29.04.2026 19:32
Sakana AI научила голосовой ИИ думать на ходу Японская Sakana AI представила KAME — систему голосового ИИ, которая спос
Sakana AI научила голосовой ИИ думать на ходу
Японская Sakana AI представила KAME — систему голосового ИИ, которая способна думать прямо во время разговора, а не сначала долго размышлять, а потом отвечать. Работа уже принята на ICASSP 2026.
Главная проблема голосовых ассистентов — компромисс между скоростью и качеством. Быстрые speech-to-speech системы отвечают мгновенно, но поверхностно. Подключение мощной LLM даёт умные ответы, но ломает ритм диалога долгой паузой.
KAME решает эту дилемму, копируя человеческую речь. Мы не строим фразу целиком перед тем, как сказать — мысль уточняется по ходу. Система работает в два потока:
- Лёгкая речевая модель начинает отвечать сразу, без задержки
- Большая языковая модель параллельно «додумывает» и подмешивает более сильные варианты в реальном времени
🔧 Бэкенд заменяемый: Claude — для задач на рассуждение, GPT — для гуманитарных вопросов, Gemini Flash — для скорости. Голосовой слой при этом пересобирать не нужно.
KAME уже доступна на Hugging Face.
Blog: https://pub.sakana.ai/kame/
Paper: https://arxiv.org/abs/2510.02327
🧠 Нейросети и Технологии. Подписаться
Японская Sakana AI представила KAME — систему голосового ИИ, которая способна думать прямо во время разговора, а не сначала долго размышлять, а потом отвечать. Работа уже принята на ICASSP 2026.
Главная проблема голосовых ассистентов — компромисс между скоростью и качеством. Быстрые speech-to-speech системы отвечают мгновенно, но поверхностно. Подключение мощной LLM даёт умные ответы, но ломает ритм диалога долгой паузой.
KAME решает эту дилемму, копируя человеческую речь. Мы не строим фразу целиком перед тем, как сказать — мысль уточняется по ходу. Система работает в два потока:
- Лёгкая речевая модель начинает отвечать сразу, без задержки
- Большая языковая модель параллельно «додумывает» и подмешивает более сильные варианты в реальном времени
🔧 Бэкенд заменяемый: Claude — для задач на рассуждение, GPT — для гуманитарных вопросов, Gemini Flash — для скорости. Голосовой слой при этом пересобирать не нужно.
KAME уже доступна на Hugging Face.
Blog: https://pub.sakana.ai/kame/
Paper: https://arxiv.org/abs/2510.02327
🧠 Нейросети и Технологии. Подписаться