«Алло, это человек?»: Google запустила ИИ, чью речь почти невозможно отличить от живой

Google начала внедрение новой модели синтеза речи Gemini 3.1 Flash Live, которая предназначена для живого диалога в реальном времени. Разработчики уже получили доступ к ней через API и AI Studio, а обычные пользователи могут столкнуться с обновлением в сервисах Gemini Live и поисковой системе, где внедрение началось с 26 марта.

Новая модели получила более низкую задержку и более выразительные интонации, в классических голосовых ассистентах часто присутствует заметная пауза между окончанием вопроса пользователя и началом ответа, а также «роботизированный» ритм речи. В Google утверждают, что новая версия Gemini значительно сокращает этот разрыв, делая диалог более комфортным. В компании не раскрывают точные цифры задержки, но исследователи в области восприятия речи называют комфортным порогом около 300 миллисекунд, а по косвенным данным, новый движок приближается к этому показателю, ранее ИИ с функциями настройки голоса развернула NVIDIA.

Помимо скорости, модель демонстрирует лучшую устойчивость к «человеческим» помехам в разговоре. Согласно внутренним тестам и бенчмаркам, Gemini 3.1 Flash Live эффективнее справляется со сложными многошаговыми инструкциями (ComplexFuncBench Audio), а также корректнее реагирует на ситуации, когда собеседник колеблется, делает паузы или перебивает ответ (тест Audio MultiChallenge). Правда, в последнем испытании модель набрала 36,1%, в то время как узкоспециализированные недиалоговые системы могут достигать 50%.

Поскольку качество синтеза стало настолько близким к человеческому, что может ввести в заблуждение, Google внедрила систему маркировки и все сгенерированные аудиоданные будут содержать невидимые водяные знаки SynthID. Они неразличимы на слух, но позволяют технически определить происхождение речи с помощью алгоритмов, что должно защитить от потенциальных злоупотреблений, таких как создание поддельных голосовых записей. Собственного говоря, подобную маркировку получил и новый музыкальный ИИ от Google Lyria 3 Pro,

В отзывах отмечается высокая степень реализма при имитации человеческой речи, что означает, что уже в ближайшее время пользователи могут столкнуться с ситуацией, когда во время звонка в службу поддержки или взаимодействия с поиском будет сложно определить на слух, общаются они с живым оператором или с нейросетью.

Как вы считаете, стоит ли разработчикам и сервисам предупреждать пользователей о том, что на том конце провода — искусственный интеллект, или качество диалога важнее прозрачности? Делитесь мнением в комментариях.