Speech-to-Retrieval: революция в голосовом поиске

Новый подход Google к голосовому поиску

7 октября 2025 года Google Research представила инновационное решение — Speech-to-Retrieval (S2R), которое обещает изменить подход к голосовому поиску. Вместо традиционной цепочки «речь → автоматическое распознавание речи (ASR) → текст → поиск», S2R напрямую сопоставляет речевой запрос с текстом, минуя стадию транскрипции.

Как работает S2R

Архитектура S2R базируется на двухэнкодерной модели:

1. Аудио-энкодер преобразует звуковую волну в семантический вектор.
2. Документ-энкодер создаёт векторные представления текстов в том же пространстве.

Во время запроса аудио-энкодер генерирует embedding, после чего система ищет похожие документные embeddings и передаёт результаты в существующий механизм ранжирования Google.

Преимущества нового метода

• ●Устранение ошибок ASR: ошибки, такие как путаница между "scream" и "screen", больше не влияют на результаты.
• ●Повышенная точность: в экспериментах на датасете Simple Voice Questions (SVQ) S2R превзошла классическую модель и приблизилась к идеальной транскрипции.
• ●Глубинное понимание запросов: S2R фокусируется на намерении пользователя, а не на точности слов.

Внедрение и открытые данные

S2R уже используется в голосовом поиске Google и доступен на нескольких языках. Google также открывает доступ к датасету SVQ в рамках Massive Sound Embedding Benchmark (MSEB) для стимулирования исследований.

Мнения экспертов

Yossi Matias из Google подчёркивает, что S2R переходит от распознавания слов к пониманию смысла. Michael Alexander Riegler отмечает элегантность архитектуры, но указывает на сложности в интерпретации и настройке системы.

Заключение

Speech-to-Retrieval — значимый шаг в развитии голосового поиска, который уже внедрён в Google и показывает впечатляющие результаты. Открытие SVQ/MSEB создаёт платформу для дальнейших исследований, а отзывы экспертов подчёркивают потенциал и вызовы новой технологии.

Частые вопросы