На прошлой неделе смотрел презентацию стартапа. Продукт хороший, команда сильная — но когда дошло до демо, голосовой ассистент дважды ответил невпопад, и спикер просто перешёл к слайдам. Зал всё понял. Такое сейчас происходит постоянно: рынок голосовых ИИ раздулся, хайп прошёл, а реальное качество у всех очень разное. Разбирался, кто что умеет, кому это реально нужно, и на какие грабли наступают чаще всего.
Почему именно сейчас голос стал важнее клавиатуры
Клавиатура — это интерфейс 1970-х. Мы пользуемся ей, потому что альтернатив не было, а не потому что она удобная. Голосовой ввод для большинства задач быстрее в 3–4 раза, если система хотя бы на 80% адекватная. Проблема в том, что «на 80%» — это пропасть между «в целом неплохо» и «я больше никогда не буду это использовать».
В 2024 произошёл перелом. GPT-4o с голосовым режимом, Gemini 1.5 с расширенным контекстом и несколько нишевых игроков — все одновременно начали нормально понимать живую речь. До этого был бардак: распознавание одних акцентов лучше, других хуже, задержка между фразой и ответом раздражала, а памяти хватало на два предложения назад. Сейчас ситуация другая, хотя далеко не идеальная.
Большая пятёрка: кто есть кто
GPT-4o (OpenAI) — сейчас самый мощный универсальный голосовой ассистент. Понимает интонации, паузы, может перебивать — и адекватно реагирует. Умеет переключаться между текстом и голосом на лету. Минус: работает через приложение, нет встройки в ОС, и это чувствуется. Когда я пытался использовать его параллельно с другими задачами — постоянно терял контекст.
Gemini Advanced (Google) — интегрирован в Android, и это решает. Можно диктовать в любом поле ввода, разбираться в документе пошагово, задавать вопросы по содержанию. Качество ответов сопоставимо с GPT-4o, но голосовой режим менее натуральный — чувствуется, что разговариваешь с поисковиком, который научился говорить. Чуть дольше паузы, чуть меньше эмоциональной гибкости.
Pi (Inflection AI) — вот кого я не ожидал упомянуть, но стоит. Это ассистент, заточенный именно под голос. Не универсал, а специалист. Мягкая интонация, умеет слушать, не перебивает. Используют в основном для разговорной поддержки и как «живую подушку безопасности» — поговорить, обдумать вслух. Качество ответов ниже, чем у двух предыдущих, но как инструмент для процесса мышления — интереснее.
Apple Intelligence + Siri — тут боль. Siri в 2025 — это всё ещё Siri, только чуть-чуть умнее. Apple встроила ИИ-возможности в систему, и это работает: обобщения, рерайт, какие-то действия по команде. Но голосовой ассистент как таковой — разочарование. Понимает плохо, контекст теряет, и главное — Apple явно не хочет, чтобы ты разговаривал с телефоном. Они продают это как «интеллектуальный опыт», а не замену интерфейса.
Perplexity с голосовым режимом — для тех, кому нужен голосовой поиск с глубиной. Не ассистент для беседы, а ассистент для быстрых ответов на ходу. Понял запрос — выдал результат с источниками — всё. Минус: не умеет в длинные диалоги и сложные задачи.
Что реально работает: три кейса
Кейс 1: Юрист на удалёнке
Знакомый юрист использует GPT-4o Voice для первичного анализа документов. Читает контракт вслух, параллельно задаёт вопросы: «Тут стандартный пункт или нестандартный?», «Что рискованного в этом разделе?». Экономит примерно 40 минут в день на первичном скрининге. До этого печатал промпты вручную — разница колоссальная. Говорит, что качество зависит от настроения: если устал — задаёт расплывчатые вопросы и получает бесполезные ответы.
Кейс 2: Слепой пользователь
Не мой опыт, но рассказали в чате. Человек с нарушением зрения использует Gemini на Android вместо скрин-ридера для части задач. Диктует, получает ответы, уточняет. Говорит, что это не замена, а дополнение — где-то Siri с VoiceOver надёжнее, где-то ИИ-ассистент быстрее. Ключевое: не идеально, но уже значительно лучше, чем год назад.
Кейс 3: Мой личный факап
Хотел использовать голосовой ассистент для заметок во время чтения. Схема простая: читаю → диктую мысли → перечитываю. На практике три проблемы. Первая: нельзя делать паузы длиннее 10 секунд — а думать занимает время. Вторая: голосовые заметки потом нужно редактировать, и это занимает столько же времени, сколько я сэкономил. Третья: когда надиктовал 15 минут мыслей, обнаружил, что модель «усреднила» мои формулировки и потеряла полезную неточность. Вывод: для структурированных заметок текст всё ещё лучше. Для мозгового штурма — возможно.
Где всё ещё ломается
Первая проблема — длинные сессии. После 15–20 минут разговора большинство моделей начинают «забывать» ранний контекст или выдавать противоречивые ответы. Ни одна пока не умеет в полноценный многочасовой диалог без деградации.
Вторая — шум и акценты. С английским всё хорошо. С русским — хуже, особенно с носителями с акцентом или в условиях шума. Я тестировал на кухне с включённой вытяжкой — точность падает процентов на 30.
Третья — безопасность. Голосовые диалоги записываются, транскрибируются и хранятся. Политики конфиденциальности у всех разные, и мало кто из пользователей их читает. Корпоративный сектор это уже чувствует: несколько компаний, с которыми общался, запретили голосовые ассистенты в рабочих чатах из-за утечки данных.
Кому это реально нужно
Не всем. И это важно понимать без хайпа. Голосовой ИИ-ассистент сейчас — это мощный инструмент для людей, которые:
- Много работают с текстом и документы можно «проговорить»
- Хотят обдумать задачу вслух, а не в пустоту
- Нуждаются в быстром поиске без рук
- Готовы мириться с несовершенством ради скорости
Для остальных — обычный ChatGPT в браузере с клавиатурой пока быстрее и надёжнее. Я сам, честно говоря, использую голосовой режим от силы раз в неделю. Но вижу, куда это движется. Через
