Я 2 года делал голосового ассистента, который сам считал провальным. В итоге его проспонсировали на $180 и 3 месяца премиума
Привет, вкшки. Это моя первая статья, так что сильно камнями не закидывайте. Я энтузиаст-разработчик: люблю собирать разные проекты и создавать то, чего пока не существует. Ниже — история моего главного детища: опенсорсного голосового ассистента Амалии. А ещё — о том, как «посредственный» проект получил спонсорскую поддержку от Fish Audio, и как вы можете повторить мой путь.
Зачем вообще ещё один голосовой ассистент?
Есть Алиса, Маруся, Салют, Джарвис... Но меня в них всегда смущала одна вещь: они умеют только то, что заранее придумал разработчик. Ограниченный список команд — и всё.
Моё представление голосового ассистента другое: *это программа с мозгом (LLM-моделью), и этот мозг управляет всем, что подключено к дому*. Телевизор, компьютер, телефон, планшет — абсолютно всё, а не заранее зашитый набор кнопок. Такой подход для меня и есть настоящий голосовой ассистент.
Отдельная боль — коммерческие модели. Однажды я настраивал колонку от Сбера и офигел: помимо самой колонки, за полный функционал ещё и ежемесячная подписка. Платить каждый месяц за кусок пластика с динамиком — не моё.
Так и родилась идея: сделать ассистента, который по функционалу лучше Алисы — и при этом бесплатный.
## История: два года, провалы и потерянные бэкапы
Я вынашивал эту идею примерно два года. И по пути было всё, кроме гладкости:
- проекты, которые я сворачивал, потому что «не получалось»;
- ошибки в коде, из-за которых ломалось всё приложение целиком (и я, будучи новичком, на бэкапы забивал шуруп — не повторяйте);
- моменты, когда казалось, что идея мертва.
Спасала одна вещь — сама мечта: создать то, чем сможет пользоваться каждый. И в какой-то момент всё сложилось.
Знакомьтесь: Амалия — открытый голосовой ассистент
Амалия — это голосовой ассистент с открытым исходным кодом. Проект на GitHub, приложение можно скачать с официального сайта (ссылки — в конце статьи).
1. Полный функционал — бесплатно
Не заплатив ни копейки. Единственный нюанс: для части функций понадобится VPN, потому что бесплатные ресурсы, которые использует ассистент, заблокированы на территории РФ.
2. Полностью открытый исходный код
Можно скачать репозиторий, доработать UX под себя и дополнить промпт, чтобы нейросеть знала, как управлять вашими функциями. А дальше — больше: по идее друга, в следующих версиях я развиваю систему «лего», где любой человек сможет через нейросеть прописать свой код и добавить любую функцию.
3. Управление базовыми функциями телефона
От включения определённой настройки до открытия приложений и управления ими. Базовый промпт Амалии — около 500–800 токенов. Но можно подключить своего LLM-провайдера — и тогда промпт раздувается до ~8000 токенов. Получается совсем другой уровень: не просто ассистент, а полноценный собеседник с ярким характером, который реально управляет телефоном.
Да, ничего против коммерческих ассистентов не имею — у них есть настраиваемые навыки, но рамки всё равно заданы разработчиками. Амалию рамками ограничиваете вы.
Как мой «неудачный» проект получил спонсорство
Теперь самое интересное. Я безумно благодарен компании Fish Audio- именно они вдохновили меня двигаться дальше и буквально пнули под зад: «Просто продвигайся вперёд».
Что такое Fish Audio. Это компания, чьи TTS-модели (синтез речи, то есть голос) находятся на высшем уровне и конкурируют с мировыми лидерами. А главное — их модели открыты.
Что за программа поддержки стартапов. Если ваша идея понравится команде (спасибо koko!), вам выдают кредиты на TTS и премиум-доступ. Премиум даёт серьёзное преимущество: задержка до первого слова — примерно 200–300 мс. В связке с LLM общая задержка до первого слова получается около ~500 мс.
Что я получил: 3 месяца подписки бесплатно + 180 $. А если проект продолжит развиваться — обещают ещё больше плюшек.
Я изначально не верил, что мой проект, который сам считал посредственностью, добьётся такого. Но если вы делаете что-то своё — обязательно попробуйте подать заявку. Возможно, у вас получится даже больше.
Мой бесплатный стек и цифры
По моим замерам: после того как LLM отдаёт текст, TTS начинает говорить мгновенно — суммарная задержка около ~300 мс с момента отправки запроса. Речь по скорости близка к реальному разговору.
Ссылки
GitHub проекта:[github.com/kurumi-mProject/amalia](https://github.com/kurumi-mProject/amalia)-
Сайт для скачивания приложения: [mirabel.tech](https://mirabel.tech/)
Приложение в RuStore: на модерации — добавлю ссылку, как только пройдёт
Fish Audio: [fish.audio](https://fish.audio)