Главный навык при работе с такими инструментами – точно описать то, что нужно. Чем детальнее запрос, тем ближе результат к задуманному.

ИИ который слышит и говорит

ИИ давно умеет работать со звуком – и делает это всё лучше.

Первое направление – распознавание речи: когда голос превращается в текст. Это именно то, что происходит, когда диктуешь сообщение в телефоне или просишь голосового помощника включить музыку. Одна из лучших моделей для этого – Whisper от OpenAI, она понимает речь на десятках языков и справляется даже с шумом на фоне.

Второе направление – синтез речи: когда текст превращается в голос. Сервис ElevenLabs делает это настолько натурально, что отличить результат от живого диктора бывает трудно. Такие технологии используют для озвучки видео, аудиокниг и голосовых помощников.

Третье направление – и самое важное в контексте безопасности – клонирование голоса. Современные системы могут воссоздать чей-то голос по короткой записи. Это полезно, например, для озвучки авторского контента. Но это же делает такую технологию опасной: о том, как не попасться на подделку, отдельный разговор в главе про безопасность.

ИИ который уже живёт в телефоне

Большинство функций смартфона, которые кажутся просто удобными, на самом деле работают на ИИ.

Камера – самый очевидный пример. Когда телефон автоматически выбирает лучшие настройки для съёмки, убирает шум на тёмном снимке или аккуратно размывает фон в портретном режиме – за всем этим стоит нейросеть, обученная на миллионах фотографий.

Голосовые помощники – Siri на iPhone, Google Gemini на Android, Алиса на устройствах Яндекса – распознают речь, понимают смысл команды и выполняют её: ставят будильник, ищут информацию, отправляют сообщение.

Автодополнение при наборе текста тоже предсказывает слова с помощью небольшой языковой модели прямо внутри телефона. Google Lens распознаёт объекты на фото и находит по ним информацию. Функция Circle to Search на Android позволяет обвести любой предмет на экране пальцем – и тут же получить результаты поиска.