Настройка распознавания голоса и семейных профилей на Яндекс Станции

В умном доме Яндекса голосовой помощник Алиса умеет различать членов семьи по голосу. Это позволяет колонке персонализировать ответы: включать личные плейлисты Яндекс Музыки, напоминать о делах конкретному человеку и запускать персональные сценарии. Однако часто возникает проблема, когда Алиса начинает путать членов семьи, здоровается чужим именем или не узнает хозяина.

Давай разберем физические процессы распознавания речи и настроим систему.

---

Физика распознавания спикера

Распознавание спикера (Speaker Identification) в облаке Яндекса происходит в два этапа с применением нейросетевых моделей:

1. Извлечение признаков (Feature Extraction)

Акустический сигнал, записанный микрофонами Станции, оцифровывается и разбивается на фреймы. Для каждого фрейма рассчитываются мел-частотные кепстральные коэффициенты (MFCC — Mel-Frequency Cepstral Coefficients), описывающие огибающую спектра звука и учитывающие особенности человеческого слухового восприятия.

2. Построение вектора голоса (Voice Embedding)

Нейросеть преобразует набор коэффициентов MFCC в компактный числовой вектор фиксированной размерности (голосовой слепок, или d-vector / x-vector), который кодирует индивидуальные характеристики голосового тракта человека (тембр, высоту тона, формантные частоты).

При получении голосового запроса облако вычисляет косинусное сходство (cosine similarity) между вектором входящей команды ($\vec{A}$) и сохраненными в профилях векторами-эталонами членов семьи ($\vec{B}$): $$similarity = \cos(\theta) = \frac{\vec{A} \cdot \vec{B}}{|\vec{A}| |\vec{B}|}$$

• Если значение $\cos(\theta)$ превышает пороговое (обычно $\ge 0.82$), Алиса идентифицирует говорящего и загружает его профиль Яндекс ID.
• Если сходство ниже порогового, запрос обрабатывается с правами гостя (Guest), без доступа к личным плейлистам и персональным сценариям запуска кофемашин или отопления (таким как сценарий утреннего кофе или сценарий антизамерзания).

---

Физические причины сбоев распознавания

1. Акустическое эхо и реверберация (Room Impulse Response)

Если Яндекс Станция стоит в пустой комнате с высокими потолками и голыми стенами, ИК-звуковые волны многократно отражаются от поверхностей. Микрофоны записывают прямую речь вместе со сдвинутыми во времени эхо-сигналами (реверберацией). Это размывает спектр звука, искажает MFCC-коэффициенты и снижает косинусное сходство ниже порога срабатывания.

2. Загрязнение микрофонного массива (Beamforming Failure)

Яндекс Станция Макс оснащена массивом из 7 микрофонов, расположенных на верхней панели под кожухом. С помощью алгоритма пространственной фильтрации (Beamforming) Станция программно «поворачивает» диаграмму направленности в сторону источника звука, гася шумы с других направлений.

• Если отверстия микрофонов забились бытовой пылью или на прибор надели плотный силиконовый чехол, звуковое давление на капсюли распределяется неравномерно.
• Алгоритм фазового сдвига ломается, Станция теряет способность фильтровать шумы, отношение сигнал/шум (SNR) падает, и точность распознавания голоса стремится к нулю.

---

Пошаговая калибровка и настройка профилей

Шаг 1. Физическая очистка микрофонов

1. Полностью обесточь Станцию.
2. Возьми баллон со сжатым воздухом и аккуратно продуй отверстия микрофонов на верхней панели под углом 45°. Не вставляйте в отверстия иглы или зубочистки — вы гарантированно порвете защитную мембрану капсюля.
3. Убедись, что Станция стоит на расстоянии не менее 20–30 см от стен и других крупных предметов во избежание сильных ранних отражений звука.

Шаг 2. Создание точной копии голосового слепка

1. Попроси члена семьи подойти к Станции на расстояние 1–1.5 метра (это оптимальное расстояние для минимизации реверберации).
2. Запусти перепривязку голоса в приложении «Дом с Алисой».
3. Во время чтения тестовых фраз обеспечьте полную тишину (выключите кондиционер, увлажнитель, закройте окна).
4. Говорить нужно обычным повседневным голосом. Не нужно пытаться говорить громче, тише или скандировать слова по слогам. Нейросеть должна запомнить естественный спектр речи.

Шаг 3. Семейное слияние аккаунтов Яндекс ID

Если вы хотите, чтобы Алиса не только узнавала голос, но и правильно определяла семейные связи, выполните слияние аккаунтов (Family Link). Современные Станции с поддержкой протокола Matter позволяют совместно использовать устройства между несколькими аккаунтами. При возникновении проблем с сопряжением по Bluetooth, обратитесь к гайду по ошибкам подключения Bluetooth на Станции. Рекомендуем ознакомиться с нашим обзор Яндекс Станции Мини с часами.