Если вы хоть раз звонили в компанию и попадали на «умного помощника», вы знаете это ощущение: говоришь фразу, ждёшь секунду-две тишины, робот отвечает не на то, а перебить его невозможно — он дочитает свой абзац до конца. Причина не в глупости модели, а в архитектуре. Классический голосовой бот — это конвейер из трёх станков: распознавание речи переводит звук в текст, языковая модель думает над текстом, синтез озвучивает ответ. Каждый станок работает по очереди, и пока один занят, остальные ждут...