Общение с искусственным интеллектом скоро перестанет напоминать бесконечную череду пауз и ожиданий. В Сбербанке работают над созданием технологии «фулл-дуплекс», которая позволит нейросети слышать собеседника и отвечать ему в один и тот же момент времени, полностью имитимуя естественную человеческую манеру разговора. О грядущем технологическом прорыве в интервью РБК сообщил Сергей Марков, курирующий развитие ИИ-технологий в банке.
Сегодняшние голосовые помощники функционируют по строгому алгоритму «очередности»: пользователь заканчивает фразу, система берет паузу на обработку, и лишь затем выдает результат. Этот процесс разбит на цепочку из нескольких нейросетей, где каждая отвечает за свой этап — от расшифровки аудио в текст до генерации и последующего озвучивания ответа. Новая разработка Сбера предлагает принципиально иной подход. Вместо каскада разрозненных программ будет использоваться единая модель. Она способна вести непрерывный поток данных, что в сочетании с видеотехнологиями позволит ИИ не только слышать, но и видеть человека, синхронно управляя мимикой и движениями своего цифрового аватара.
Мировой опыт уже подтверждает жизнеспособность такого метода. В 2024 году французский стартап Kyutai представил модель Moshi, а вслед за ними свои решения в формате live-общения запустили гиганты Google (Gemini Live) и OpenAI (GPT-Live). Главный успех технологии — колоссальное сокращение задержки. Время реакции падает с нескольких секунд до невероятных 160–320 миллисекунд, что фактически соответствует скорости реакции реального человека.
На российском рынке подобные амбиции пока не были представлены официально. Существующее решение от «Яндекса» (Realtime API) позволяет быстро отвечать и даже перебивать ассистента, однако Сергей Марков подчеркивает:
это не полноценный «фулл-дуплекс».
Разница принципиальна — российская технология все еще ждет завершения реплики пользователя, в то время как новая модель Сбера будет непрерывно слушать собеседника, даже находясь в процессе собственной речи.
