Голосовые интерфейсы *

Знакомая ситуация: в системном промпте четко написано, что модель делать не должна ни в коем случае, а она все равно это делает. Вы переписываете правило, добавляете «ВАЖНО», капслок и примеры, становится чуть лучше, а потом снова за старое. В какой‑то момент начинаешь подозревать модель, ее настройки (например, температуру) или провайдера.

Мы наступили на это в голосовом ассистенте и разобрали случай до конца: переиграли боевые запросы и меняли по одному фактору за раз. Промпт оказался ни при чем. Модель слушалась собственной истории диалога, и ниже я покажу, как мы это нашли, какие получились цифры и что с этим делать, если вы строите на LLM чат‑бота, агента или ассистента.

Одно время я очень боялся проходить собеседования на английском. При том, что знаю его неплохо и даже 2 года жил в США. Тем не менее, долгий перерыв в голосовом общении дает о себе знать. Особенно меня беспокоит то, что я могу не понять что именно мне говорят во время созвона.

Привет, Хабр! В этом материале сделаем сервис, который разгрузит диспетчера сервисного центра по ремонту бытовой техники. Голосовой робот будет принимать входящий звонок и собирать детали обращения. На каждое обращение в Битрикс24 будет создаваться карточка с назначенным мастером.

Стек проекта: Python 3.10+, FastAPI, Pydantic, SQLite, HTTPX, Битрикс24, Яндекс Геокодер, голосовой робот и SMS API от МТС Exolve.

Певец держит одну ноту, а обработанный голос на мгновение перескакивает на октаву. Такое случается, когда плагин принимает сильную гармонику за основной тон. Чем быстрее коррекция, тем заметнее может стать этот промах.

Разберу, как Auto-Tune Artist 9.x и модуль Pitch из Nectar 4 определяют высоту и что делают с волной после выбора ноты. Здесь есть интересные различия: как удержать оценку на ровном звуке, прочитать запись между сэмплами, перенести фрагмент без щелчка. На этих деталях и остановлюсь.

Для начала возьмём одну вокальную дорожку. С хором или аккордом задача была бы другой. Небольшие функции на C++ покажут отдельные расчёты, а пример на Python можно запустить целиком: он меняет высоту звука, сохраняя длину записи.

Доброго времени суток! Меня зовут Кирилл Андреев. Я занимаюсь разработкой мобильного приложения Aisha, ИИ-репетитора английского языка для разговорной практики. Мы --российская компания, поэтому нам приходится иметь дело со всеми ограничениями российской юрисдикции. Некоторые магазины применяют ограничения для компаний из России. Российские Visa и Mastercard не работают за рубежом. 

По данным Mediascope за декабрь 2024 года, которые приводят «Ведомости», месячная аудитория Google Play составляла 80 млн человек, RuStore — 50 млн, Xiaomi Mi Store — 19 млн, Samsung Galaxy Store — 14 млн, Huawei AppGallery — 10 млн. По более свежим данным Mediascope, опубликованным RuStore, в июле 2026 года аудитория RuStore достигла 68,4 млн человек. На мой взгляд эти цифры полезны как ориентир по охвату, а регулярный поиск и скачивание приложений они описывают слабо.

У нас сейчас работают приложения в RuStore, Google Play, App Store и Huawei AppGallery. Мы неудачно пробовали разместиться в Samsung Galaxy Store. Эта статья про наш личный опыт.

Бесплатная расшифровка без облака: черновик субтитров сразу во встречу, чистовик после встречи в хорошем качестве

В прошлой части я выяснил, что модель T-one даёт живые субтитры с задержкой около секунды, но не ставит точки и заметно уступает облаку. В этот раз я поставил за ним вторую модель: после звонка GigaAM переписывает черновик начисто. На 2 ч 21 мин моих рабочих созвонов чистовик исправил 11,9% слов черновика и испортил 1,5%, а на записи, которую я переслушал вручную, вышел на уровень Deepgram. По дороге выяснилось, что эталон ошибался в каждом четвёртом спорном месте, а каскад со второй моделью, который хорошо работал у коллеги, у меня сделал только хуже. Внутри схема двух проходов, таблицы, расчёт денег и описание с ссылками в репо, чтобы повторить.

У меня есть ИИ-агент Андреич. Он берёт трубку на моей телефонной линии, отвечает в чате на сайте и сидит в Telegram. На днях он переехал ещё и в вырез экрана макбука, который в народе зовут чёлкой. Там он стал пушистым 3D-енотом. Слушает меня весь день, ведёт протокол, вытаскивает из болтовни задачи и по моему «ок» отправляет их в нужную сессию Claude Code. Заодно показывает, сколько недельного лимита подписки можно потратить сегодня.

Приложение открытое, лицензия MIT. Внутри Swift без Xcode и three.js, около 4900 строк. От первой просьбы до публикации на GitHub прошли сутки, и весь код написан в диалоге с Claude Code. Руками я не правил ни строчки. Ниже о том, как оно устроено, и о трёх местах, где я наступил на грабли. Самые дорогие из них стоили мне часа записи: распознавание речи отвалилось молча, а микрофон продолжал гореть.

У меня китайский проектор на Android TV. Картинку он выдает отличную, но пульт к нему самый обычный: без микрофона. Каждый раз вбивать стрелочками по буквам в экранную клавиатуру название фильма меня достало где‑то на второй день. Вправо, вправо, вниз, буква «О», влево, «К»... Опечатался: стирай половину слова и набирай заново.

Приложения с каталогами вроде Lampa отличные, когда ты сам не знаешь, что глянуть, и хочешь полистать постеры под еду. Но когда ты уже точно знаешь, что хочешь посмотреть условную четвертую серию второго сезона «Пацанов» в Кубике, тыкать пультом по меню пять минут откровенно в лом.

В той же комнате стоит Яндекс Станция, а рядом пристроился тихий мини‑ПК. На нем у меня уже крутился проверенный набор: Prowlarr для поиска по трекерам и TorrServer для стриминга торрентов прямо в память.

Появилась логичная мысль: все нужные железки уже есть под рукой, почему бы не связать их вместе? Чтобы можно было просто плюхнуться на диван и сказать вслух: «Алиса, включи Рика и Морти от Сыендука», после чего кино сразу начнется на экране.

Казалось бы, делов на вечер: поймать вебхук от Алисы, найти раздачу, скормить в TorrServer и открыть плеер на проекторе. Но на практике вылезла пачка интересных нюансов, о которых и хочу рассказать.

Код проекта я выложил на GitHub, ссылка в конце статьи.

Наша программа для диктовки Glas работает на GigaAM-v3. С обычной русской речью модель справлялась хорошо, а на IT-терминах спотыкалась. Docker превращался в «докер», Python — в «Пайтон». Иногда исчезали целые слова: живую фразу «Мой ИИ редко ошибается» модель записала как «Мои редко ошибается».

Мы дообучили рабочую модель на 25 часах живой речи. На 525 отложенных коротких записях WER снизился с 8,81% до 5,76% — примерно на 35% относительно исходного значения. Доля правильно написанных терминов выросла с 43,8% до 86,7%. Скорость почти не изменилась.

Это версия 0.01, пока бета. Есть и ухудшения: модель чаще пропускает слова, а на обычной речи хуже воспроизводит регистр и пунктуацию. К тому же тест размечен тем же автоматическим конвейером, что и обучение, с выборочной ручной проверкой. Часть выигрыша может объясняться совпадением стиля разметки.

На недавнем мероприятии Сбера выиграла колонку Салют мини и решила сравнить её с имеющейся Марусей Нео. По цене они сопоставимы. Я сделала субъективное сравнение и в данной статье не лезла в ЦА, распространённость, долю... Поделилась только своими критериями и восприятием.

Привет! Меня зовут Маша, я Senior Product Manager и разбираю только те продукты, над которыми сама хотела бы поработать, так как ими пользуюсь, люблю и вижу, где есть потенциал роста. Мне драйвово искать для них решения, которые выводят продукт на новый уровень не только по деньгам, но и по UX и любви пользователей. Мои разборы: «Рейтинг ни на что не влияет»: Почему Яндекс.такси выбирает газлайтинг вместо честного UX и 8% рынка колонок и 15 способов сказать «не знаю»: как VK заменила развитие Маруси юмором.

У моего голосового ИИ-администратора Айки был голос на Yandex Realtime, но не было лица. Я добавил его поверх уже работающего голоса: сервис аватара получает готовый звук и двигает под него губами.

Сравнил Simli и Anam на одном портрете и одном голосе. По дороге разбирался с паузой перед ответом, запуском видео на iPhone и с тем, что на моём мобильном интернете без VPN видео не подключилось. Для второго персонажа выяснилось, что портрет выглядел фальшиво не из-за лица, а из-за пустого фона за ним.

А при проверке перед публикацией нашлась гонка в отмене подключения, которую я пропустил.

Открытые модели против облака: T-one, GigaAM или Deepgram: что реально тянет обычный CPU для живых субтитров в звонке

Мне понадобились живые субтитры на русском в звонке один на один, и я захотел уйти с облачного Deepgram на свой сервер. Поставил стенд и прогнал T-one от Т-Банка, GigaAM от Сбера и Vosk на обычном CPU, на колл-центре и на получасовой живой сессии. Главный вывод оказался не про модели: один и тот же код на двух серверах с похожим числом ядер дал разницу в ёмкости в разы. Внутри замеры качества и задержки, грабли, расчёт окупаемости и открытый код стенда с зондом, который за минуту покажет, сколько потянет ваш сервер.

Не так давно мы писали обнову нашего публичного синтеза, silero-tts. В прошлый раз мы завезли постановку вопросов.

В этот раз доехало аж несколько новых фич:

Я пишу книги, и кроме самих книг за день набирается много другого текста: сообщения, письма, задания нейросетям. Говорить быстрее, чем печатать, поэтому большую часть этого я диктую. Только живая речь, записанная слово в слово, читается плохо. Вот фраза, которую Whisper распознал без единой ошибки:

Голосового агента выдаёт не голос. Современный синтез звучит прилично, и на связке телефонной линии с её 8 кГц разница между хорошим и отличным TTS вообще теряется. Выдаёт другое: как он читает числа.

«Привезём 15.07.2026» в устах робота превращается во что угодно — от «пятнадцать точка ноль семь» до бодрого чтения даты как дроби. Телефон, прочитанный как одно десятизначное число, невозможно записать со слуха. И каждый такой момент — это секунда, в которую собеседник вспоминает, что говорит с программой.

При этом из всех маркеров робота этот — самый дешёвый в устранении. Ниже — библиотека на 155 строк с одной зависимостью, которая закрывает даты, телефоны, деньги, проценты и номера заказов для русского языка. Код целиком в статье, забирайте. А заодно — три ловушки, в которые я наступил, пока её писал, включая баг, который нашёл прямо в процессе подготовки этого текста.

В салонах красоты администраторы вручную обрабатывают записи клиентов к специалистам. Если сотрудник занят или отлучился, пропущенный звонок превращается в упущенную выручку.

В статье соберём решение, которое автоматически записывает клиентов к мастерам по телефону без участия персонала.

В прошлой статье я рассказывал, как подружить колонку «Маруся» с Home Assistant через DIY Hooks: пишем руками YAML со списком устройств и HTTP-запросами, вставляем туда адрес Home Assistant и долгосрочный токен, заливаем через приложение «Маруся» на телефоне и дальше немножко шаманим, пока кнопка «Удалить» не превратится в кнопку «Выбрать». В конце я написал, что было бы неплохо иметь интеграцию, которая сама генерирует эти файлы и выкладывает их на vc.go.mail.ru, — тогда и статья была бы не нужна. Прошло четыре с лишним года, никто такую интеграцию не написал, поэтому пришлось самому. Статья, как видите, всё равно понадобилась, но теперь она про то, как поставить одну интеграцию и больше в приложение не заходить.

На старый немецкий кнопочный телефон FeTAp я установил аудиоплату на ESP32 и связал ее со своим ассистентом на Raspberry Pi. Теперь достаточно снять трубку, как на другом конце отвечает ИИ, с которым можно разговаривать почти как по обычному телефону.

Я не программист. Я модель и писатель. Мне просто надоело печатать, поэтому я попросил ChatGPT помочь сделать собственную голосовую диктовку для Windows. С какими сложностями столкнулся и что из этого вышло?

Шахматы кажутся почти идеальной игрой для голосового интерфейса: состояние компактное, правила формальны, допустимых ходов конечное число. На практике всё ломается о распознавание коротких шахматных координат и необходимость безопасно восстановить намерение игрока. Рассказываю, как мы разделили правила и движок, уложили Stockfish в жёсткий дедлайн и сделали всю партию доступной без экрана.