Яндекс: быстрые голосовые команды в умных колонках Алисы

Компактная нейросеть весом от 0,5 до 1,5 МБ в зависимости от железа устройства распознаёт короткие команды («дальше», «тише») без обращения по имени. Архитектура близка к решению в наушниках Яндекс Дропс. Модель обрабатывает фиксированный аудиоконтекст слева и справа от фразы, причём около двух секунд предшествующего звука нужны, чтобы не срабатывать на посторонней речи. Для добавления новых команд («лайк», «дизлайк», «включи блютус», «выключи блютус») применён модульный подход Parameter-Efficient Fine-Tuning с параллельными ветками: одна ветка заморожена и держит качество старых команд, вторая обучается на новые, векторы активаций конкатенируются на каждом шаге. Обучение двухстадийное, чтобы модель не переобучилась на слово «Алиса», часто стоящее перед новой командой в реальных логах.

Вендор и технология: Яндекс, компактная сеть распознавания ключевых слов с модульным PEFT-расширением.

Добавление новых команд в единую модель рисковало деградацией уже работающих команд, и не было гарантий сохранения качества. В реальных логах перед новыми командами часто звучит слово «Алиса», из-за чего модель переобучалась на него.

• Добавлять новые команды без деградации старых

• уложиться в память и CPU устройства

• снизить ложные срабатывания

• сохранить знание базовой модели при обучении новой ветки

• обеспечить работу без обращения по имени

• Результаты

• Ложные срабатывания снижены примерно на 60%

• потребление CPU снижено примерно на 35%

• потребление RAM снижено примерно на 50%

• размер модели 0,5–1,5 МБ

• претрейн на 60–100 млн сэмплов из логов ASR, дообучение на 400 тыс. — 1 млн записанных пользовательских фраз Нагрузка и масштаб

• Умные колонки Яндекса, обучение на 60–100 млн сэмплов Сроки

• Публикация 23.07.2026, работа принята на Interspeech 2026 под названием «Scalable Keyword Spotting via Modular Network Expansion»