Самый частый момент, когда нужна память, — это когда руки заняты делом. Вы пишете код, верстаете, готовите, ведёте встречу — и всплывает вопрос: «как мы решили это в прошлый раз?», «что я обещал клиенту?». Тянуться к клавиатуре, переключать окно, формулировать запрос — это сбивает поток. Голосовой доступ убирает этот барьер: спросил вслух — услышал ответ.
#Из чего состоит голосовой цикл
Голосовой ассистент — это не одна кнопка, а конвейер из трёх звеньев:
- Распознавание речи (STT) — ваш голос превращается в текст. Под капотом — движок семейства Whisper, который переводит фразу в запрос к памяти.
- Ход модели — текст уходит в тот же чат с памятью, что и при печати: тянется кросс-чат recall, факты о вас, контекст дня. Ответ формируется ровно так же, как в текстовом режиме.
- Синтез речи (TTS) — ответ озвучивается обратно. Можно настроить голос и скорость под себя.
Важно: это тот же ассистент, что и в чате, просто с другим вводом-выводом. Память, инструменты, режимы — всё общее. Голос — это интерфейс, а не отдельный урезанный бот. Что именно происходит на среднем звене конвейера, разобрано в статье про чат с памятью и bi-temporal факты, а если голосовой вопрос касается вашего дня — контекст берётся из записи экрана как памяти ИИ.
#Hands-free и перебивание
Два свойства превращают «голосовой ввод» в по-настоящему удобный режим:
- Hands-free — ассистент слушает непрерывно и сам определяет, когда вы закончили фразу (по паузе), без необходимости каждый раз жать кнопку. Можно работать руками и говорить.
- Перебивание (barge-in) — если ассистент начал длинный ответ, а вы уже поняли суть или хотите уточнить, достаточно заговорить: озвучка обрывается, и он слушает вас. Как в живом разговоре, где не нужно ждать, пока собеседник договорит.
Без перебивания голосовой режим раздражает: приходится дослушивать. С ним — это диалог, а не монолог автоответчика.
#Два транспорта: браузер и агент
Голос работает на двух уровнях, и они дополняют друг друга:
- В браузере. Прямо на странице чата: микрофон распознаёт речь, ответ озвучивается синтезатором браузера. Удобно, когда вы за компьютером и открыта вкладка. Учтите, что качество и набор голосов здесь задаёт браузер и операционная система, а не мы.
- Через агента на устройстве. Тот же агент, что захватывает экран, может слушать и отвечать голосом в фоне — даже когда вкладка не активна. Здесь движки распознавания и синтеза ставятся на само устройство, и звук не покидает машину.
Выбор транспорта — за вами: для быстрого вопроса хватит браузера, для постоянного hands-free-компаньона лучше агентный режим.
#Где здесь граница приватности
Голос — чувствительная штука: это буквально ваша речь. В агентном режиме движки распознавания и синтеза работают на вашем устройстве, а запрос идёт к вашей же локальной памяти — постоянно слушающего облачного микрофона в этой схеме нет.
Но граница ровно та же, что и в текстовом чате, и о ней стоит помнить: распознанный текст вместе с подтянутыми фрагментами памяти уходит в ту модель, которую вы подключили. С локальной моделью через Ollama он остаётся на вашем железе; с облачным ключом уходит выбранному провайдеру. Локальным здесь остаётся звук, а не обязательно смысл сказанного. Как собрать полностью офлайновую связку — в гайде по подключению Ollama к Persona.
Честная оговорка про качество: распознавание зависит от модели Whisper и микрофона, а синтез звучит по-разному на разных системах. Это инженерные параметры, которые настраиваются, а не магия из коробки.
Второй источник разочарования — не распознавание, а сама модель, которая отвечает. Голосом особенно раздражают длинные и путаные ответы, поэтому под hands-free разумно брать модель, которая укладывается в короткий формат: критерии выбора — в разборе какую модель выбрать под свою задачу. А если ответы кажутся бестолковыми независимо от режима, сначала проверьте настройки, а не модель — порядок диагностики в статье когда виновата не модель.
#Как начать
- Откройте чат и включите голосовой режим (кнопка микрофона).
- Для постоянного hands-free — настройте агента на устройстве: распознавание и синтез ставятся локально.
- Выберите голос и скорость озвучки под себя.
- Спросите вслух что-нибудь из своей истории — и проверьте перебивание, оборвав ответ на полуслове.
#Частые вопросы
#Работает ли голосовой режим полностью офлайн?
В агентном режиме распознавание и синтез выполняются на устройстве, поэтому звук офлайн. Полностью офлайновым весь цикл становится только при локальной модели: с облачным ключом распознанный текст всё равно уйдёт провайдеру. Проверить просто — отключите сеть и задайте вопрос голосом.
#Ассистент слушает всё время?
В hands-free-режиме микрофон действительно открыт и ждёт вашей фразы — это условие работы без кнопки. Если такой режим вам не подходит, используйте вариант с явным нажатием: он менее удобен, зато микрофон включается только на время вопроса. Решение здесь за вами, а не за настройкой по умолчанию.
#Почему распознавание путает термины и имена?
Модели распознавания плохо справляются с редкими именами собственными, аббревиатурами и смешанной русско-английской речью — это общее свойство, а не дефект конкретной сборки. Помогает более крупная модель Whisper и нормальный микрофон вместо встроенного. Полностью проблема не снимается.
#Можно ли выбрать другой голос для ответов?
Голос и скорость настраиваются. В браузерном режиме доступный набор голосов определяется браузером и системой, поэтому на разных машинах он разный; в агентном режиме — тем, что установлено на устройстве. Единого «фирменного» голоса, одинакового везде, у нас нет.
#Голос доступен участникам общей копии или только владельцу?
Голосовой доступ входит в набор функций для любого зарегистрированного пользователя — вместе с чатом, памятью, графом и навыками. Захват экрана и звука, таймлайн и брифинги остаются только у владельца инстанса.
#Заменяет ли голос текстовый чат?
Нет, и не стоит на это рассчитывать. Голос выигрывает в коротких вопросах к памяти, когда руки заняты, и проигрывает во всём, что требует точности формулировки, кода, ссылок или длинного ответа, который хочется перечитать. Разумный сценарий — держать оба режима и переключаться по ситуации.
#Вывод
Голос — не гаджет ради гаджета, а способ обращаться к памяти в те моменты, когда печатать невозможно. Если ваши вопросы к ассистенту короткие и возникают на ходу — включайте hands-free с локальными движками и не забывайте про перебивание. Если вам нужны длинные точные ответы с кодом и ссылками — оставайтесь в тексте: голос здесь только замедлит.