Тихое возвращение голоса

Ассистенты застыли. Диктовка взлетела — по её собственным словам

Сказали «Алекса, поставь таймер» — значит, вы пользуетесь голосовым вводом первого рода. Надиктовали письмо вместо того, чтобы набрать его, — второго.

Всего таких родов пять, и за последние два года их пути разошлись: команды ассистентам, диктовка текста, голосовые сообщения, разговор голосом с ИИ-моделями и голос в программировании и в постановке задач ИИ-агентам.

Первый род перестал расширять охват. В США умная колонка была у 33 % людей в 2021 году и у 35 % в 2025-м; сама исследовательская компания признаёт, что за четыре года цифра почти не сдвинулась.¹

Исключение — Британия: за те же годы с 25 % до 45 %, в основном благодаря Alexa.² А вот на одного владельца колонкой пользовались всё активнее и дольше: число задач в неделю выросло с 7,5 в 2017 году до 12,4 в 2022-м.³

Но коммерчески первая волна провалилась. С 2017 по 2021 год подразделение устройств Amazon потеряло больше 25 млрд долларов: Echo держали ради будильника и прогноза погоды, а не ради покупок.⁴

Вторую волну видно почти исключительно по тому, что компании говорят о себе сами. Приложение для диктовки Wispr Flow в ноябре 2025 года оценивали в 700 млн долларов, а в августе 2026-го — уже в 2 млрд.⁵

Google утверждает, что 63 % из более чем миллиарда ежемесячных пользователей приложения Gemini «пользуются голосом», — не уточняя, как это считали.⁶ Apple говорит, что запросов к Siri стало больше: примерно 1,5 млрд в день в 2024 году и свыше 2,5 млрд в 2026-м.⁷

Крупные независимые опросы — Pew, YouGov, Edison, Ofcom — пока не выделяют диктовку или голосовое общение с ИИ в отдельный вопрос. Ближе всех подошёл опрос, по которому 57 % американцев от 12 лет хотя бы раз пользовались генеративным ИИ-ассистентом — текстом или голосом.⁸

Так что кривую роста второй волны рисуют заинтересованные стороны.

Голосовые сообщения, третий род, — массовая привычка, но не растущая. Последний официальный подсчёт WhatsApp — 7 млрд в день, март 2022 года.¹⁰

В опросе YouGov среди 2442 американцев в феврале 2026 года около 10 % отправляли голосовые несколько раз в неделю, а 41 % ответили, что этот формат их не касается. Реже ими стали пользоваться столько же людей (12 %), сколько и чаще (11 %).⁹

Втрое быстрее, когда переписываешь. Примерно в 1,4 раза — когда сочиняешь

Вот самая цитируемая цифра о голосе: говорить втрое быстрее, чем печатать. Это правда — если текст переписывать.

В эксперименте, откуда она взялась, 48 человек, по 24 на каждый язык, набирали на iPhone короткие готовые фразы. По-английски вышло 153 слова в минуту голосом против 52 на экранной клавиатуре, на путунхуа — 123 против 43.¹¹

Авторы сами называют это верхней границей, достигнутой в лаборатории. А в жизни никто не пишет, переписывая готовое.

В 2020 году Фоли, Казье и Фогель (Foley, Casiez, Vogel) попросили 28 человек сочинить на телефоне собственное предложение, связав между собой три простые картинки. Пока слова собственно произносились или набирались, голос по-прежнему шёл втрое быстрее: 116,5 слова в минуту против 35,1.

Но если считать попытку целиком — обдумывание, речь, исправления, — сообщение занимало 20,8 секунды голосом и 29,2 на клавиатуре. Это примерно в 1,4 раза, а не втрое.¹²

Разницу съели две вещи. До первого слова люди думали вдвое дольше, если собирались говорить: 11,0 секунды против 5,3. Печатая, человек думает на ходу; собираясь говорить, сначала выстраивает фразу целиком.

И любое исправление стоило дорого: по обоим способам и обоим заданиям попытки, где что-то пришлось править, шли со скоростью 54,6 слова в минуту, а чистые — 141,1.

Для масштаба: добровольцы в онлайн-тесте на скорость печати набирали в среднем 52 слова в минуту на физической клавиатуре (выборка — 168 000 человек)¹³ и 36 на телефоне (37 000 человек).¹⁴

Контролируемого сравнения, где сочиняют голосом и на настольной клавиатуре с сегодняшним распознаванием речи, нет. Последнее провели в 1999 году.

Тогда новички сочиняли голосом со скоростью 7,8 слова в минуту с учётом исправлений против 19 на клавиатуре с мышью; при переписывании текста — 13,6 против 32,5.¹⁵

Ваша скорость речи — это скорость рта, а не диктовки: здесь ничего не распознаётся и нечего исправлять. Отношение между двумя вашими числами — максимум, который голос вообще способен вам дать.

В эксперименте Фоли сама речь была в 3,3 раза быстрее набора, а попытка целиком — в 1,4 раза: после обдумывания и исправлений от выигрыша в скорости уцелело около 40 %.

Что слышит машина, зависит от того, кто говорит

Скажите «перенеси встречу на четверг в десять» в тихой комнате с дикторским выговором — и хороший распознаватель запишет всё верно. Скажите то же самое с лагосским акцентом под шум кафе — и он вполне может напечатать «на четверть в тесто».

Распознавание оценивают по доле ошибочных слов (word error rate, WER): сколько слов система исказила, пропустила или добавила. В октябре 2025 года лучшая модель стандартного публичного рейтинга ошибалась в среднем в 5,63 % слов на его тестовых наборах.

Whisper large-v3 — открытая модель, на которой построено множество приложений для диктовки, — ошибался в среднем в 7,44 %.¹⁶ Для сравнения: тщательная профессиональная расшифровка записанных телефонных разговоров в 2017 году дала 5,1 %.¹⁷

За средними не видно, кто говорит. На собрании разговорного английского с акцентами со всего мира Whisper ошибся в 19,7 % слов — против 2,7 % на чисто прочитанном американском английском.

На нигерийском и ямайском английском даже более сильные модели перевалили за 20 %, а одна академическая — за 45 %.¹⁸

В 2020 году пять коммерческих систем ошибались в 35 % слов у чернокожих говорящих и в 19 % у белых: одна и та же система — почти вдвое больше ошибок.¹⁹

Генеративное распознавание принесло новый вид сбоя — выдумки. Whisper сочинял целые фразы примерно в 1 % расшифровок, и в 38 % этих выдумок было что-то вредное — например, насилие или ложные утверждения.²⁰

Долгие паузы, частые у людей с афазией, делали выдумки вероятнее. Сочинённое предложение хуже ослышки: оно читается гладко, и его не замечаешь.

Узкое место сместилось с распознавания на исправление. У правки голосом две нерешённые проблемы: отличить команду от текста, который надо записать, и указать место, которое надо исправить.

Коснуться экрана рядом с ошибкой, произнести исправление и дать языковой модели разобраться, что куда поставить, — так время на задачу сократилось на 16,4 %, а нажатия на клавиатуру на 47,5 % по сравнению с лучшим прежним способом, в тесте на 16 людях.²¹

К тому же надиктованный текст выходит многословным и рыхлым — поэтому новые приложения перед вставкой переписывают его языковой моделью. В дневниковом исследовании такого инструмента длиной от 7 до 10 дней к нему приспособились 9 из 12 авторов, медианная оценка удобства — 5 из 7.

Те, у кого сомнения остались, назвали всё те же старые трудности: придумывать следующую фразу, пока говоришь, и ставить курсор туда, куда нужно.²²

Голос ускоряет рот, но не обдумывание

Если голос втрое быстрее, почему письмо не ускоряется втрое? Потому что письмо — это в основном не набор. Исследование 1983 года о том, как пишут письма, показало, что около двух третей времени сочинения уходит на планирование — от 58 % до 78 % в разных проверенных условиях.

При этом письма выходили одинаково хорошими, писали ли их от руки, диктовали или наговаривали.²³ Более быстрый канал вывода ускоряет только оставшуюся треть.

Механизм предложил Бен Шнейдерман в 2000 году: речь и кратковременная память черпают из одного ресурса, а движение руки идёт параллельно с мышлением.

В одном из экспериментов его лаборатории голосовые команды оказались на 12–30 % быстрее мыши, но проговаривание вслух мешало запоминать символы, которые потом нужно было ввести обратно.²⁴

Более поздние исследования выстраиваются вдоль одной оси — от переписывания к решению задач. Где работа в том, чтобы переписать, голос выигрывает в скорости и ощущается легче. Где в том, чтобы сочинить, голос чуть быстрее, а ощущения те же.

Где работа в том, чтобы решить задачу, голос сильнее нагружает голову. У 50 человек, работавших с медицинским чат-ассистентом, речь повышала измеренную умственную нагрузку и на сложных, и на простых задачах.²⁵

Врачи скорой помощи — 35 человек, — заполняя документацию голосом, работали на 18,1 % медленнее и сделали 138 ошибок против 32.²⁶

Однозначно выигрывают те, у кого узкое место — рука или орфография. Школьники с нарушениями обучаемости писали сочинения с распознаванием речи лучше, чем от руки; для остальных учеников разницы не было.²⁷

Разговор с ИИ лежит на той же оси. В самом крупном исследовании, какое я нашёл, 919 студентов вводного курса программирования могли сами выбирать, как писать запросы к ИИ-инструменту. Почти девять из десяти выбрали только текст (88,5 %), 4,8 % — только голос, 6,7 % — и то и другое.

Неотредактированные голосовые запросы срабатывали с первой попытки реже: 35 % против 52 % на первом задании и 38 % против 58 % на втором. Когда студенты правили расшифровку, разница переставала быть значимой.²⁹

В творческих задачах голос давал более быстрый первый запрос и больше уточнений, причём более длинных, но не менял ни ощущаемых усилий, ни того, как люди оценивали результат.²⁸

Популярная мысль, что думать вслух полезно, верна лишь наполовину. По данным 94 исследований, простое проговаривание своих мыслей не меняло точность и только замедляло работу; точность росла, когда людям приходилось объяснять свои рассуждения.³⁰

Вполне возможно, что объяснять задачу ИИ-модели голосом полезно. Этого никто не проверял.

Голос устаёт от дозы. Дозу диктовки никто не измерял

Целый день за клавиатурой утомляет руки. Целый день разговоров утомляет кое-что другое, и научно обоснованной нормы, сколько в день можно говорить без вреда, не существует. Зато хорошо измерено, сколько голосом пользуются профессионалы.

Учителя — профессия, где нарушения голоса встречаются часто, — звучат голосовыми складками 23 % рабочего времени против 13 % вне работы и 12 % в выходные; так вышло в исследовании 31 учителя 2007 года.³¹

В более новой группе из 26 учителей получилось 16,2 %, 8,4 % и 8,0 %.³²

Это время звучания называется фонацией: в него входят только моменты, когда складки действительно колеблются, без пауз между словами.

Тело замечает быстро. При громком чтении объективный признак голосового усилия растёт уже в первые 15 минут, а люди ощущают его через 30 — так вышло в исследовании на 10 людях.³³

После двух часов чтения вслух с громкостью, как в классе, 86 учителей оценили свой голос как в основном восстановившийся за 4–8 часов; небольшой остаток держался сутки и дольше.

В точных цифрах статья сама себе противоречит: в аннотации — 90 % через 4–6 часов и полное восстановление через 12–18.³⁴

Ближе всего к тому, чтобы весь день разговаривать с компьютером, из существующих профессий — колл-центр. По 15 исследованиям, у 33–68 % операторов в какой-то момент карьеры бывали проблемы с голосом, а у 27 % — в момент обследования.³⁵

Один опрос насчитал 6,8 голосового симптома на оператора против 1,7 у населения в целом.³⁶

Прямые данные о пользователях диктовки есть только из 1990-х и 2000-х, когда диктовать приходилось с паузой после каждого слова.

В одной серии случаев пятеро перешли на распознавание речи из-за боли в руках и надорвали голос; после голосовой терапии и более коротких сеансов трое из пяти поправились.³⁷

Записи мышечной активности у 10 человек указывали на то, что нагрузка перемещается, а не исчезает: меньше постоянного напряжения в предплечье и шее, отчасти в плечах, и тенденция к большему — в перстнещитовидной мышце гортани.³⁸

Современная диктовка убирает предполагаемую причину — ровную, механическую речь с паузой после каждого слова — и ставит микрофон близко ко рту, так что говорить можно тихо. Это обоснованная надежда, а не научный вывод.

Ни одно исследование не измеряло голосовую нагрузку у людей, которые пользуются современными приложениями для диктовки или голосовыми режимами ИИ-моделей.

Дело не в месте. Дело в том, кто слушает

Представьте, что спрашиваете у телефона дорогу дома, потом в автобусе, потом за рабочим столом среди коллег. У большинства людей ответ на вопрос «стал бы я так делать?» трижды поменяется.

Лучшие цифры здесь даёт небольшой британский эксперимент. Участники — 20 человек 23–32 лет — смотрели короткие видео, где мужчина на нейтральном фоне ищет что-то голосом или текстом, а потом отмечали места и слушателей, при которых поступили бы так же.

Голос обошёл текст только за рулём, где руки заняты.³⁹

Кто слушает, значило больше, чем где. Наедине голос сочли приемлемым в 96 % ответов; при друзьях — в 83 %, при партнёре — в 78 %, при семье — в 71 %. При коллегах — в 26 %. При незнакомцах — в 16 %.

Из слушателей значимо хуже текста голос делали только коллеги и незнакомцы; из мест — дом, пассажирское сиденье и работа. Попробуйте на себе, прежде чем смотреть на их ответы.

В опросе 860 пользователей ассистентов стыд снижал готовность пользоваться ассистентом дальше — именно на людях, а гордость повышала её везде.⁴⁰

Норма всё равно сдвинулась. В американских опросах доля тех, кто пользуется голосом в ресторане с друзьями, выросла примерно с 25 % в 2017 году до более чем 40 % в 2019-м.

Мужчины пользовались голосовыми командами в 1,54 раза чаще женщин, а 46 % опрошенных признались, что их раздражает, когда это делают другие.⁴¹

Первой проходит новизна. Проходит и стеснение

Кто покупал умную колонку, помнит первую неделю: таймеры, шутки, музыка, вопросы просто ради забавы. Потом новизна выветривается, и остаётся привычка.

Как люди меняются после первых дней, измеряли почти только на умных колонках дома. В трёхнедельном исследовании 7 пожилым людям выдали Echo Dot. Команд в неделю стало на треть меньше: 59,6, потом 50,1, потом 39,7.

Доля музыки упала с 23,9 % команд до 2,9 %, а погоды и списков покупок — выросла. Одна участница сказала, что поначалу «чувствовала себя глупо, разговаривая с этой машиной»; к концу все семеро сказали, что стали увереннее и будут пользоваться дальше.⁴²

Длинные журналы выглядят иначе. В истории Google Home у 18 семей, в среднем за 58 недель, использование оставалось довольно стабильным.

Три семьи вскоре после покупки на несколько недель забрасывали колонку — из-за приватности, бесполезности или несложившейся привычки, — а потом возвращались к ней.

Семьи, бросившие насовсем, не изучались. Управление домом росло по мере того, как семьи покупали всё больше умных устройств.⁴³

Когда люди отходили от колонки, дело было в пользе, надёжности или приватности, а не в том, что разговаривать дома неловко.

Обзор 69 работ о социальной приемлемости отмечает, что приемлемость меняется по мере привыкания, но лишь в трёх из них за людьми следили, пока те осваивали интерфейс в обычной жизни; в большинстве людей просили его представить или давали попробовать один раз в лаборатории.⁴⁴

Это главный пробел для этой страницы. Я не нашёл ни одного исследования, которое следило бы за людьми, перешедшими на диктовку на работе, и неделя за неделей измеряло бы, как меняется их неловкость.

Культура решает, насколько громким может быть голос

Ответите вы на сообщение голосовым или текстом — во многом зависит от того, где вы живёте.

В опросе YouGov 2023 года по 17 рынкам 66 % предпочитали отправлять сообщения текстом и 7 % — аудио. Сильнее всего текст любили в Британии (83 %), Дании (80 %) и Швеции (78 %), слабее всего — в ОАЭ (38 %); в Испании текст предпочитали 54 %, аудио — 13 %.⁴⁵

Мобильный телефон прошёл через то же самое двадцать лет назад. В сравнении 2007 года студентов из пяти культур, учившихся в одном университете на Гавайях, разговор по телефону в автобусе получил 2,53 балла из 5 у студентов из Японии против 3,50 у шведов и 3,44 у студентов с материковой части США.⁴⁶

Япония пришла к ясному правилу — в поезде голосом нельзя, почтой можно — и отказалась от голоса на людях, как только появилась беззвучная альтернатива.

В 2006 году 82 % американцев хотя бы иногда раздражались из-за громких телефонных разговоров на людях, а доля тех, кто сталкивался с ними часто, к 2012 году упала с 50 % до 39 %.⁴⁷

К 2014 году пользоваться телефоном на улице считали нормальным 77 % американцев, в общественном транспорте — 75 %, в ресторане — 38 %, а на совещании — 5 %.⁴⁸

Сдвиг шёл с обеих сторон: окружающие стали терпимее, звонящие — тише. И остановился у дверей переговорной.

Офис учится шептать

В 2026 году ИИ-диктовка добралась до офисов, и первые свидетельства — это истории, а не цифры. Bloomberg описывает, как она расходится от стола к столу: появляются микрофоны на гибкой ножке, начинается шёпот.⁴⁹

Аналитик, которого цитирует Computerworld, называет неловкость и страх отвлечь коллег серьёзным поведенческим барьером.

Полностью удалённая компания Thumbtack выдала Wispr Flow более чем 200 сотрудникам, и её технический директор признаёт: привыкнуть говорить вслух, даже одному в комнате, получилось не сразу.⁵⁰

Рынок не ждёт, пока сменится норма. Он делает голос тише. Wispr Flow продаёт режим шёпота и советует говорить примерно в сантиметре от микрофона.⁵¹

Исследователи зашли дальше ещё в 2018 году: SilentVoice от Microsoft распознавал короткие команды, произнесённые на вдохе, когда наружу уходит меньше 39 децибел звука, — с ошибкой в 1,8 % слов у натренированного говорящего и в 7 % у новичка.⁵²

Люди готовы променять точность на тишину. В эксперименте 2021 года 12 участников одинаково охотно пользовались беззвучной речью — артикуляцией слов без звука — и с намеренно добавленными 10–15 % ошибок, и без них, а желание говорить вслух при ошибках падало.

Все 12 объяснили это приватностью и безопасностью.⁵³

Быстрее всего меняется не то, что люди смелеют. А то, что голос становится тише.

Единственная область, где это измерено с размахом: записи врачей

Медицина — единственная область, где голосовой ввод на основе ИИ-моделей измерили на тысячах людей. Фоновые ИИ-секретари слушают приём и сами составляют черновик записи.

В крупнейшем исследовании, опубликованном в JAMA в апреле 2026 года, около 1800 пользователей по сравнению с 6770 непользователями экономили 16 минут документации на каждые 8 часов приёма, около 10 %, без значимых изменений в работе после смены.

Лишь 32 % включали секретаря больше чем на половине приёмов.⁵⁴

В рандомизированном испытании с 238 врачами один секретарь сократил время на запись на 41 секунду против 18 секунд в контрольной группе, а другой значимой разницы не дал.⁵⁵ Выгорание упало с 51,9 % до 38,8 % за 30 дней — в исследовании без контрольной группы.⁵⁶

В записях, проверенных вручную, пропуски нашлись в 18 % случаев, выдуманные детали — в 11,5 %; в 5,3 % была ошибка, способная причинить серьёзный вред.⁵⁷ Голос сберёг скорее внимание, чем минуты, а платить за это приходится проверкой текста.

Эксперименты, которых ещё никто не поставил

Это не мелкие дыры. Каждая карточка ниже — вопрос, на который эта страница хотела ответить числом и не смогла, потому что его не измеряло ни одно исследование.

• Опрос, который считает диктовку

  Ни один опрос со случайной выборкой не измеряет диктовку или голосовое общение с ИИ как отдельное поведение. Кривая роста держится на заявлениях компаний.

• Голосовая доза диктовки

  Никто не измерял время фонации или напряжение голоса у людей, которые часами диктуют в современных приложениях.

• Безопасная норма в день

  Нет научно обоснованного предела, сколько часов в день можно говорить без вреда для голоса.

• Руки после перехода

  Ни одно рандомизированное испытание не показало, что переход на голос предотвращает или лечит травмы рук от перенапряжения.

• Сочинение за столом

  Нет контролируемого сравнения письма голосом и на физической клавиатуре с современным распознаванием. Лучшие данные — 1983 и 1999 годов.

• День в разговорах

  Ни одно дневниковое или долгосрочное исследование не следит за людьми, которые работают в основном голосом, и не измеряет их умственную усталость.

• Как проходит стеснение на работе

  Ни одно полевое исследование не следит неделя за неделей за новыми пользователями диктовки в офисе. Все долгосрочные исследования привычки — про колонки дома.

Как это проверялось и что я оставил за бортом

Я делаю Speak-Y — приложение для голосового ввода и записи встреч, и внизу этой страницы стоит его баннер. Это повод читать исследование с подозрением.

Поэтому каждая цифра, которую компания сообщает о самой себе, — включая компании, которые делают диктовку и конкурируют со мной, — помечена в тексте и заштрихована на графиках.

Исследование проведено в сентябре 2026 года по четырём вопросам: распространение, скорость и точность, усталость и мышление, социальная приемлемость. Каждое число, где это было возможно, прослежено до первоисточника.

Маленькие выборки оставлены — других данных просто нет, — но рядом с числом всегда указан размер выборки.

Моё собственное прочтение всей картины — и это мнение: диктовка станет нормой дома, в машине и в отдельной комнате, останется спорной в опенспейсе и не появится на совещаниях — ровно как было с телефонными звонками. Изменить это могут не более смелые люди, а более тихий голос.