja tehdä siitä käytännöllisen palvelun. Edullisen tavan tuoda tapahtumaan ajantasaista tietoa ja tunnelmaa, jota siellä ei muuten olisi.

Seuraavaksi kerromme, millainen kokeellinen projekti idean ympärille rakentui ja mitä sen aikana opimme.

Järjestelmän käsittelyketju on tarkoituksella suoraviivainen, ja sen jokainen vaihe toimii omana erillisenä palvelunaan.

Sisältölähteet jakautuvat kahteen ryhmään. Staattinen sisältö valmistellaan ennen tapahtumaa: kilpailusarjan taustatiedot, tapahtumatiedot, säännöt, tekniset selitykset sekä kilpailijoiden ja tiimien esittelyt. Dynaaminen sisältö puolestaan syntyy tapahtuman aikana: reaaliaikaiset ajanottotiedot, ryhmäkeskustelujen ilmoitukset ja kysymykset, aikataulumuutokset sekä säähavainnot.

Tuottaja-agentti toimii järjestelmän toimituksellisina aivoina. Se ei vain kuuluta kaikkea vastaan tulevaa tietoa, vaan kokoaa tapahtumia niiden tärkeyden perusteella. Näin toisiinsa liittyviä asioita voidaan käsitellä yhdessä sen sijaan, että lähetys olisi irrallisten ilmoitusten virtaa. Kiireelliset uutiset pääsevät lähetykseen sekunneissa, kun taas vähemmän tärkeät aiheet voivat odottaa jopa minuutin, jotta niiden ympärille ehtii kertyä muutakin kerrottavaa.

Kun mitään erityistä ei tapahdu, tuottaja-agentti päättää aktiivisesti, mistä seuraavaksi puhutaan. Haetaanko tietoa jostakin lähteestä? Nostetaanko tietty tiimi esille? Olisiko aika käsitellä jokin etukäteen valmisteltu aihe? Tuottaja muodostaa näiden päätösten perusteella ohjeistuksen juontajille. Seuraava vaihe muuttaa ohjeistuksen ja kerätyn aineiston varsinaiseksi kahden juontajan väliseksi keskusteluksi.

Puheensynteesi (text-to-speech) tuottaa jokaisen juontajan repliikit erikseen käyttäen kyseiselle juontajalle määriteltyä ääntä ja ääniasetuksia.

Äänimiksaus toteutetaan Liquidsoap-ohjelmistolla. Se vastaa käytännössä kaikesta siitä, mikä saa lähetyksen kuulostamaan oikealta radiotuotannolta. Musiikki soi jatkuvasti silloin, kun juontajat eivät puhu. Priorisoidut jonot varmistavat, että kiireellinen ilmoitus voi keskeyttää kevyemmän jutustelun. Lisäksi erillinen tangentilla aktivoitava puhekanava mahdollistaa sen, että tapahtumapaikalla oleva ihminen voi ottaa mikrofonin käyttöön milloin tahansa. Tätä edeltää lyhyt merkkiääni.

Radiolähetys välitetään tavallisena äänivirtana ja verkkoselaimessa toimivalla soittimella. Sitä voi siis kuunnella millä tahansa puhelimella ilman erillisten sovellusten asentamista.

Eri toimintojen erottaminen toisistaan on tärkeämpää kuin ensi silmäyksellä voisi ajatella. Kun tuottaja-agentti, puheensynteesi ja mikseri ovat itsenäisiä palveluita, puheäänien palveluntarjoajaa voidaan vaihtaa muuttamatta toimituksellista logiikkaa. Vastaavasti toimituksellista logiikkaa voidaan kehittää ilman, että äänentoiston käsittelyketjuun tarvitsee koskea.

Jos projektista pitäisi nostaa esille yksi havainto, se olisi puheensynteesipalveluiden väliset suuret erot. Projektin aikana olemme kokeilleet ElevenLabsin, OpenAI, Azuren, Google Cloudin ja Googlen Gemini-mallien ratkaisuja. Erot eivät todellakaan ole pieniä.

Laatu maksaa. ElevenLabs tuottaa erästä markkinoiden parhaista puhesynteeseistä, mutta on myös selvästi kalleimpia vaihtoehtoja jatkuvan, kahdeksantuntisen lähetyksen toteuttamiseen. Tätä kirjoitettaessa Gemini-mallit tarjosivat tähän käyttötarkoitukseen selvästi parhaan hinta-laatusuhteen. Niiden puheenlaatu riittää koko päivän kestävään lähetykseen ilman, että kustannukset muodostuvat projektin keskeiseksi rajoitteeksi.

Suomi on aidosti vaikea kieli. Monet muuten erinomaiset mallit kompastelevat suomen kielessä, ja erityisesti numerot aiheuttavat ongelmia. Suomen kielessä myös lukusanat taipuvat, ja sama numero voi saada monta eri muotoa. Jos malli lukee numerot järjestelmällisesti perusmuodossa, lopputulos kuulostaa heti väärältä.

Tyyliohjeet eivät aina pysy ohjeina. Jokaisella palveluntarjoajalla on oma tapansa ohjeistaa puheen tyyliä ja äänensävyä. Osa malleista tulkitsee ohjeita turhankin kirjaimellisesti. Pahimmillaan ohjeteksti päätyy itse puheeseen, jolloin kuulija saattaa kuulla juontajan kuvailevan oman äänensä ominaisuuksia.

Jotkin mallit ottavat liikaa vapauksia. Toistuva ongelma on, että malli päättää parannella annettua tekstiä: vaihtaa sanoja, käyttää synonyymejä tai korjata erisnimen ääntämisasua, vaikka nimi olisi tarkoituksella kirjoitettu foneettisesti. Kilpailijoiden ja tiimien nimiin nojaavassa radioselostuksessa kyse ei ole mistään pienestä kauneusvirheestä.

Keskustelun johdonmukaisuus on haastavaa. Yksittäinen lause kuulostaa yleensä hyvältä. Ongelmat tulevat esiin peräkkäisissä äänileikkeissä. Sama ääni voi muutaman sekunnin välein tuotettuna kuulostaa sävyltään niin erilaiselta, että kyseessä voisi olla toinen ihminen. Juontaja saattaa myös vaihtaa innostuneesta alakuloiseksi ilman mitään kuulijalle ymmärrettävää syytä.

Vuoropuhelussa tämä korostuu, koska tunnelman pitäisi säilyä yhtenäisenä juontajien vaihtaessa puheenvuoroja.

Uusimmat mallit tukevat jo usean puhujan keskustelun tuottamista yhdellä pyynnöllä. Tämä todennäköisesti ratkaisee johdonmukaisuusongelman sen juurilta: koko keskustelu syntyy yhtenä kokonaisuutena sen sijaan, että se koostettaisiin erikseen tuotetuista äänileikkeistä.

Edelleen puuttuu kuitenkin standardoitu tapa kuvata puheen sävyä, tunnetilaa ja erilaisia äänellisiä tehokeinoja. Jokainen palveluntarjoaja on kehittänyt oman sanastonsa. Lopputuloksena äänen ohjaaminen, joka on kenties koko työn luovin osa, on järjestelmän huonoimmin siirrettävä ominaisuus. Toivottavasti tähän syntyy ajan myötä yhteisiä käytäntöjä.

Sisällön laatu kulkee lähes käsi kädessä käytettävissä olevan tiedon ajantasaisuuden kanssa.

Hyvä valmistautuminen kannattaa silti aina. Etukäteen laadittu tietopankki, joka sisältää esimerkiksi kilpailun sääntöjä, sarjan historiaa, kilpailijaesittelyjä ja tiimien tarinoita, antaa juontajille kiinnostavaa kerrottavaa myös tapahtuman hiljaisempina hetkinä.

Ja kun mitään muuta ei ole tarjolla, voidaan aina puhua säästä. Reaaliaikaisia säähavaintoja ja ennusteita on saatavilla avoimista rajapinnoista ilmaiseksi, ja sää on käytännössä aina ajankohtainen aihe ulkoilmatapahtumissa.

Etukäteen valmisteltu taustamateriaali häviää kuitenkin tuoreudessa. Kiinnostavin sisältö syntyi poikkeuksetta reaaliaikaisista tietolähteistä:

• Reaaliaikaiset kilpailutulokset: Sijoitukset, ajat, kierrosmäärät, nopeimmat kierrokset ja kilpailun keskeyttäneet osallistujat. Järjestelmään liitettävät analyysikomponentit seuraavat kilpailun tilannetta ja nostavat kiinnostavia tapahtumia keskusteluun ilman, että kielimallia tarvitsee käyttää jatkuvaan tietojen tarkistamiseen.
• Tapahtuman keskusteluryhmät: WhatsApp-viestejä seuraava komponentti välittää järjestäjien ryhmän viestit suoraan järjestelmään kentältä tulevina tilanneraportteina. Tämä osoittautui yllättävän arvokkaaksi tietolähteeksi. Keskusteluissa on juuri niitä ihmisten havaintoja, joita mikään ajanottojärjestelmä ei koskaan pysty tarjoamaan.
• Interaktiiviset tapahtumasovellukset: Nykyaikaisissa tapahtumissa voidaan käyttää sovelluksia esimerkiksi kilpailutoiminnan kirjaamiseen. Tässä projektissa kilpailijat kirjaavat varikkopysähdykset ja kuljettajien nimet sovellukseen, mikä tuottaa erinomaista lisämateriaalia radiolähetykseen.

Yleinen periaate on yksinkertainen: kaikki tieto, jota järjestäjät jo ylläpitävät omiin tarpeisiinsa, voi toimia myös radion tietolähteenä. Näiden tietojen integrointi on yleensä helpompaa kuin aluksi kuvittelisi.

Tilannetietoisuuden perusta muodostuu aikataulusta ja tapahtuman perustiedoista.

Kun juontaja tietää kellon olevan 10.40, aika-ajon päättyvän klo 11.00 ja kilpailun alkavan klo 12.30, ero on jo huomattava. Juontaja kuulostaa aidosti tapahtumassa läsnä olevalta eikä siltä kuin se lukisi viime viikolla nauhoitettua podcastia.

Tämän lisäksi järjestelmässä käytetään selkeää vaihemallia. Tapahtumapäivä jaetaan eri vaiheisiin, ja tieto kulloisestakin vaiheesta kulkee läpi koko järjestelmän.

Vaihe määrittää esimerkiksi sen, millaisia selostusohjeita keskustelun tuottava kielimalli saa, mitkä analyysikomponentit ovat käytössä ja mitä tietolähteitä tuottaja-agentti saa hyödyntää. Reaaliaikaisilla kilpailusijoituksilla ei yksinkertaisesti ole merkitystä ennen kilpailua tai sen päättymisen jälkeen.

Tilannetietoisuuden toinen tärkeä osa on muisti.

Juontajia, jotka unohtavat kaiken aiemmin sanomansa, on raskasta kuunnella. Siksi järjestelmä ylläpitää tietoa usealla eri tasolla:

• Tapahtumapäiväkirja tallentaa päivän merkittävät tapahtumat, jolloin juontajat voivat palata esimerkiksi kahden tunnin takaiseen tilanteeseen.
• Tiimikohtainen taustatieto ja päiväkirjat erottavat pysyvät tiedot, kuten tiimin historian ja taustat, kyseisen päivän tapahtumista. Näitä ovat esimerkiksi tämänhetkinen sijoitus, kierrosmäärä, viimeaikaiset tapahtumat ja sijoitushistoriasta kerätyt havainnot. Näin juontaja voi todeta esimerkiksi, että ”tiimi on noussut hienosti vaikeasta lähtöasetelmastaan”, sen sijaan että se vain lukisi sijoituksen.
• Aihekohtainen muisti pitää kirjaa viime aikoina käsitellyistä aiheista. Tiedot vanhenevat määritellyn ajan kuluttua, jotta samoihin aiheisiin voidaan myöhemmin palata luontevasti.

Huolellinen kontekstin hallinta on tämänkaltaisessa järjestelmässä yksi tärkeimmistä onnistumiseen vaikuttavista tekijöistä.

Sama kielimalli tuottaa huomattavasti kiinnostavampaa sisältöä, kun sille annetaan hyvin koottu ja tarkoituksenmukainen konteksti pelkän raakadatamassan sijaan.

Juontajien persoonallisuudet määritellään luonnollisella kielellä. Jokaisella juontajalla on oma identiteetti, rooli ja persoonallisuuskuvaus sekä palveluntarjoajakohtaiset ääniasetukset.

Viihteellisessä projektissa juontajien välinen kemia ja heidän kuvitteellinen suhteensa tuovat lähetykseen oman lisänsä. Ohjelman yleistä tyyliä voidaan myös muuttaa keskitetysti kirjoittamatta kaikkea uudelleen. Tämä tekee erilaisten lähestymistapojen kokeilemisesta helppoa.

Vaikeinta ei kuitenkaan ole persoonallisuuden luominen, vaan sen estäminen, ettei persoonallisuus ala ärsyttää kuulijaa.

Ilman ohjausta kielimalli löytää helposti jonkin mieluisan ilmaisun ja käyttää sitä uudelleen kahdeksan minuutin välein. Sama vitsirakenne, sama siirtymälause ja sama innostunut aloitus toistuvat, kunnes kuulija alkaa jo arvata seuraavat lauseet etukäteen.

Ratkaisuna on muistaa paitsi se, mitä on sanottu, myös se, miten asiat on ilmaistu.

Aihekohtaisen muistin rinnalla järjestelmä ylläpitää tyylimuistia, johon tallennetaan viime aikoina käytettyjä ilmaisutapoja ja retorisia rakenteita. Lisäksi erillinen viimeistelyvaihe tarkistaa jokaisen tuotetun keskustelun suhteessa tähän muistiin ja määriteltyyn listaan vältettävistä maneereista.

Viimeistelyvaihe ei saa muuttaa faktoja, repliikkien määrää tai puhujien rooleja. Sen tehtävänä on muokata ainoastaan ilmaisutapaa.

Kuulostavatko juontajat oikeilta ihmisiltä? Eivät täysin, ja useimmat kuulijat huomaavat sen nopeasti.

Usein lopputulos on kuitenkin riittävän hyvä. Mukana on myös yllättävä etu: kun vitsit ovat huonoja, ne voivat olla aidosti viihdyttävällä tavalla huonoja.

Hieman hölmö vitsi, jonka synteettinen radiojuontaja kertoo täydellä itsevarmuudella, osoittautuu lopulta aivan kelvolliseksi tapahtumaviihteeksi.

Tekoälyradio oli käytössä Nissan Micra Endurance -kilpailuissa koko vuoden 2026 kilpailukauden ajan. Se tarjosi järjestelmälle varsin hyvän käytännön testin: pitkät kilpailupäivät, vapaaehtoisten pyörittämä organisaatio, kymmenittäin tiimejä ja varikkoalue, jonne oli ripoteltu Bluetooth-kaiuttimia.

Tämä ei ole aivan sellainen teollisuuskäyttöön tarkoitettu, huolellisesti toimintavarmaksi suunniteltu järjestelmä, joita Wapicella yleensä rakennamme. Juuri siinä piili kuitenkin suuri osa projektin viehätyksestä.

On virkistävää rakentaa jotakin, jonka onnistumista mitataan kysymyksellä ”oliko tätä hauska kuunnella?”. Se haastaa käyttämään hieman erilaisia ohjelmistokehityksen taitoja kuin tyypillinen IoT-järjestelmä.

Kaksi käytännön johtopäätöstä

Teknologia on valmis tuotantokäyttöön, ja se on edullista. Taustalla käytettävä teknologia – puheensynteesi, puheentunnistus ja kielimalleihin perustuva sisällön valinta – on jo kypsällä tasolla. Kahdeksan tunnin radiolähetyksen kielimalli- ja puheensynteesikustannukset jäävät alle 100 euroon.

Se on hintataso, johon myös pienillä tapahtumilla on realistinen mahdollisuus.

Kiinnostavinta on ääneen perustuva tiedonvälitys. Tekstin muuttaminen puheeksi ja puheen muuttaminen tekstiksi ovat kehittyneet lähes huomaamatta niin pitkälle, että ääni voi nykyään toimia ensisijaisena käyttöliittymänä – ei enää pelkästään saavutettavuutta tukevana lisäominaisuutena.

Radiokanava on vain yksi sovellus. On lukemattomia muitakin tilanteita, joissa ihmisen ja koneen välinen luontevin vuorovaikutustapa olisi puhe näytön ja näppäimistön sijaan. Suurinta osaa näistä sovelluksista ei ole vielä edes rakennettu.

Jos jokin tässä kuulostaa tutulta tai herättää ajatuksia omasta projektistasi – liittyipä se tapahtumaan, tuotteeseen tai käyttöliittymään, jossa ääni voisi olla osa ratkaisua – ota rohkeasti yhteyttä.