Китайского гуманоида Walker Tienkung удалось разговорить по-русски за месяц, пишет Habr. Но главный вывод здесь не про скорость моделей: русскоязычный интерфейс для готового робота стал интеграционной задачей на недели, а узкое место переехало в стыки между распознаванием, LLM, синтезом и железом.
Для бизнеса это меняет стартовую смету. Вместо попытки строить собственные базовые модели разумнее сначала собрать готовые компоненты и проверить весь путь от человеческой фразы до действия робота. Именно там обнаруживаются проблемы, которых не видно в таблицах с бенчмарками.
Что пришлось собирать
Штатная система Walker Tienkung понимала только китайский. Команда сделала собственный модульный русскоязычный стек, но простая цепочка ASR-LLM-TTS не заработала как конструктор из коробки.
Whisper ошибался на коротких командах: «беги» превращалось в «begin», а «встань» в «Таня». LLM добавляла задержку. Динамик после паузы съедал начало фразы. Каждый компонент по отдельности мог выглядеть пригодным, но робот в сборе либо неверно понимал человека, либо отвечал с неприятной паузой, либо начинал говорить не с первого звука.
Рабочим решением стало разделение команд и диалога. Это важнее выбора конкретной LLM. Короткая команда управления и свободный разговор требуют разных маршрутов: первой нужны скорость и предсказуемость, второму нужен языковой контекст. Пропускать «встань» через тот же длинный контур, что и вопрос о погоде, похоже на использование совета директоров вместо кнопки включения.
Команда также ускорила синтез речи и добилась реакции за доли секунды. Habr не приводит в доступном описании полный расклад задержки по каждому компоненту, поэтому переносить этот результат как готовый SLA нельзя. Но сам результат показывает реалистичный порядок работ: месяц ушёл не на обучение русской модели, а на архитектуру, тесты и устранение проблем в связках.
Покупать модели, нанимать интеграторов
Для команды, которая комплектует пилот сейчас, build-versus-buy стоит пересчитать. Судя по кейсу, собственные ASR, LLM и TTS не являются обязательным условием для русского голосового интерфейса. Собственной должна быть логика сборки: маршрутизация команд, управление задержкой, обработка аудио и связь с функциями робота.
Это меняет и найм. Ценность смещается от команды, обещающей «свою нейросеть», к инженерам, способным состыковать голосовой контур с устройством и провести end-to-end тесты. SDK робота, доступ к его командам, облачное или локальное размещение компонентов и поведение системы при плохой связи становятся не второстепенными техническими деталями, а вопросами закупки. Сам кейс не даёт оснований утверждать, какой расклад облачных и локальных компонентов универсально лучше. Значит, выбирать его нужно по измеряемой задержке и устойчивости конкретного пилота.
Отдельная проблема заключается в перебиваниях. В июле ForkLog писал о GPT-Live с полнодуплексной архитектурой: модель может слушать и говорить одновременно, различать паузы и не перебивать пользователя, когда тот задумался. На этом фоне последовательный интерфейс «сначала слушаю, потом думаю, потом говорю» быстро начинает ощущаться устаревшим. В описании проекта Walker Tienkung нет подтверждения, что полнодуплексный сценарий уже решён, поэтому его нельзя автоматически записывать в достижения месячной интеграции.
Как принимать такой пилот
Красивого разговора на сцене недостаточно. Приёмка должна отдельно проверять короткие похожие команды, задержку от конца фразы до реакции, потерю первого звука после паузы, возможность перебить ответ и восстановление после проблем со связью. Иначе команда продемонстрирует удачный диалог, а в эксплуатации снова получит «begin» вместо «беги».
Главный маркер на ближайшее время не очередной релиз голосовой модели. Стоит смотреть, начнут ли поставщики и интеграторы публиковать end-to-end показатели на реальном роботе: задержку по всей цепочке, качество коротких команд, работу перебиваний и результаты при нестабильной сети. Если такие метрики появятся в коммерческих пилотах, русский голос для импортного гуманоида действительно станет типовой интеграцией. Если останутся только ролики с заранее отрепетированными репликами, месяц разработки пока следует считать хорошим частным результатом, а не отраслевым нормативом.