Голосовые режимы чат-ботов перестают быть экспериментальными функциями и становятся полноценным способом взаимодействия с искусственным интеллектом. Google и OpenAI параллельно развивают свои решения — Gemini Live и ChatGPT Voice Mode — с целью убрать главное неудобство: неловкие паузы, металлический тембр и невозможность перебить собеседника.
Gemini Live запущен как часть экосистемы Google для Android. Ассистент работает в фоне, сохраняет контекст длительного диалога и реагирует на интонацию. Пользователь может прервать речь модели в любой момент, сменить тему или попросить повторить фрагмент — система подстраивается без перезапуска сессии. Интеграция с сервисами компании позволяет сразу проверять факты в поиске, открывать карты или создавать напоминания голосовой командой.
ChatGPT Voice Mode от OpenAI использует похожий подход: модель GPT-4o обрабатывает аудио напрямую, без промежуточного перевода в текст. Это сокращает задержку до нескольких сотен миллисекунд и сохраняет эмоциональную окраску речи — смех, сомнение, ускорение темпа. В обновлении за август появилась возможность выбирать один из нескольких голосовых профилей, а также настраивать манеру ответа: более формальную или разговорную.
Обе платформы пока доступны по подписке — Gemini Advanced в составе Google One AI Premium, Voice Mode — для пользователей ChatGPT Plus и Team. Бесплатные версии ограничены по времени сессий и набору голосов. Разработчики признают: полная натуральность диалога ещё не достигнута. Остаются проблемы с пониманием речи в шумной среде, обработкой сленга и диалектов, а также редкие галлюцинации, когда модель уверенно выдаёт неверную информацию.
Конкуренция ускоряет прогресс: в конце 2024 года обе компании анонсировали обновления с улучшенной памятью контекста и поддержкой прерываний без потери нити разговора. Аналитики ожидают, что к середине 2025 года голос станет основным интерфейсом для бытовых задач — от составления списка покупок до первичного поиска информации — а клавиатура уйдёт на второй план.
