Открывайте, как Google усиливает развитие голосового ИИ, привлекая экспертов Hume AI, и что это меняет для технологий взаимодействия — Марина Погодина
Пока вы обсуждали очередной чат-бот, рынок тихо сменил язык. Google забрал к себе CEO и топ-инженера Hume AI — стартапа, который делал не просто голос, а голос с эмоциями. И это та самая точка, где экран перестаёт быть главным интерфейсом, а у вас внезапно появляются новые риски и новые шансы.
По сути, Google подтягивает к себе мозг команды, которая умела считывать интонации, паузы, настроение и превращать это в управляемый голосовой ИИ. Не «Алиса, включи музыку», а «ИИ, пойми, что пользователь сейчас злится и говори мягче». Hume AI строили модель, которая слышит не только слова, но и состояние человека. Теперь это потенциально ляжет в Google Assistant, Android, поиск, колл-центры — вообще во всё, где есть микрофон. Я ночью открываю новость, n8n у меня на фоне опять падает на каком-то вебхуке, и первая мысль: пока мы в России допиливаем очередной IVR, вот там собирают конструктор нового голосового слоя мира.
Для автоматизаторов в России это значит очень простую, но жёсткую вещь: текстовые чаты — это временно, голосовые интерфейсы будут давить всё. Если у вас сейчас бизнес строится вокруг «напишите нам в чат», через год пользователи захотят «сказать и закрыть вопрос». И да, это не только про Google: рынок пойдёт за ним, и всякие локальные решения начнут косить под «эмоциональный голос». А теперь вспоминаем 152-ФЗ, банковскую тайну и любимый диалог с безопасностью: «а куда уходит голос клиента, а метаданные, а биометрия». У нас-то это работает иначе: любой облачный голосовой ИИ — это потенциальный выезд проверки, если вы не понимаете, что именно и куда пишется.
Знаете, что меня больше всего цепляет в этой новости? Hume AI позиционировались как этичные ребята, которые изучают эмоции голоса ради улучшения user experience, а не манипуляций. А теперь это становится частью корпорации, которая живёт на рекламе и удержании внимания. «Это означает, что эмоциональный профиль пользователя превращается в продукт». И не надо думать, что это останется только в США: как только появятся SDK и партнёрские истории, российские интеграторы начнут это завозить через задний ход — серые схемы, прокси, офшорные аккаунты. Клиенту покажут демку: «смотрите, как круто понимает настроение», а про то, где оседает голос, в лучшем случае напишут одной строчкой в договоре с мелким шрифтом.
Моя позиция простая: если вы строите голосовые сервисы — колл-центры, голосовых ассистентов, голосовые формы в медицине, финтехе, образовании — вам надо срочно смотреть в эту сторону. Не конкретно на Google, а на сам тренд: «голос как главный интерфейс». Для российских команд это практический смысл: пересобрать бэклог, перестать думать только текстом и заложить в архитектуру поддержку сложных голосовых моделей, пусть пока и локальных. Но если вы работаете с чувствительными данными — медицина, госуслуги, силовой блок — я бы поосторожничала: никакого фанатизма по «эмоциональному ИИ», пока вы не можете на бумаге и в логах доказать, что голос клиентов не утёк за рубеж.
С другой стороны, я три года наблюдаю, как компании перепрыгивают с хайпа на хайп — сначала чат-боты, потом «ИИ-помощники», теперь вот «эмпатичный голос». И каждый раз одно и то же: маркетинг обещает магию, а потом мы разгребаем разваленный проект, потому что юристы нашли 152-ФЗ на этапе пилота, а не в начале. Это не баг, нет, скорее фича, которую никто не просил: технологии летят быстрее, чем ваши регламенты. Так что кому сейчас надо бежать: продуктам и руководителям колл-центров — думать, как встроить голосовые ИИ в процессы, чтобы через полгода не остаться с допотопными «для соединения с оператором нажмите 1». Кому подождать — всем, кто не может чётко ответить на вопрос «какие именно голосовые данные мы собираем, где храним и кто к ним имеет доступ».
Честно? Я в шоке от того, с какой скоростью голос перестаёт быть просто «каналом связи» и превращается в источник поведенческой и эмоциональной аналитики. Вопрос к вам: вы сейчас проектируете процессы так, будто клиента слышат не только по словам, но и по интонации? Или по-прежнему живёте в мире, где «запись разговора ведётся» — это просто аудиоархив для проверки качества?
Больше разборов AI-инструментов без воды — в моём телеграм-канале. Пишу про то, что реально работает в России.