Митап «Voice AI Dev Meetup #1: голосовые технологии в продакшене»
10 августа 2026 г. в Москве состоится «Voice AI Dev Meetup #1: голосовые технологии в продакшене».
Встреча для разработчиков, которые работают с речевыми технологиями и голосовыми интерфейсами, беседы о распознавании и синтезе речи, перебиваниях и создании голосовых агентов, ведущих естественный диалог с пользователем.
Спикеры:
- Евгения Заворина / Voice Engineering Lead @ Bitmanager.ai. «Перебей меня, если сможешь: подводные камни перебиваний в голосовом агенте»
Как голосовой агент понимает, что его перебили и нужно ли на это реагировать? Детекции голосовой активности для этого недостаточно: агенту приходится различать типы речевых сигналов, учитывать контекст и выбирать между скоростью реакции и точностью классификации. Не менее остро стоит вопрос с потерей контекста, который агент не успел произнести. На реальных сценариях разберём, как это влияет на естественность диалога и где заканчивается ML и начинается продуктовая логика. - Кирилл Бородин / Voice Engineer @ Bitmanager.ai (Interspeech’26 Author) «Твой ход: как мы учили модель понимать смену хода в диалоге»
Как построить точную и быструю модель определения конца реплики в живом диалоге? Разберём BitTurn – наше решение на базе GigaAM-CTC. Оптимизация инференса с помощью int8 QAT и прунинга позволила ускорить модель почти без потери точности. Отдельно остановимся на решениях, которые дали наибольший прирост качества, поговорим про неоднозначные backchannel-сигналы и подготовку данных из реальных разговоров. - Максим Маслов / Senior Voice Engineer @ VK R&D (Senior Research Scientist @ lab260) «Как мы построили крупнейшую в России открытую полноцикловую экосистему речевого антиспуфинга»
Можно ли построить универсальный детектор голосовых дипфейков, который работает на разных языках, датасетах и типах атак? Представим крупнейшую в России открытую полноцикловую экосистему речевого антиспуфинга: архитектуры AASIST3, Res2TCNGuard и семейство Spectra, русскоязычный бенчмарк RuASD, мультиязычный набор LRLspoof, бенчмарк синтетической дизартрической речи и открытую Speech Anti-Spoofing Arena. На результатах масштабного тестирования покажем, почему существующие решения обобщаются хуже, чем принято считать, и как системная работа с моделями, данными и протоколами оценки приближает к действительно универсальному детектору. - Денис Петров / Voice ML Research Engineer @ MWS AI «ESpeech: открытый русский TTS на трёх 4090, от датасета до синтеза с клонированием голоса»
Открытых русских TTS стало много, но почти все они не заточены в первую очередь под русский: язык там идёт довеском к английскому или китайскому. Расскажем, как делаем ESpeech, где русский стоит на первом месте. Пройдём по стеку: пайплайн обработки данных и его масштабирование от первых 50 000 часов сырого аудио до гораздо больших объёмов, наш аудиокодек ECodec, обучение моделей. Всё на трёх 4090. Расскажем про наши эксперименты, в том числе те, что не сработали, и почему. Заодно представим RUAccent-bench, бенчмарк качества ударений в TTS-системах, и обсудим болячки современных TTS-архитектур.
