пришлось очистить от активационного слова, а также записать специальный датасет в домашних условиях. Чтобы избежать регрессии старых команд, инженеры отказались от полного переобучения и от обучения отдельной модели. Вместо этого они разработали модульную архитектуру: начиная с определённого слоя замороженной основной модели, отводится параллельная ветка, куда передаются активации и где обучаются только новые веса для новых команд. Это гарантирует сохранение старого качества и эффективно использует вычислительные ресурсы. В результате удалось снизить нагрузку на CPU на 35%, на RAM на 50% и уменьшить количество ложных срабатываний примерно на 60%. Статья с подробностями принята на Interspeech 2026.