Yandex、スマートスピーカーに新しい高速コマンドを追加、既存の品質を維持

ヤンデックスのスマートスピーカー（例：Station Street）は、アクティベーションワードの「アリス」を経由せずにデバイス上でローカル実行される「次へ」や「小さくして」といった短いフレーズの高速コマンドをサポートしています。既存のコマンドを損なわずに新しいコマンドを追加するため、チームは完全な再学習（リグレッションのリスク）、個別の小さなモデル（非効率的で冗長）、および弹性重み付け統合（Elastic Weight Consolidation、EWC）のような古典的な継続学習手法（保証がない）を却下しました。代わりに、モジュラーネットワーク拡張を採用しました。凍結された元のモデルの特定の層から、並列ブランチがアクティベーションを抽出し、小さな加法ベクトルを計算し、各ステップでそれを連結します。これにより、古いコマンドを保持しながら新しいコマンドを学習でき、メモリと計算を完全に制御できます。トレーニングは2段階で行われました。最初に6000万～1億の非キュレートASRログで事前学習し、次に40万～100万のクリーンな家庭内録音でファインチューニングしました。結果はCPU負荷が35％、RAMが50％削減され、誤アクティベーションが60％減少しました。この研究はInterspeech 2026で発表されました。