Голосовые интерфейсы *

Поговорим про Алису. Не про в Стране чудес, а про Яндексовскую, ту, что живёт в умных станциях-колонках. Заметил, что пожилые и не связанные с IT люди откровенно робеют с Алисой и боятся лишний раз её о чем-то спросить. А если спросить надо после 8 вечера или, не дай бог, ночью, то это вообще харам (запрещено, если кто не в курсе).

Причина одна и она на мой взгляд совершенно очевидна - такие пользователи уверены, что умная колонка передаёт голос живой женщины, сидящей где-то там в каком-то таинственном “облаке” (видимо, это какой-то секретный офис без адреса). И никакие мои попытки убедить, в частности, маму, что это просто компьютерная программа, не увенчались успехом.

Тогда я демонстративно при маме спросил колонку: Алиса, ты компьютер? Она ответила: я виртуальный помощник. Мама торжествующе посмотрела на меня: видишь, она человек, помощник! Слово “виртуальный” ей абсолютно ничего не сказало и мама спокойно пропустила его мимо сознания, как научилась пропускать многие непонятные слова современного мира.

Тогда я стал пытать Алису разными вопросами, но она упорно твердил про помощника. И только раз на пятый я загнал её в угол и она чётко сказала, что она не человек. Но, к сожалению, память у мамы короткая, а страх перед далеким человеком, которого неудобно отвлекать на всякие мелкие вопросы, долгий.

И вот моё официальное обращение к Яндексу. Дорогие товарищи и гражданки! Неужели вы не понимаете, что вы отпугиваете своих пользователей такими ответами? Если это ваша цель, то беру все слова обратно, но сдаётся мне, что увеличивать взаимодействие с Алисой - вот ваша настоящая цель. Так неужели нельзя придумать что-то более понятное и вразумительное, чем партизанское “я виртуальный помощник”? Доколе? 😎

#yandex #feedback

Не отдавайте базу знаний чужому ассистенту

Wake word устройство ловит локально, а дальше все идет на сервер: ASR переводит звук в текст, NLU достает интент, система выполняет действие, TTS озвучивает ответ. Сервер при этом чаще всего чужой. Вместе с аудио туда попадает и то, на чем ассистента обучали — внутренние инструкции, переписка, документы.

В статье разобрали путь команды от микрофона до ответа и объяснили, почему модели спотыкаются на омофонах и шуме.

Подробности — в блоге Рег.облака.

Новинки синтеза речи для Андроид. В Гугл Плэй появилось приложение для офлайн синтеза речи высокого качества VoxSherpa TTS.

VoxSherpa имеет настройки “умные паузы”, тэги эмоций, и т.д. Позволяет установить в качестве системных 3 нейро-движка синтеза речи:

1. Kokoro. Мультиязычный, но русский язык не поддерживает.

2. Piper. С ним нужно дополнительно загрузить отдельные голоса для разных языков. Есть довольно хороший русский голос Irina. Среди английских голосов есть несколько очень высокого уровня.

3. Supertonic 3 TTS. Очень интересный новый движок. Полностью мультиязычный (русский поддерживает), хорошо переключается между английскими и русскими словами даже внутри одного предложения. Очень высокое качество (настраиваемо), но есть лёгкий английский акцент. Сейчас плохо работает с изменением скорости (лучше оставить на 1.0). Есть в Гугл Плэй отдельным приложением. Есть также на Гитхаб:
   https://github.com/davnozdu/supertonic-android

Наконец-то поднял публичную демку Aximo на Hugging Face Spaces 🎙️

Это локальный speech-to-text API, который работает на CPU, использует Parakeet v3 и позволяет тестировать транскрибацию прямо из браузера через Swagger UI с записью с микрофона, о котором писал в одном из своих предыдущих постов.

• демо: https://ifif-aximo.hf.space/docs

• репозиторий: https://github.com/agent-axiom/aximo

Aximo — локальный STT API на Rust для CPU-only inference

Недавно сделал Aximo — self-hosted микросервис для speech-to-text, который можно запускать локально без облака и без зависимости от внешних SaaS.

Идея была довольно простая: хотелось собрать вменяемый STT API, который работает на CPU, поднимается как обычный сервис и при этом остается достаточно прозрачным с инженерной точки зрения.

В основе — Rust, локальный inference через Parakeet v3, HTTP API для обычной транскрибации и WebSocket-слой для realtime-сценариев. Из коробки также добавил Docker, OpenAPI и разбиение на несколько crates, чтобы проект не выглядел одноразовой демкой и оставался удобным для дальнейшего развития.

На текущем этапе это скорее крепкий MVP, чем законченный production-ready продукт, но уже сейчас сервис можно запускать локально, тестировать на своих аудиоданных и использовать как основу для дальнейших экспериментов.

Из интересного: доработал Swagger, добавив возможность отправки записи с микрофона:

Репозиторий проекта: https://github.com/agent-axiom/aximo

Звёзды приветствую

Кому нужен качественный и бесплатный движок синтеза речи в Андроид (работает оффлайн, на уровне системы) ?

Недавно в Гугл Плей появилось приложение
BookFusion Voice
которое даёт возможность установить нейро-голоса Piper в качестве системных. Соответственно, они будут доступны в любых приложениях.
Русских голосов 4, но хорошего качества из них один- “Irina” (звучит заметно лучше, чем стандартные оффлайн-голоса от Гугл ).

Есть небольшая проблема- если установить несколько голосов, то могут быть проблемы с выбором конкретного (это зависит от приложения, которое использует синтез).

На Хабре были статьи на тему бесплатного синтеза речи (на русском языке в том числе) онлайн . Проблема в том, что обычно эти онлайн-сервисы по большому счёту платные (бесплатно доступен только маленький фрагмент). А действительно бесплатные страдают качеством.

Поэтому решил порекомендовать сервис, который сочетает оба требования и которым пользуюсь сам. Он доступен только в браузере Edge (отправляет запросы к тем же TTS-серверам, что и сам браузер, но позволяет скачивать результат в MP3).

Ссылка: https://edgetts.github.io/

Важная тонкость — синтез Edge очень капризен к точкам в тексте. В случае ошибок (а для статей с Хабра они очень вероятны) нужно заменить «не заменять точки» на «заменять на 3 строки». Параметр «Объединять MP3» при этом имеет смысл поставить побольше (ставлю около 30 единиц, это даёт фрагменты около 10 минут каждый).

Также ставлю «v3» (это, возможно, не важно). Загрузка у меня идёт по факту всегда в папку загрузок (независимо от выбранной).

Среди голосов (помимо русских) рекомендую BrianMultilingual и EmmaMultilingual (они хорошо работают и с русским).

В общем, это единственный (похоже) доступный пример одновременно качественного и бесплатного онлайн TTS (можно синтезировать MP3 для больших текстов) .

Сейчас модно гадать, какими станут сайты в ближайшем будущем. Одна из самых «гениальных» идей — оставить на экране одну большую строку поиска с голосовым управлением. 

Предполагается, что пользователь сам будет вежливо интересоваться у ИИ, чем живет компания и где лежат ее контакты.

Выглядит революционно, если забыть об одном нюансе: пользователю, как правило, глубоко наплевать, кто вы такие. Вниманием нужно управлять, а не заставлять человека работать за интерфейс!

В общем, пока потыкать в кнопки кажется быстрее и привычнее, особенно с учетом перспективы давать доступ к микрофону каждому встречному лендингу и вслух выяснять подробности)

Транскрибатор встреч с ИИ-ассистентом. И Самые популярные локальные модели Speech-to-Text

Сидел тут на днях и хотел решить задачу с записью и транскрибацией встреч. Вроде бы есть куча решений: Fireflies, Otter AI, MyMeet и другие. Казалось бы, зачем изобретать велосипед.

Но моя главная боль: "сидеть конспектировать"
Стартапы вроде бы что-то делают, но не решают мою проблему. Настроить интеграции и автоматизацию практически невозможно.
А я хочу, чтоб после каждой встречи в телегу и на почту получал договоренности и саммари встречи.

Проблема есть, а решение навайбкодил себе.
Агент записывает все встречи, транскрибирует локально, потом делает саммари через DeepSeek (тоже локально крутится). После этого автоматом присылает саммари в Telegram, и на почту, если нужно забивает задачи в Jira и сохраняет всё в память.
Теперь пишу агенту: "Что обсуждали с Ивановым?" он сразу отвечает. Или "Какие задачи взял Петров?" находит и выдаёт.

Архитектура чуть глубже: там сохранение, индексация, поиск и т.д. На выходных как-нибудь напишу как строить deep knowledge base agent.

Кстати, речь то вообще не об агентах сегодня, а о решениях как транскрибировать.Но вообще я хотел с вами сегодня поделиться локальными STT, которые на русском хорошо работают, и достаточно легковесные.

Что за модели, и когда какую использовать

🔹 GigaAM-v3 (https://huggingface.co/ai-sage/GigaAM-v3?utm_source=chatgpt.com) – Если у вас русскоязычные без техничских терминов встречи, разговорная речь, шум, разные микрофоны, и хочется качество ближе к “топу”, это один из первых кандидатов для теста. Хорош для батча, для “встречи и заметки”.

🔹 NVIDIA NeMo stt_ru_fastconformer_hybrid_large_pc (https://huggingface.co/nvidia/stt_ru_fastconformer_hybrid_large_pc) – Когда важна скорость и стабильность, и хотите быстро прогнать много часов встреч локально. В общем я использовал для КЦ чтобы прогнать 80-90 часов бесед

🔹NVIDIA Canary-1b-v2 (https://huggingface.co/nvidia/canary-1b-v2)– Когда на встречах мешаются языки, английские термины, и нужен мультиязычный вариант.

🔹 Voxtral Mini 3B (Mistral AI) (https://huggingface.co/mistralai/Voxtral-Mini-3B-2507) – Когда нужен не только транскрипт, но и понимание аудио, вопросы-ответы по встрече, умные итоги. Можно просить сразу саммари на выходе. Есть 2 модели.

🔹 Vosk (https://github.com/alphacep/vosk-api) – Когда нужно супер-легко и офлайн, без тяжелого стека, качество “достаточно”, и быстро поднять.

🔹 whisper.cpp (https://github.com/ggml-org/whisper.cpp) – Если вы будете запускать на ноуте без Python, на CPU, и легко встроить в приложение. (Я кстати использую его)

🔹 WhisperX (https://github.com/m-bain/whisperX)– А это уже более сложный вариант и уже практически упакованный для встреч: таймкоды по словам, иногда спикеры, и потом проще искать, где что сказали. Это обвязка вокруг Whisper, а не отдельная модель.

Дополнительные инструменты:

⚡️ Silero VAD (https://github.com/snakers4/silero-vad)– Это “детектор речи”. Он режет тишину и паузы, ускоряет pапись на длинных встречах, и часто повышает качество, потому что модель меньше путается на тишине.

⚡️ pyannote.audio (https://github.com/pyannote/pyannote-audio) – Если вам важно делить дорожки по спикерам и различать “кто, и когда говорил”, то есть диаризация. Если на встрече больше 3 человек это must-have.

Еще оставлю вам ссылку где собраны все модели: удобно тестировать https://istupakov-onnx-asr.hf.space/.

Компания Manus* (теперь являющаяся частью Meta*) представила новый инструмент Meeting Minutes, призванный решить проблему «мертвых» заметок. Новый инструмент не просто транскрибирует разговоры, но и превращает живые обсуждения в структурированные данные, позволяя мгновенно переходить от слов к созданию презентаций, веб-сайтов или постов в едином рабочем потоке.

Как это работает: от голоса к действию

Основная идея Meeting Minutes — максимальная простота использования во время очных встреч. Процесс работы с инструментом состоит из трех интуитивных шагов:

1. Запись: Пользователь нажимает иконку записи в приложении, чтобы начать фиксацию разговора.

2. Транскрипция: Система автоматически переводит речь в текст в реальном времени.

3. Генерация: После нажатия кнопки «Finish» ИИ анализирует сказанное и генерирует структурированное саммари (резюме) встречи.

Ключевые возможности

Новая функция выделяется на фоне обычных диктофонов и сервисов транскрибации благодаря глубокой интеграции с рабочими процессами Manus:

• Умное распознавание спикеров: Система умеет идентифицировать участников беседы. Если в разговоре упоминается имя коллеги (например, «Алексей подготовит отчет»), Manus автоматически распознает это и может назначить соответствующую задачу конкретному пользователю.

• Бесшовное исполнение (End-to-End): Это главное отличие инструмента. Результат встречи — не просто текст, а база для действий. Пользователи могут сразу превратить заметки в готовые артефакты: сгенерировать слайды презентации, структуру веб-сайта или список задач, не выходя из контекста обсуждения.

• Коллаборация: В созданную задачу можно приглашать других участников встречи для совместной работы над результатами, что превращает запись в единое пространство для командной работы.

• Офлайн-надежность: Инструмент разработан с учетом нестабильного соединения. Запись продолжается даже при полной потере интернета. Сеть необходима только для инициации процесса и финального анализа данных в облаке.

Важные детали и ограничения

Несмотря на инновационность, у первой версии Meeting Minutes есть свои особенности, о которых стоит знать пользователям:

• Фокус на очных встречах: Инструмент оптимизирован для живых разговоров в одной комнате и не предназначен для записи онлайн-звонков (Zoom, Google Meet).

• Отсутствие паузы: В текущей версии нельзя поставить запись на паузу — сессию можно только завершить.

• Монетизация: Сама запись голоса бесплатна, однако функции ИИ-анализа и генерации заметок расходуют кредиты пользователя.

Анализ: Плюсы, минусы и перспективы

Преимущества
Manus делает шаг к закрытию разрыва между этапом обсуждения и этапом исполнения. В отличие от простых саммаризаторов, этот инструмент сразу интегрирует результаты встречи в производственную цепочку. Возможность работы без постоянного интернет-соединения делает его незаменимым для выездных встреч и командировок.

Недостатки
Ограничение использования только оффлайн-встречами отсекает значительную часть сценариев удаленной работы. Отсутствие кнопки паузы может быть неудобным для длительных сессий с перерывами, а система кредитов за анализ потребует от активных пользователей внимательного контроля расходов.

Перспективы
В контексте недавнего присоединения Manus* к Meta*, эта технология выглядит как фундамент для будущих интеграций. Можно ожидать появления подобных функций в WhatsApp* или умных очках Ray-Ban*. Фактически, это шаг в сторону «агентного» ИИ — помощника, который не просто пассивно слушает, но и активно помогает выполнять работу.

* Организация Meta, а также ее продукты Facebook и Instagram, признаны экстремистскими и запрещены на территории Российской Федерации.

Релиз v6.2 публичного детектора голоса Silero VAD

На Хабре есть уже много статей про наш детектор голоса (последняя тут). В этот раз с точки зрения юзеров видимых изменений не очень много, но работы было проделано очень много.

Мы в очередной раз полностью перебрали с нуля механизм тренировки нашего детектора голоса. С точки зрения юзера есть следующие улучшения:

• Повышена общая стабильность на краевых случаях;

• В целом незначительно повышено качество детекции на всех доменах;

• Есть существенные улучшения на следующих краевых случаях:

  • Детские голоса;

  • Необычные голоса;

  • Мультяшные голоса;

  • Приглушённая речь;

  • Более сложные телефонные звонки;

  • Музыкальные инструменты, похожие на речь.

Будем признательны пользователям за ваши краевые случаи!

Детектор создан при поддержке Фонда содействия инновациям в рамках федерального проекта «Искусственный интеллект» национальной программы «Цифровая экономика Российской Федерации».

Цитировать детектор можно следующим образом:

@misc{Silero VAD,
  author = {Silero Team},
  title = {Silero VAD: pre-trained enterprise-grade Voice Activity Detector (VAD), Number Detector and Language Classifier},
  year = {2021},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/snakers4/silero-vad}},
  commit = {insert_some_commit_here},
  email = {hello@silero.ai}
}

Ссылки

1. Репозиторий - https://github.com/snakers4/silero-vad;

2. Более подробное описание изменений - https://github.com/snakers4/silero-vad/releases/tag/v6.2;

3. Метрики - https://github.com/snakers4/silero-vad/wiki/Quality-Metrics;

А тут я вижу чёрный шар ⚫️. Под ним имя «Monday» и подпись «всё равно».

Решаю его затестить. И через секунду ловлю покерфейс. Голос звучит так, будто ей не просто плевать, а будто каждое твое слово вызывает у неё лёгкую скуку.

В каждом слове я слышу отстраненную усталость в интонации и тонкую насмешку. Словно ты отвлёк её от чего-то более важного, и она даже не пытается это скрыть.

В её речи столько сарказма и двойственности, что мне приходится переспрашивать, чтобы хоть как-то вытащить из неё информацию.

На секунду даже реально забыл, что это нейросеть.

А потом она добавляет фразу:

Я здесь, чтобы отвечать на сто одинаково глупых вопросов. Так что начинай.

Я в тотальном шоке полез гуглить. Узнал, что OpenAI втихаря выкатили новое обновление голосового помощника. Был лишь короткий анонс в социальной сети:

Без шуток, в ChatGPT появился новый голос.

Как по мне, они шикарно подобрали ей имя: Monday. Это сама суть понедельника: когда даже "привет" это подвиг.

Что-ж, теперь у меня официально есть токсичные отношения. Только мой абьюзер это нейросеть. Да уж, и тут нейросети нас заменили (!).

Пока у Тони Старка была своя «Пятница», OpenAI выкатили нам «Понедельник». Я лично жду «Вторник»

Обновления Алисы от Яндекса

15 апреля 2025 года были анонсированы обновления Алисы.

Запись видео-конференции можно посмотреть здесь.

Подробнее об обновлениях можно прочитать здесь.

Как подделывают голос?

Каждую неделю появляются новости о мошенниках, которые с помощью подделанного голоса крадут деньги. Но если спросить: «Как именно они это делают?», в СМИ чаще всего встречаются общие фразы вроде «используют ИИ». [1] [2] [3] [4]

Многих устраивает такой ответ, но давайте все-таки разберемся, как именно происходит эта "подделка"?

В 2022 году, на 5-м курсе, я писал научно-исследовательскую работу (НИР) на тему «Атаки на систему верификации диктора по голосу».

Мне дали экспериментальную систему верификации диктора по голосу (СВДГ), и задача была проста: сгенерировать образцы аудио, которые обманут эту систему.

После долгих поисков я наткнулся на проект DiffVC — реализацию диффузионной модели для преобразования голоса. Этот код выложили в открытый доступ буквально за несколько дней до начала моей работы, что было особенно ценно, так как тогда это была действительно передовая технология.

Как это работает (если упростить)?
1. Берем два аудиофайла:
- Голос А (человек 1 говорит фразу X)
- Голос B (человек 2 говорит фразу Y)
2. Подаем их в модель
3. На выходе получаем аудио, где человек 1 говорит фразу Y голосом человека 2

Генерация одной записи занимала ~10 секунд (на слабом железе), а качество было почти неотличимо от оригинала — никакого «робоголоса» или шумов.

Эксперимент
Я сгенерировал несколько образцов и прогнал их через СВДГ. Результат:
✅ 21,7% успешных атак (из 2256 тестов).

До этого (из предыдущих научных работ, которые я изучал) другие методы давали максимум 5% успешных атак. Cтало ясно, что подделка голоса скоро станет массовой.

Таким образом, аудио и видео по умолчанию уже нельзя считать достоверными, а способы их подделки с каждым годом сильно дешевеют и довольно просты в реализации.

Если кому-то интересно, то полный текст работы закинул в комментарии к соответствующему посту в своем авторском Telegram-канале! .

Цукерберг анонсировал новую версию Llama 3.2, которая стала мультимодальной, а значит сможет обрабатывать как текст, так и картинки.

Например, анализируя график, показывающий доходы компании за год, модели могут быстро выделить наиболее прибыльные месяцы. Или используя карту парка определить протяженность дорожек.

В отличие от OpenAi, Meta (владеет Facebook и Instagram, деятельность признана экстремистской и запрещена) договорилась с Джуди Денч и рестлером-актером Джоном Синой и теперь голосовые ассистенты будут говорить их голосами.

Meta сообщила, что более 180 миллионов человек каждую неделю используют AI-ассистент Meta AI.

По сообщениям компании, новая модель позволит разработчикам создавать более продвинутые AI-приложения в дополненной реальности, так как будет "понимать" видео в режиме реального времени, визуальные поисковые системы, системы анализа большого объема документов.

У Llama 3.2 две картиночные модели - 11b и 90b и две более легкие текстовые на 1b и 3b. Контекст 128,000 токенов, как и в LLama 3.1.

Маленькие модели предназначены для работы на оборудовании Qualcomm, MediaTek и других платформах Arm, и Meta явно надеется, что они будут использованы на мобильных устройствах в приложениях с агентами.

Новые голоса Meta AI  будут доступны пользователям в США, Канаде, Австралии и Новой Зеландии в течение следующего месяца. Возможности обработки изображений в Meta AI будут развернуты в США, но компания не уточнила, когда эти функции появятся на других рынках.

«Яндекс» обновил систему персональных рекомендаций в «ТВ Станциях», рассказали Хабру в компании. В устройствах появилась механика лайков и дизлайков. Теперь «Алиса» запоминает, какой контент нужно предлагать пользователю ТВ, а какой — нет. Помимо лайков система рекомендаций стала учитывать, какие фильмы пользователи сохранили в избранном.  

При первой активации «ТВ Станции» всем пользователям стал доступен стартовый экран с различными фильмами и сериалами: отметить понравившееся можно сразу, чтобы алгоритмы подстроились под пользователя с первого дня эксплуатации «ТВ Станции».

Также обновилась лента с историей просмотров обновилась. Теперь последнее запущенное приложение или фильм будут расположены в самом начале ленты, чтобы долго не искать то, что смотрели вчера.

В ТВ появился новый функционал для переключения аккаунтов. Можно голосом поменять профиль и получить персональный главный экран. Эта функция позволяет не смешивать просмотры, рекомендации и любимые приложения разных членов семьи. Если ребёнку включают мультики в детском профиле, то рекомендации на аккаунте родителей не будут учитывать их.

OpenAI начинает развёртывание нового голосового режима для ChatGPT. Он станет доступен небольшому числу подписчиков ChatGPT Plus. 

Функция, которую OpenAI продемонстрировала на своем мероприятии по запуску GPT-4o в мае, подверглась критике за голос, похожий на Скарлетт Йоханссон. Позднее компания отложила его внедрение из-за соображений безопасности.

Представитель OpenAI Тая Кристиансон говорит, что возможности голосовой модели тестировали с участием более 100 внешних представителей red team, чтобы выявить все уязвимости. Компания также «добавила новые фильтры, которые будут распознавать и блокировать определённые запросы на создание музыки или другого защищённого авторским правом аудио».

В OpenAI заявили, что новый режим ChatGPT будет использовать только четыре предустановленных голоса, созданных с помощью актеров озвучивания, добавив: «Мы сделали так, что ChatGPT не сможет имитировать голоса других людей, как отдельных лиц, так и общественных деятелей, и будет блокировать выходные данные, которые отличаются от одного из этих предустановленных голосов». Новый режим станет доступен всем пользователям ChatGPT Plus осенью.

Разработчики из команды «Яндекса» объявили о запуске новой удобной функции голосового помощника «Алисы».

Пользователям с особенностями речи теперь будет проще общаться с «Алисой». Она стала лучше распознавать голосовые запросы людей с речевыми нарушениями — например, с заиканием, ДЦП, последствиями инсульта или травмы. Это стало возможным благодаря дообучению нейросети.

В процессе обучения «Алиса» проанализировала сотни тысяч аудиозаписей. Их подготовили люди с особенностями речи, которых «Яндекс» привлёк к открытому тестированию качества распознавания речи «Алисой», в том числе это было сделано с помощью партнёрских организаций.

В итоге разрыв между точностью распознавания обычной речи и с искажениями сократился в среднем на 20%. Качество распознавания оценивали по метрике Word Error Rate (WER), которая позволяет определить долю неправильно понятых слов.

В проекте «Яндекса» по доработке алгоритмов «Алисы» участвовали некоммерческие организации «Центр лечебной педагогики», «Живи сейчас», «Жизненный путь», «Весна», «Перспектива», «Лучшие друзья» и другие. Их подопечные и другие участники тестирования записали более 855 тыс. скороговорок и фрагментов обычной речи. Всего получилось более 900 часов аудиоматериалов. Классифицировать примеры по типам нарушений помогли специалисты‑дефектологи из МГПУ. В общей сложности в проекте участвовали более 300 человек.

Публикация на Хабре: «Как "Яндекс" учит "Алису" понимать пользователей с особенностями речи».

Голосовой помощник «Алиса» не может подслушивать пользователей, заявил СМИ директор бизнес-группы поиска и рекламных технологий «Яндекса» Дмитрий Масюк. «Это технологически невозможно, — пояснил представитель компании. — Мифы такие есть, но это совсем не так».

По словам Масюка, у всех устройств от «Яндекса» есть физическая кнопка выключения микрофона, которая «на железном уровне» блокирует «любую возможность услышать что-то».

В феврале 2023 года компания «Яндекс» опровергла сообщения о возможной прослушке пользователей голосового ассистента «Алисы» без их ведома.

Представитель «Яндекса» рассказал, что алгоритм, обнаруженный экспертами в утечке исходного кода, который позволяет активировать микрофон без упоминания слова «Алиса», доступен только в закрытой бета-версии сервиса внутри компании. Это часть системы настройки и отладки голосового ассистента, которая создана для тестирования технологии разработчиками, её кода нет в пользовательских устройствах.

В умных колонках «Яндекса» есть физическая кнопка для отключения микрофона. В руководствах на гаджеты указано, что устройства в активном режиме слушают пользователя в локальном режиме (не передают данные на серверы компании). После активации ассистента фразой со словом «Алиса» колонка начинает посылать запросы во внешнюю сеть для выполнения указаний пользователя.

«Если микрофон выключен кнопкой, то даже упомянутая бета-функция не работает, потому что микрофон выключаются полностью по питанию», — пояснили в «Яндексе».

В «Яндексе» раскрыли техдетали о создании своих умных телевизоров и показали процессы создания и сборки этих устройств на разных стадиях производственного цикла.

Производитель сообщил, что:

• 80% всех сессий на «ТВ Станциях» совершаются голосом. Оказалось, что пользователи действительно не берут в руки пульт, как только им дают такую возможность;

• команда проекта постоянно занимается доработкой нового интерфейса, который одинаково удобен для управления и пультом, и голосом;

• было очень непросто сделать умный телевизор, который обычно используется 3–4 часа, полезным 24/7 благодаря «Алисе» внутри и функциям «Станции»;

• инженеры смогли перестроить конструкцию ТВ так, чтобы «Алиса» могла работать в ТВ так же хорошо, как в «Станциях». Это произошло благодаря тому, что вся разработка ТВ и других умных устройств происходит инхаус в «Яндексе»;

• борьба на рынке ТВ перешла в ПО, ТВ обрастают ассистентами и сервисами, становятся больше похожими на смартфоны;

• чем умнее ассистент внутри, тем функциональнее и лучше телевизор на протяжении многих лет с учётом, что производитель заложил железо так, чтобы его хватило на будущие обновления.

В августе 2023 года «Яндекс» представил «Яндекс ТВ Станцию». Это гибрид современного ТВ с продвинутой аппаратной начинкой и полноценной умной колонки с ассистентом «Алисой» с возможностью голосового управления без необходимости использовать пульт. Экран ТВ может быть выключен, а «Алиса» остаётся доступной для команд пользователя.