Умная колонка Станция Макс: анализ аудиочипа и задержек ответа

Эти узлы находятся в разных частях системы: TAS5825M отвечает за финальное воспроизведение, тогда как распознавание запроса, определение интента и подготовка ответа выполняются в облачной части.

По имеющейся оценке, около 80–90 % задержки формируют сеть и облачная обработка. Ещё два показателя, 90–150 мс для Bluetooth с кодеком AAC и 100–200 мс рассинхрона по HDMI, относятся к другим сценариям. Их нельзя складывать с задержкой голосового диалога: один измеряет доставку аудио с внешнего устройства, другой, расхождение картинки и звука на телевизоре.

Ниже разбор акустической схемы Станции Макс, последовательности голосового флоу и прикладных метрик, которые позволяют отделить физику колонки от задержек всей системы.

Акустический тракт: где заканчивается цифровая часть

Звуковой сигнал в Станции Макс проходит через несколько звеньев: цифровой источник, интерфейс I2S или PWM, встроенный в усилитель DSP, выходной каскад, акустическая система. Отдельный дискретный ЦАП в этой схеме отсутствует. Преобразование цифрового звука связано непосредственно с усилителями Texas Instruments.

Колонка получила два цифровых усилителя класса D TAS5825M. Оба содержат DSP, который отвечает за эквализацию и обработку низкочастотной части. Распределение функций выглядит так:

PBTL здесь означает объединение выходов усилителя в один моно-канал с повышенной эффективностью передачи мощности басовому излучателю. Отдельный усилительный тракт для твитеров и средних частот сохраняет более короткую и предсказуемую схему разведения каналов.

Заявленная суммарная мощность системы составляет 65 Вт. Для оценки конфигурации важно различать этот агрегированный параметр и мощности отдельных излучателей: производитель указывает два твитера по 15 Вт, два СЧ-динамика по 10 Вт и один НЧ-динамик на 40 Вт. Эти данные нельзя напрямую складывать как мощности независимых каналов, поскольку система работает с распределением нагрузки, ограничениями и общей настройкой усилителей.

Первая ревизия Станции Макс была официально анонсирована 25 ноября 2020 года. Летом 2023 года вышла обновлённая ревизия со встроенным модулем Z. При сравнении устройств важно учитывать ревизию, поскольку одинаковое название не всегда означает одинаковый набор функций.

Точная модель центрального SoC в открытых спецификациях не раскрыта. По этой причине ответ на запрос о производительности НПУ Станции Макс остаётся непроверяемым: из данных о двух TAS5825M нельзя вывести производительность вычислительного блока, отвечающего за распознавание речи и генерацию ответа.

Аудиочип определяет качество финального воспроизведения и почти не влияет на длительность паузы между запросом и ответом.

Пять активных динамиков и пассивный излучатель

Акустическая архитектура включает пять активных излучателей и один пассивный:

Диапазон воспроизведения задан значениями 45–20 000 Гц. Соотношение сигнал/шум составляет 108 дБ при выходной мощности 10 Вт. Поддерживается декодирование Dolby Audio.

Пассивный излучатель работает по иному принципу, чем активный вуфер. У него нет собственного усилителя и голосовой катушки с активным приводом. Воздух, который перемещает басовый динамик, возбуждает пассивную мембрану, расширяя низкочастотный объём корпуса.

Для категории «колонка с Алисой и сабвуфером» это различие имеет практическое значение. В Станции Макс присутствуют один усиленный НЧ-динамик и пассивный излучатель. Внешний сабвуфер со своей акустикой, усилителем и управлением — отдельный компонент с собственными характеристиками.

В голосовом сценарии акустическая схема работает с двумя задачами. Первая заключается в разборчивости команды на расстоянии и в шумной среде. Здесь работают микрофонная матрица, шумоподавление и полоса речи акустического тракта. Вторая задача — комфортное воспроизведение синтезированного ответа, музыки и звука телевизора.

По опубликованным характеристикам нельзя корректно оценить искажения, чувствительность динамиков, максимальное давление или детализацию верхнего диапазона. Для этого нужны измерения конкретной ревизии. Показатель 108 дБ при 10 Вт характеризует соотношение сигнал/шум в указанном режиме, а не громкость, качество баса или точность звуковой сцены.

В акустическом тракте также отсутствует автоматическая подстройка под геометрию помещения. Станция 2 и компактная Миди поддерживают Room Correction, Станция Макс, нет. Колонка рассчитана на стабильную акустическую схему и постоянное место установки. Перенос её в другую комнату может изменить оттенок низких частот и общую сбалансированность, а сама система не выполнит перерасчёт под новую геометрию.

Задержка голосового ответа: разбор флоу по этапам

Задержка ответа начинается задолго до воспроизведения синтезированной речи. Для продуктового анализа её нужно разложить на отдельные интервалы:

Сумма этих интервалов даёт полный бюджет голосового ответа. Для анализа product UX нужны не только среднее значение, но и распределение: P50 показывает типичный опыт, P95, проблемный хвост. Пользователь запоминает именно медленные случаи, даже если они составляют небольшую долю.

На участке от речи до распознаванного текста сразу возникает сетевой компонент. Запрос уходит на серверы Яндекса, где обрабатывается ASR. Затем система определяет интент, формирует ответ и возвращает аудио. Эта последовательность объясняет, почему около 80–90 % задержки приходится на сеть и облачную обработку.

Локальный аудиотракт отвечает за другую часть флоу. TAS5825M принимает готовый цифровой поток, выполняет обработку и подаёт сигнал на динамики. Ускорить облачное распознавание заменой аудиочипа нельзя. Повышение вычислительной мощности центрального SoC тоже не даст пропорционального сокращения времени, если узкое место находится на сетевом плече или в очереди обработки.

Для оценки качества диалога показатель latency нужно дополнять метриками выполнения задачи:

• Точность интента показывает, определён ли требуемый сценарий: музыка, информационный запрос, управление умным домом или вызов внешнего сервиса.
• Conversion измеряет долю голосовых команд, завершившихся нужным действием. Прослушанный ответ без выполненной задачи конверсией не является.
• Доля уточнений показывает, сколько запросов требует дополнительного диалога из-за неоднозначности.
• Task completion учитывает завершение задачи с первой формулировки и после уточнения.
• Abandonment фиксирует случаи, когда пользователь отменяет команду, повторяет её или переключается на экран.
• Retention отражает возвращаемость: остаётся ли голосовой интерфейс рабочим каналом после первого успешного использования.

Особенно показательны edge-кейсы. Команда, прозвучавшая поверх музыки, требует большего запаса по распознаванию. Пересечение двух голосов усложняет определение адресата. Название трека, которое естественно произнести человеку, может не совпасть с каталогом сервиса. Запрос с местом, временем и объектом действия перегружает одну короткую команду несколькими сущностями.

Такие случаи нельзя оценить только по времени ответа. Быстрый, но неверно распознанный ответ создаёт худший UX, чем пауза, после которой система задаёт одно уточняющее вопрос. В логах диалога нужно связывать исходное аудио, результат ASR, выбранный интент, запрошенное уточнение и итоговое действие. Тогда можно определить, где именно теряется конверсия.

Задержка распознавания речи Яндекс Станция в основном живёт в облачном и сетевом контуре, локальный тракт отвечает за качество вывода.

Bluetooth и HDMI: два других вида задержки

Показатели 90–150 мс и 100–200 мс часто ошибочно используют как характеристики голосового ответа. Они относятся к разным контурам.

Bluetooth-задержка проявляется, когда пользователь передаёт музыку или видео с телефона. Станция принимает сжатый AAC-поток, декодирует его и воспроизводит через локальную акустическую систему. Этот интервал находится вне цепочки «речь пользователя, облако, ответ ассистента».

При голосовом запросе с внешнего устройства Bluetooth может создавать отдельные помехи: микрофонная матрица улавливает звук динамика, а система должна отличить речь пользователя от воспроизводимого контента. Но основная пауза после команды формируется до вывода ответа и не равна задержке AAC.

HDMI-метрика описывает другую проблему. Телевизор выполняет постобработку видеокадра, поэтому картинка может появляться с задержкой 100–200 мс. Если звук приходит другим маршрутом, возникает рассинхрон. Эта проблема синхронизации видеоконтура, а не вычислительной производительности голосового ассистента.

Практическая диагностика разделяет случаи:

1. Ответ голоса приходит медленно, а звук с телефона и синхронизация ТВ работают нормально. Задержка находится в облачном или сетевом контуре.

2. Голосовой темп нормальный, но губы на ТВ расходятся со звуком. Проверять нужно HDMI-маршрут и постобработку телевизора.

3. Музыка с телефона начинается с паузой или воспроизводится рывками. Наиболее вероятный участок: Bluetooth и кодек AAC.

4. Команда слышна плохо в одном месте комнаты и нормально ближе к колонке. Проблема относится к захвату голоса, а не к TTS.

Смешивать эти показатели в один диагностический экран нельзя. Для голосового ассистента нужна отдельная цепочка с метками на каждом этапе: активация, конец записи, получение ASR, определение интента, готовность TTS, первый аудиопоток.

Микрофонная матрица, Room Correction и качество диалога

На верхней панели Станции Макс находится микрофонная матрица из 7 микрофонов. Она используется для улавливания голоса и локализации пользователя. Активное алгоритмическое шумоподавление снижает влияние фоновых источников: бытовой техники, музыки и шума комнаты.

Точная архитектура алгоритмов обработки не опубликована. Из наличия семи микрофонов можно заключить, что системе доступны несколько каналов для пространственной обработки и выделения полезного сигнала. Конкретную схему локализации, уровень подавления и поведение при пересечении голосов следует проверять на тестовых записях.

Величина микрофонной матрицы влияет на capture success, но не отменяет облачную обработку. Микрофоны могут дать чистый сигнал, после чего сеть, ASR и диалоговая логика всё равно увеличат задержку. Поэтому аппаратную метрику и пользовательскую latency нужно анализировать раздельно.

В связке с акустикой возникает пространственный edge-кейс: качество захвата голоса зависит от расстояния до колонки, отражений от стен и наличия препятствий. Точная диаграмма направленности семимикрофонной матрицы не опубликована, поэтому надёжный способ оценить поведение системы, пробовать команды из разных точек комнаты и на разном расстоянии, фиксируя, в каких случаях ассистент распознаёт обращение с первого раза. Перенос устройства, шкаф или гардероб рядом с ним меняют акустические условия. Для таких сценариев полезны практические советы по организации бытовых пространств: положение источников шума и акустики нередко влияет на результат сильнее, чем смена версии голосовой модели.

Отсутствие Room Correction добавляет ещё одно ограничение. Система не измеряет геометрию комнаты и не перестраивает эквалайзацию после перемещения. Это снижает сложность настройки для постоянной инсталляции, однако оставляет владельца с ответственностью за выбор места и акустическую обработку.

Для мониторинга флоу достаточно собрать семь групп показателей:

1. Качество активации: доля ложных срабатываний и доля команд без повторного запроса.

2. Качество записи: отношение речи к шуму, потери начала фразы и ошибки локализации.

3. Точность распознавания: ошибки в числах, именах, временных выражениях и названиях.

4. Логику диалога: правильность интента, число уточнений и отказов.

5. Выполнение задачи: конверсия команды в действие, включая внешние сервисы.

6. Задержку: P50 и P95 для каждого этапа и полного цикла.

7. Поведение после результата: повторы, отмены, переход к другому интерфейсу и последующий retention.

Без связки этих групп продуктовая команда видит только две крайности: медленный ответ или неверное действие. В первом случае можно менять инфраструктуру, во втором, обучать диалог, уточнять сценарии и менять набор сущностей.

Что из этого следует

Станция Макс получила продуманный акустический тракт: два TAS5825M со встроенным DSP, пять активных динамиков, пассивный излучатель, поддержку Dolby Audio и семимикрофонную матрицу. Ресурс колонки достаточен для музыки, речи и домашнего сценария, а параметры 65 Вт, 45–20 000 Гц и 108 дБ сигнал/шум дают объективное представление о классе системы.

Диалоговая скорость находится в другом контуре. Основная задержка формируется при передаче запроса, облачном распознавании, определении интента и возврате синтезированного ответа. TAS5825M отвечает за качество вывода, но почти не участвует в формировании паузы. Bluetooth и HDMI также требуют отдельных метрик, поскольку измеряют доставку внешнего аудио и обработку изображения.

Для оценки Станции Макс как голосовой платформы нужна цельная телеметрия флоу: capture success, точность интента, конверсия задачи, уточнения, P95 задержки и повторное использование. По одной задержке ответа, мощности усилителей или времени Bluetooth-воспроизведения судить о качестве диалоговой системы нельзя.