Голосовое управление и поиск. Нужно ли бизнесу думать об этом?

Технологию распознавания речи сегодня поддерживают сотни устройств: от смартфонов и «умных колонок» до бытовой техники и систем автомобиля. Многие пользователи сделали голосовой ввод таким же удобным инструментом управления устройством, как и текст -- например, они каждый день спрашивают у Алисы, какая погода на улице, или просят смарт-часы поставить таймер для варки яйца. А ведь первый общедоступный голосовой ассистент, Siri, появился всего 15 лет назад — совсем недавно по меркам истории. Как эта функция влияет на бизнес и продвижение продуктов сегодня? Мы разобрались и рассказываем, как устроена технология голосового управления и будет ли она развиваться.

Сейчас распознавание речи есть практически во всех мобильных устройствах, также оно работает на стационарных персональных компьютерах, в умных колонках, домашних устройствах, системах умного дома. Подавляющее большинство приборов интернета вещей («умная» бытовая техника, освещение, жалюзи и т. д) уже имеют распознавание речи. Нередко голосовые помощники встроены и в сайты и цифровые сервисы: например, голосовой помощник-бот помогает автоматизировать работу call-центра отдела продаж на нашем сайте для федерального оператора связи.

Современные автомобили также имеют голосовые интерфейсы, в 2026 году они используются не только для навигации, но и для управления большинством функций. Пионером внедрения голосового управления в автомобиль была Tesla, а затем благодаря экосистеме Android Automotive многие компании стали внедрять голосовые функции в новые автомобили. Сегодня голосовой помощник может не только построить маршрут и включить обогрев сиденья, но и найти кафе или гостиницу по дороге. А это уже дает большие возможности бизнесу для продвижения своих услуг.

Первый электронный синтезатор речи был изобретен Гомером Дадли, сотрудником компании Bell, в 1937 году. Аппарат назывался Voder. А первым кто занялся распознаванием речи с помощью электроники был советский физик Лев Мясников — он работал над этим с 1939 года в рамках диссертации «Техническая фонетика».

В 1952 году был представлен первый голосовой распознаватель чисел от 1 до 9, который снова разработала компания Bell. Аппарат назывался Audrey (Automatic digit recognizer) и работал с помощью телефона. Оператор называл число, а аппарат распознавал его, сравнивая с имеющимися образцами. В 1962 году IBM представила компьютер Shoebox, который мог распознавать 16 фраз и 6 цифр.

Первый массовый продукт по распознаванию речи выпустили в 1990 году — это была программа Dragon Dictate. В 1994 году был представлен IBM ViaVoice, а в 1995 году Bell представила телефонную систему Val для автоматизации работы диспетчеров и маршрутизации звонков. В 1996 году SRI развернул интерактивное программное обеспечение голосового ответа.

В 2001 году Microsoft представила Windows и Office XP speech, в которых использовалось распознавание речи в модуле «Альтернативный ввод». В 2007 году голосовое управление появилось у всей операционной системы Windows в версии Vista, также Microsoft выпустила мобильный голосовой поиск для Live Search (впоследствии переименован в Bing).

В 2008 году Google начинает активно развивать технологии голосового поиска и вскоре запускает Voice Search, на основе которого было создано множество современных программ и приложений, включая «Google Ассистент».

В 2008 году Google запустил первое приложение голосового поиска для iPhone, которое в 2012 году эволюционировало в персонального ассистента Google Now для Android. К 2011 году словесная и фонетическая база данных на серверах насчитывала уже около 230 миллиардов слов на разных языках мира. В то же время функцию голосового поиска получил и фирменный браузер Google Chrome.

В том же 2011 году на презентации iPhone 4s объявили о полной интеграции голосового помощника SIRI в iOS. В апреле 2014-го Microsoft представил голосового помощника Cortana. Она была по умолчанию установлена на компьютерах, мобильных устройствах с операционной системой Windows 10 и на игровых консолях Xbox One.
В дальнейшем Microsoft сократила ее развитие как потребительского голосового помощника и сосредоточилась на ИИ-ассистенте Copilot. В том же году Amazon представила своего голосового помощника Alexa и умную колонку Amazon Echo, которая отличалась тем, что могла управлять множеством устройств в рамках системы «умный дом».

В 2016 году на презентации Google I/O был представлен Google Assistant — умный персональный помощник. Он стал частью умной колонки Google Home и смартфонов Pixel. В 2017 году российская компания представила голосового помощника «Алиса», а в 2018 собственную умную колонку «Яндекс.Станция».
К 2018 году умные голосовые помощники стали привычной частью цифровой среды, но уже 2020-е годы началась новая эпоха в цифровом мире, благодаря активному развитию нейронных сетей и больших языковых моделей. Теперь голосовые ассистенты перестали быть набором заранее запрограммированных сценариев и превратились в полноценных голосовых помощников, способных поддерживать естественный диалог.

В 2022 году широкую известность получил ChatGPT: он впервые продемонстрировал возможность общения человека и машины на естественном языке. Вскоре все голосовые интерфейсы стали интегрироваться с большими языковыми моделями. К середине 2020-х годов крупнейшие технологические компании вывели на рынок новое поколение голосовых помощников: Google заменила классический Google Assistant на Gemini, Amazon представила Alexa+, а Microsoft заменила Сortana на Copilot.

Если раньше голосовое управление осуществлялось с помощью набора заранее заданных команд, то современные интерфейсы голосового управления позволяют взаимодействовать с устройством с помощью естественной речи.

Голосовое управление можно разделить на несколько типов:

02

Голосовой поиск:. Пользователь ищет информацию, товары и услуги: «Кто выиграл матч», «Где заказать пиццу?».

03

Голосовой диалог с ИИ. Пользователь может вести диалог с искусственным интеллектом, задавать сложные вопросы и получать развернутые ответы.

Сегодня голосовой ввод уже доступен в смартфонах, ПК, автомобилях, компьютерах, телевизорах, любых устройствах интернета вещей. Пользователь может не только искать информацию, но и управлять приложениями, анализировать документы, планировать задачи и получать персонализированные рекомендации.

Голосовые команды. Пользователь просит выполнить конкретное действие: «Позвонить маме», «Вызвать такси» и т.д

01

Современные системы используют технологии автоматического распознавания речи (ASR, Automatic Speech Recognition), большие языковые модели (LLM) и нейронные сети.

Обработка голосового запроса происходит в несколько этапов:

02

Преобразование речи в текст. Модель распознавания речи переводит аудиосигнал в текстовую форму.

03

Понимание смысла запроса. Языковая модель распознает намерение пользователя, определяет смысл и контекст.

Захват и очистка сигнала — система выделяет речь пользователя и устраняет фоновый шум.

01

Формирование ответа или выполнение действия. Система ищет информацию, выполняет команду или генерирует ответ.

04

05

Синтез речи. При необходимости ответ преобразуется обратно в голос.

В отличие от старых систем, которые сравнивали речь пользователя с заранее подготовленными шаблонами и выдавали заготовленные ответы, большие языковые модели понимают естественную речь, могут распознавать акценты и различные формулировки, поддерживают многошаговое взаимодействие, запоминая ответы пользователя и подстраиваясь под него.

Большие языковые модели постоянно самообучаются и совершенствуются. Искусственный интеллект собирает данные миллионов образцов и на их основе создает модели. Впоследствии все новые запросы сравниваются с ними.

В 2026 году крупнейшие технологические компании развивают собственные голосовые и разговорные ИИ-системы. Среди них Google Gemini, Siri, Alexa+, «Алиса», Samsung Bixby и другие решения.

Современные помощники умеют не только отвечать на вопросы, но и выполнять сложные сценарии: планировать поездки, управлять устройствами умного дома, анализировать документы, создавать тексты, переводить речь в реальном времени и взаимодействовать с внешними сервисами.

В результате голос перестал быть отдельным инструментом для ввода, поиска или управления устройствами. Сегодня это наиболее удобный способ взаимодействия человека с искусственным интеллектом наряду с текстом, изображениями и видео: ИИ становится полноценным собеседником, с которым можно просто поговорить и обсудить нужную тему.

К 2026 году в мире произошли большие изменения в области цифровых технологий, и это сильно повлияло на сферу голосовых ассистентов в том числе. По оценкам аналитиков, в 2026 году в мире используется более 8,4 млрд устройств с поддержкой голосовых интерфейсов. Если раньше голосовые помощники использовались для простых действий, таких как установка будильника, поиск новостей или погоды, проверки простых фактов и включения музыки, то сейчас ИИ-ассистентам даются более сложные задачи:

•

планирование путешествий;

•

составление маршрутов;

•

управление устройствами «умного дома»;

•

поиск местных компаний;

•

создание текстов;

•

получение персональных рекомендаций;

•

диалог с ИИ, как с обычным собеседником.

Постепенно голосовой помощник перестает быть дополнением к приложениям и начинает конкурировать с ними.

Изменилась и общая картина по устройствам, в которых используются голосовые помощники: если в 2018 году это были в основном смартфоны и умные колонки, то сейчас смартфоны все еще лидируют в списке устройств — ими пользуются до 90% потребителей, но также активно растет использование голосовых ассистентов с ИИ в автомобилях, наушниках, умных устройствах. Растет количество полноценных голосовых интерфейсов с ИИ в компьютерах и рабочих приложениях.

Также изменились и привычки пользователей, связанные с голосовыми помощниками. Если раньше им давались короткие команды вроде «Какая сегодня погода?» то сейчас люди составляют сложные запросы, например: «Составь план путешествия на выходные, чтобы поужинать на природе и вернуться домой пешком». Люди все реже используют в запросах ключевые слова — теперь они выглядят, как обычная речь.

•

Сейчас в мире используется около 8,4 млрд устройств с поддержкой голосовых ассистентов. Это смартфоны, ПК, умные колонки, автомобили, телевизоры и другие устройства.

•

По данным 2026 года, в США количество пользователей голосовых ассистентов составляет примерно 157 миллионов человек.

•

Около 20% всех пользователей интернета используют голосовой поиск.

•

По данным исследования, проведенного PYMNTS, голосовых ассистентов используют около 60% всех потребителей, при этом их интерес постепенно смещается от голосовых ассистентов к генеративному ИИ.

•

Исследование TELUS Digital показало, что 32% пользователей уже заменили хотя бы одно приложение ИИ-ассистентом.

Значительные изменения в связи с развитием искусственного интеллекта произошли в сфере бизнеса, и в первую очередь они коснулись SEO. В 2018 году голосовой поиск рассматривался как отдельный SEO-тренд, но к 2026 году он полностью слился с развитием генеративного ИИ.

В SEO появились новые направления:

•

AEO (Answer Engine Optimization) — оптимизация контента для систем, которые сразу дают ответ пользователю. Цель —не просто попасть в поисковую выдачу, а стать источником ответа для ИИ.

•

GEO (Generative Engine Optimization) — оптимизация контента для генеративных поисковых систем и ИИ-ассистентов.

•

Разговорные запросы: контент должен содержать ответы на естественные вопросы пользователей, а не просто находиться по ключевым словам. Упор делается больше на смысл и полезность, чем на вхождение ключевых слов.

•

Локальное SEO: как и в 2018 году, огромная доля голосовых запросов связана с поиском ближайших компаний, заведений и услуг. По некоторым оценкам, около трех четвертей голосовых запросов имеют локальный контекст.

•

Структурированные данные: для голосовых ассистентов особенно важны наличие FAQ-разметки, адресов, контактных данных, часов работы, сведений об организации, а также структурированные ответы на вопросы.

Как правильно оптимизировать контент в соответствии с новыми требованиями, чтобы он попадал в результаты выдачи по запросам к ИИ, мы рассказываем в отдельной статье.