Главная проблема голосовых ассистентов прошлого поколения — мучительные паузы в разговоре. Ты задаешь вопрос вслух, а в ответ повисает неловкая тишина на три-четыре секунды, пока классический конвейер переводит речь в текст, прогоняет токены через языковую модель и запускает обратный синтез звука. В таком диалоге нет живости: ты говоришь не с собеседником, а с медлительным автоответчиком. В октябре 2026 года индустрия предложила два принципиально разных инженерных ответа на этот кризис задержки.
Hermes Apollo
Лаборатория Nous Research представила релиз открытого агента Hermes Agent v0.2.0.0, получившего кодовое имя Hermes Apollo. Разработчики не стали изобретать принципиально новую архитектуру нейросетей, а довели до совершенства традиционный конвейер за счет глубокой оптимизации буферизации.
Вместо того чтобы ждать, пока языковая модель сгенерирует законченный абзац или хотя бы полное предложение, модуль синтеза речи Hermes Apollo начинает воспроизведение звука, как только в буфере накапливается законченная синтаксическая конструкция длиной всего от 20 символов. В результате задержка ответа сокращается с нескольких секунд до долей секунды — ассистент вступает в диалог практически мгновенно.
Второй критический элемент живого разговора — поддержка естественного прерывания речи (barging). В старых системах, если ассистент начинал говорить длинную тираду, остановить его было невозможно без нажатия кнопки. В Hermes Apollo локальный распознаватель речи непрерывно слушает входящий поток: стоит тебе произнести «подожди» или «стой», как генерация голоса мгновенно обрывается без зависания контекста.
Транскрибация речи пользователя выполняется локально с помощью легковесной модели Faster Whisper на центральном процессоре, что гарантирует полную приватность и отсутствие платы за сторонние API. А все результаты диалогов и выводы агент автоматически синхронизирует в локальное хранилище заметок Obsidian, делая их доступными другим автономным скриптам.
Пока команда Nous Research полирует модульный конвейер текстовых моделей, финтех-гигант Block под руководством Джека Дорси выбрал радикальный путь полного отказа от текста как посредника.
Dessa от Block
Компания Block анонсировала исследовательскую модель Dessa — сквозную (end-to-end) аудио-нативную нейросеть, в которой полностью упразднены этапы распознавания речи (ASR) и синтеза по тексту (TTS).
В архитектуре Dessa звук подается прямо на вход нейросети и снимается с ее выхода в виде непрерывного акустического сигнала без единого текстового токена. Модель обучалась исключительно на записях живых человеческих диалогов. Благодаря этому она воспринимает тончайшие акустические сигналы, которые принципиально теряются при переводе в буквы: вопросительные модуляции, интонации сарказма или одобрения, вздохи, прерывистое дыхание и смешки посреди слова.
Модель работает в полнодуплексном режиме (full-duplex): она одновременно слушает микрофон и генерирует звук. Когда говорит пользователь, Dessa может вставлять естественные короткие междометия («угу», «слушаю», «да»), подтверждая внимание, и плавно подхватывать мысль, как только человек берет паузу. Физиологическая задержка отклика составляет 200–300 миллисекунд, что полностью соответствует темпу разговора двух живых людей. Более того, локальный инференс модели был успешно продемонстрирован на ноутбуке MacBook Pro с чипом Apple Silicon M4 Max.
Если ты следишь за эволюцией голосового искусственного интеллекта и агентных систем, рекомендую ознакомиться с нашими материалами про пять апгрейдов Hermes Agent OS и голосовой модуль Apollo и архитектуру локальной мультиагентной системы с общей памятью.
Сопоставление Hermes Apollo и Dessa наглядно демонстрирует раскол в голосовых интерфейсах. Hermes Apollo дает практичный, открытый и доступный уже сегодня инструмент для сборки локальных агентов на существующем оборудовании. А проект Dessa показывает контуры завтрашнего дня, где искусственный интеллект перестает быть читающим роботом и превращается в по-настоящему слышащего собеседника.