Badacze zaobserwowali, że inteligentne głośniki budziły się przez pomyłkę 0,95 raza na godzinę w kontrolowanym teście, w którym siedmiu urządzeniom odtworzono dwie rundy po 134 godziny treści z Netflixa (Northeastern University i Imperial College London, PETS 2020). Osobne badanie laboratoryjne, w którym 11 głośników od 8 producentów wystawiono na programy telewizyjne i serwisy informacyjne, ujawniło ponad 1000 zweryfikowanych przypadkowych wyzwoleń (Ruhr University Bochum i Max Planck Institute, arXiv 2020). Te fałszywe akceptacje mają dziś także cenę prawną: ugoda Google na 68 milionów dolarów w sprawie fałszywych akceptacji Assistanta zebrała w terminie 1,49 miliona zgłoszeń, zanim w październiku 2026 roku uzyskała ostateczne zatwierdzenie (Sąd Okręgowy USA dla Północnego Okręgu Kalifornii, postanowienie Kumandan v. Google 2026). Po stronie rozpoznawania mowy domowy test przyjęcia obiadowego nagrany macierzami 7 mikrofonów pokazał skok współczynnika błędów słów z 42,10% na słuchawkach z mikrofonem przy ustach do 77,52% na urządzeniach z dalekiego pola (artykuł o korpusie DiPCo, 2019). Zebraliśmy dane z Northeastern University, Ruhr University Bochum, Amazon Science, Apple Machine Learning Research, Google Research, od organizatorów wyzwań CHiME, z Johns Hopkins University oraz z dwóch federalnych rejestrów pozwów zbiorowych. Ile domów posiada te urządzenia, opisujemy w naszych statystykach użytkowania inteligentnych głośników; to zestawienie dotyczy tego, jak dobrze one słyszą.
TL;DR
- Badacze zaobserwowali 0,95 błędnej aktywacji inteligentnego głośnika na godzinę, czyli 1,43 na 10 000 wypowiedzianych słów, gdy w pobliżu odtwarzano programy telewizyjne (Northeastern University i Imperial College London, PETS 2020).
- Słowo wybudzające Cortana wywołało 197 przypadkowych wyzwoleń wobec 8 dla Hey Siri w 624 godzinach dźwięku na głośnik (Ruhr University Bochum i Max Planck Institute, arXiv 2020).
- Użytkownicy inteligentnych głośników, którzy co najmniej raz w miesiącu zauważyli przypadkowe wybudzenie: 43,7% (badanie Voicebot.ai 2018, opisane przez Voicebot.ai 2020).
- Klasyfikator drugiego stopnia ograniczył fałszywe alarmy Alexy o około 67% ponad wynik detektora pierwszego stopnia (Amazon Science, ICASSP 2018).
- Strumieniowy transformer Apple tłumi 95% fałszywych wyzwoleń przy jednej dodatkowej sekundzie dźwięku po wyzwoleniu (Apple Machine Learning Research 2021).
- Przetwarzanie sygnału z sześciu mikrofonów w HomePodzie poprawiło współczynnik błędów słów o około 90% względnie podczas odtwarzania muzyki (Apple Machine Learning Research 2018).
- Fałszywe odrzucenia słowa wybudzającego przy jednym fałszywym alarmie na godzinę: 2,00% przy mowie z bliska wobec 5,11% na macierzach z dalekiego pola (Personalized Voice Trigger Challenge 2020).
- Współczynnik błędów słów w domowym korpusie przyjęć obiadowych: 42,10% przy mowie z bliska wobec 77,52% w dalekim polu (artykuł o korpusie DiPCo, 2019).
- Nawet najlepsze systemy w wyzwaniach CHiME-7 i CHiME-8 pozostają powyżej 30% tcpWER na domowych przyjęciach obiadowych CHiME-6 (przegląd CHiME-7/8 DASR, arXiv 2025).
- 24,76% z 2552 interakcji dorosłych w wieku od 66 do 94 lat z Alexą wiązało się z błędem (Johns Hopkins University, arXiv 2024).
- Ugoda Google na 68 milionów dolarów w sprawie fałszywych akceptacji Assistanta zebrała w terminie 1,49 miliona zgłoszeń (postanowienie o ostatecznym zatwierdzeniu w sprawie Kumandan v. Google, październik 2026).
- Ugoda Apple na 95 milionów dolarów w sprawie Siri wypłaca do 20 dolarów za urządzenie z tytułu niezamierzonych aktywacji (Lopez v. Apple, administrator ugody, 2025-2026).
1. Przypadkowe aktywacje: jak często dialogi z telewizora budzą głośnik
0,95 błędnej aktywacji na godzinę brzmi niewiele, dopóki nie przypomnimy sobie, że telewizor w salonie gra godzinami, a to samo badanie wykazało, że niemal wszystkie aktywacje wykryte lokalnie (urządzenie się zaświeciło) zostały też wysłane do chmury. Pytanie o prywatność dotyczy więc nie tylko tego, jak często głośnik się budzi, ale też tego, jak długo po tym nasłuchuje.
To właśnie czas trwania najwięcej mówi w badaniu Northeastern i Imperial College: najdłuższa jedna dziesiąta aktywacji trwała od 8 do 10 sekund w zależności od urządzenia, a to dość, by nagrać całe zdanie prywatnej rozmowy. Błędne aktywacje nie były też losowym szumem: 20,7% aktywacji Google Home Mini i 17,7% aktywacji HomePoda powtórzyło się w ponad 75% z 12 przebiegów testowych, co oznacza, że konkretne kwestie dialogowe niezawodnie oszukują konkretne urządzenia. Ankiety wśród właścicieli, opisane przez Voicebot.ai, opowiadają tę samą historię z perspektywy kanapy.
| Metryka | Wartość | Źródło |
|---|---|---|
| Treści odtworzone testowanym głośnikom | Dwie rundy po 134 godziny z 12 programów telewizyjnych, w USA i Wielkiej Brytanii, dla 7 urządzeń (Google Home Mini, Apple HomePod, Harman Kardon Invoke, 2 Echo Dot 2. generacji, 2 Echo Dot 3. generacji) | Northeastern University i Imperial College London, PETS 2020 |
| Zaobserwowana częstość błędnych aktywacji | 0,95 na godzinę, czyli 1,43 na 10 000 wypowiedzianych słów | Northeastern University i Imperial College London, PETS 2020 |
| Programy telewizyjne, które wywołały najwięcej aktywacji | The West Wing: średnio 4,26 aktywacji na godzinę; Narcos: 6,21 aktywacji na 10 000 słów dialogu | Northeastern University i Imperial College London, PETS 2020 |
| Długość osiągana przez najdłuższe 10% aktywacji; najdłuższa pojedyncza aktywacja | Co najmniej 10 sekund w HomePodzie, 9 sekund w Google Home Mini, 8 sekund w Echo Dot 2. generacji (słowo wybudzające Echo); do 43 sekund w jednym eksperymencie, uznane za odstające | Northeastern University i Imperial College London, PETS 2020 |
| Użytkownicy inteligentnych głośników, którzy zauważyli, że co najmniej raz w miesiącu przypadkowo obudzili asystenta głosowego | 43,7% | Badanie Voicebot.ai 2018, opisane przez Voicebot.ai 2020 |
| Użytkownicy wyszukiwania głosowego w USA (w tym na telefonach), którzy w ciągu miesiąca przypadkowo obudzili asystenta | 64% z 501 respondentów | Ankieta The Manifest, opisana przez Voicebot.ai 2020 |
| Odsetek zgłoszonych przypadkowych wybudzeń, w których oprogramowanie wykryło słowo wybudzające bez widocznego powodu | 29% | Ankieta The Manifest, opisana przez Voicebot.ai 2020 |
Najnowsze dostępne dane: Northeastern University i Imperial College London, PETS 2020, oraz ankiety wśród właścicieli z lat 2018-2020. Od tamtej pory nie opublikowano większego niezależnego pomiaru błędnych aktywacji, więc pozostają to wartości referencyjne. Powtarzany powszechnie nagłówek “do 19 razy dziennie” pochodził z doniesień prasowych, a nie z częstości podanych w samym badaniu.
2. Które słowa wybudzające mylą się najczęściej
Różnica między słowami wybudzającymi jest ogromna: Cortana wywołała 197 przypadkowych wyzwoleń, a Hey Siri 8 przy tym samym odtwarzaniu. Krótkie, pospolicie brzmiące słowa wybudzające kolidują z codzienną mową; badacze stwierdzili, że chińskie słowo ‘dage’ (starszy brat) było mylone z ‘Echo’, a niemiecka fraza ‘Am Sonntag’ z ‘Amazon’ w prognozach pogody.
Chmura działa jak drugi filtr, ale niedoskonały. Tylko niewielka część lokalnych wyzwoleń Cortany przetrwała kontrolę po stronie serwera, a mimo to artykuł o przypadkowych wyzwoleniach wykazał, że wyzwolenie potwierdzone w chmurze może przesłać 10 sekund dźwięku lub więcej. Weryfikacja w chmurze to, mówiąc prosto, drugi, większy rozpoznawacz na serwerach firmy, który ponownie przesłuchuje nagranie i anuluje wybudzenie, jeśli nie zgadza się z urządzeniem.
| Metryka | Wartość | Źródło |
|---|---|---|
| Zakres testu | 11 inteligentnych głośników od 8 producentów; 13 głównych zbiorów danych po 24 godziny, odtworzonych dwukrotnie (13 × 24 × 2 = 624 godziny na głośnik) | Ruhr University Bochum i Max Planck Institute, arXiv 2020 |
| Przypadkowe wyzwolenia według słowa wybudzającego | Cortana 197; Alexa 99; Computer 77; Amazon 57; Echo 43; OK/Hey Google 16; Hey Siri 8 | Ruhr University Bochum i Max Planck Institute, arXiv 2020 |
| Wyzwolenia Cortany, które przeszły także kontrolę po stronie chmury | 8 z 197 (8 / 197 = 4,1%) | Ruhr University Bochum i Max Planck Institute, arXiv 2020 |
| Wyzwolenia Amazon i Google, które powtórzyły się co najmniej 4 razy w 10 odtworzeniach | Około 75% | Ruhr University Bochum i Max Planck Institute, arXiv 2020 |
| Słowo wybudzające ‘Computer’ wywołane przez te same odcinki Modern Family, wersja angielska wobec wersji niemieckiej | 9 razy wobec 1 raza | Ruhr University Bochum i Max Planck Institute, arXiv 2020 |
| Dźwięk przesłany po wyzwoleniu potwierdzonym w chmurze wobec czasu, po którym kończy się wyzwolenie wyłącznie lokalne | 10 sekund lub więcej wobec około 1-2 sekund | Ruhr University Bochum i Max Planck Institute, arXiv 2020 |
Najnowsze dostępne dane: Ruhr University Bochum i Max Planck Institute, arXiv 2020. Liczba dla Alexy występuje w tekście artykułu jako 99, a w wierszu tabeli podsumowującej jako 100; używamy wartości z tekstu.
3. Wykrywanie słowa wybudzającego: wymiana fałszywych odrzuceń na fałszywe alarmy
Każdy silnik słowa wybudzającego balansuje między dwoma błędami. Fałszywe odrzucenie to sytuacja, gdy głośnik ignoruje prawdziwe ‘Alexa’ lub ‘Hey Siri’; fałszywy alarm (zwany też fałszywą akceptacją lub fałszywym wyzwoleniem) to sytuacja, gdy budzi się, choć nikt nie wypowiedział słowa wybudzającego. Inżynierowie ustalają jeden wskaźnik błędów, a następnie próbują obniżyć drugi, dlatego wyniki podaje się jako “względną redukcję przy ustalonym poziomie fałszywych alarmów” albo “przy 0,1 fałszywej akceptacji na godzinę”.
U różnych dostawców powtarza się obrona warstwowa. Najważniejszy wynik należy tu do Apple: 95% fałszywych wyzwoleń stłumionych przy zaledwie jednej dodatkowej sekundzie dźwięku (Apple Machine Learning Research 2021). Dwustopniowy detektor Amazon i oparte na kratach (lattice) kontrole Apple pokazują tę samą logikę: tani, zawsze włączony detektor budzi urządzenie, a cięższy drugi stopień decyduje, czy nasłuchiwać dalej.
| Metryka | Wartość | Źródło |
|---|---|---|
| Dwustopniowy detektor na urządzeniu z modelowaniem mowy w tle: fałszywe odrzucenia przy ustalonym poziomie fałszywych alarmów; fałszywe alarmy przy ustalonym odsetku pominięć | Około 16% względnej redukcji; około 37% względnej redukcji | Amazon Science, ICASSP 2018 |
| Klasyfikator drugiego stopnia nad detektorem pierwszego stopnia | Około 67% mniej fałszywych alarmów | Amazon Science, ICASSP 2018 |
| Odsetek fałszywych wyzwoleń z komplementarnym modelem językowym, przy ustalonym 0,4% fałszywego tłumienia prawdziwych poleceń | 38,34% względnej redukcji, a następnie kolejne 10,8% z modelem równoległym | Apple, Interspeech 2020 |
| Fałszywe wyzwolenia stłumione przez strumieniowy transformer przy jednej sekundzie dźwięku po wyzwoleniu | 95% | Apple Machine Learning Research 2021 |
| Ten sam model strumieniowy wobec wersji niestrumieniowej | Średnio 18% względnej redukcji fałszywych odrzuceń; o 32% mniej pamięci w czasie działania; o 56% krótszy czas wnioskowania | Apple Machine Learning Research 2021 |
| Sieć wielomikrofonowa wobec modelu jednokanałowego uruchamianego na każdym mikrofonie, przy 0,1 fałszywej akceptacji na godzinę | 27,2% (czyste) i 31,8% (zaszumione) względnej redukcji fałszywych odrzuceń na zbiorach testowych z dwoma mikrofonami | Google Research, Odyssey 2020 |
| Projekt wyzwalacza głosowego Siri | Dwie frazy wyzwalające (‘Hey Siri’ i ‘Siri’) w 7 kategoriach urządzeń; sieć pierwszego przebiegu skompresowana do 4 bitów na wagę | Apple Machine Learning Research 2023 |
Kontekst: dostawcy prawie nigdy nie publikują bezwzględnych wskaźników fałszywych akceptacji dla sprzedawanych produktów, tylko względne poprawy. Artykuł o komplementarnym modelu językowym i artykuł Google o wielokanałowym stosują tę konwencję. Najnowsze dostępne dane o architekturze systemu w sprzedawanych urządzeniach: Apple Machine Learning Research, Voice Trigger System for Siri, 2023.
4. Beamforming i akustyczny front-end
Beamforming oznacza łączenie sygnałów z kilku mikrofonów tak, aby macierz ‘nasłuchiwała’ w stronę mówiącego i odwracała się od hałasu. Eliminacja echa oznacza odejmowanie własnej muzyki głośnika od tego, co słyszą jego mikrofony. Oba mechanizmy mają znaczenie, ponieważ, jak zmierzyło Apple, odtwarzanie samego urządzenia może być głośniejsze o 30-40 dB od głosu, który ono próbuje usłyszeć (Apple Machine Learning Research 2018).
Korzyść jest największa dokładnie tam, gdzie inteligentny głośnik radzi sobie najgorzej: podczas odtwarzania własnej muzyki. Prace Amazon nad warstwową eliminacją echa podają zbliżone rzędy wielkości. Ta sama zasada kierunkowości zmniejsza hałas przy uchu w aparatach słuchowych, o czym świadczą nasze statystyki SNR aparatów słuchowych z mikrofonem kierunkowym; inteligentny głośnik stosuje ją z drugiego końca pokoju.
| Metryka | Wartość | Źródło |
|---|---|---|
| Liczba mikrofonów w Apple HomePod; koszt przetwarzania jego poprawy mowy | Sześć; mniej niż 15% jednego rdzenia A8 taktowanego 1,4 GHz | Apple Machine Learning Research 2018 |
| Odtwarzanie urządzenia (echo) wobec mowy z dalekiego pola; echo szczątkowe po liniowej eliminacji echa przy dużej głośności | Głośniejsze o 30-40 dB; o 10-20 dB powyżej mowy z dalekiego pola | Apple Machine Learning Research 2018 |
| Względna poprawa współczynnika błędów słów dzięki wielokanałowemu przetwarzaniu w HomePodzie | Około 40% (mowa z pogłosem), 90% (odtwarzanie), 74% (głośny hałas w tle), 61% (konkurujący rozmówca) | Apple Machine Learning Research 2018 |
| Bezwzględna poprawa fałszywych odrzuceń ‘Hey Siri’ przy konkurującym rozmówcy | 29,0% wobec redukcji szumu opartej na maskach; 30,3% wobec wyjścia bazowego przetwarzania sygnału | Apple Machine Learning Research 2018 |
| Redukcja echa i szumu dzięki warstwowemu systemowi Amazon w urządzeniach Echo | Około 40 dB redukcji echa; około 19 dB redukcji szumu | Amazon Science 2018 |
| Względna poprawa współczynnika błędów słów w trzech warstwach (oznaczonych przez Amazon jako SBNR, SBRES i NLEC) | Około 22%, 14% i 17% | Amazon Science 2018 |
| Macierz urządzenia z dalekiego pola w domowych nagraniach DiPCo | 7 mikrofonów: 6 na okręgu o promieniu 35 mm plus 1 pośrodku | Artykuł o korpusie DiPCo, 2019 |
| Macierze użyte na każdym domowym przyjęciu obiadowym CHiME-6 | 6 urządzeń Microsoft Kinect z 4-kanałowymi macierzami liniowymi (24 mikrofony macierzy) | Artykuł o wyzwaniu CHiME-6, 2020 |
Najnowsze dostępne dane: Apple Machine Learning Research 2018 i Amazon Science 2018. Obie firmy wypuściły od tamtej pory nowszy sprzęt, ale żadna nie opublikowała porównywalnych pomiarów front-endu.
5. Kara za odległość w rozpoznawaniu mowy z dalekiego pola
Przeniesienie mikrofonu spod ust na drugą stronę pokoju niemal podwaja liczbę błędów rozpoznawania w kontrolowanych testach. Współczynnik błędów słów wzrósł z 42,10% na słuchawkach z mikrofonem przy ustach do 77,52% na urządzeniach z dalekiego pola w tych samych sesjach przyjęcia obiadowego (artykuł o korpusie DiPCo, 2019), a odsetek fałszywych odrzuceń słowa wybudzającego w Personalized Voice Trigger Challenge był na macierzach z dalekiego pola ponad dwukrotnie wyższy niż na telefonach przy mowie z bliska.
Domowy dźwięk konwersacyjny jest znacznie trudniejszy niż pojedyncze polecenie: ludzie mówią jednocześnie, przechodzą między pokojami i gotują. Dwa pojęcia pomagają czytać tabelę. Sterowane rozdzielanie źródeł (GSS) to metoda wielomikrofonowa, która wykorzystuje informację o tym, kto mówił i kiedy, aby wyodrębnić każdy głos, a tcpWER to współczynnik błędów słów, który dodatkowo karze słowa przypisane niewłaściwemu mówcy lub niewłaściwej chwili. Przegląd CHiME-7 i CHiME-8 pokazuje, że lata postępu wciąż zostawiają domowe przyjęcia obiadowe jako najtrudniejszy scenariusz.
| Metryka | Wartość | Źródło |
|---|---|---|
| Fałszywe odrzucenia słowa wybudzającego przy jednym fałszywym alarmie na godzinę, telefon przy mowie z bliska wobec macierzy mikrofonów z dalekiego pola (zbiór deweloperski) | 2,00% wobec 5,11% | Personalized Voice Trigger Challenge 2020 |
| Konfiguracja nagrań wyzwania | 612 godzin, 658 995 wypowiedzi, 550 mówców; macierze 4- lub 6-kanałowe w odległości 1 m, 3 m i 5 m w pomieszczeniu urządzonym jak inteligentny dom | Personalized Voice Trigger Challenge 2020 |
| Słowo wybudzające w inteligentnym domu z dalekiego pola (‘Xiao T, Xiao T’), zbiór ewaluacyjny: fałszywe odrzucenia i fałszywe alarmy | Najlepszy system wyłącznie dźwiękowy 6,38% i 4,65%; najlepszy system audiowizualny 2,15% i 3,44%; oficjalny bazowy system audiowizualny 10,1% i 15% | System Duke Kunshan University, ICASSP 2023 (wyzwanie MISP 2021) |
| Współczynnik błędów słów, słuchawki z mikrofonem przy ustach wobec urządzenia z dalekiego pola z 7 mikrofonami (zbiór ewaluacyjny) | 42,10% wobec 77,52% | Artykuł o korpusie DiPCo, 2019 |
| Bazowy współczynnik błędów słów w CHiME-6 (deweloperski / ewaluacyjny), z GSS wobec konwencjonalnego beamformera (BeamformIt) | 51,8% / 51,3% wobec 69,8% / 61,2% | Artykuł o wyzwaniu CHiME-6, 2020 |
| Baza CHiME-6, gdy system musi też ustalić, kto mówił i kiedy (deweloperski / ewaluacyjny) | 84,3% / 77,9% | Artykuł o wyzwaniu CHiME-6, 2020 |
| Współczynnik błędów słów najlepszego systemu CHiME-5 (deweloperski / ewaluacyjny) | 45,6% / 46,6% (USTC-iFlytek) | Artykuł o wyzwaniu CHiME-6, 2020 |
| tcpWER najlepszych systemów CHiME-7/8 na CHiME-6; udział w CHiME-8 | Powyżej 30%; 9 zespołów zgłosiło 32 systemy | Przegląd CHiME-7/8 DASR, arXiv 2025 |
Kontekst: liczby z wyzwań mierzą otwartą rozmowę, a nie krótkie polecenia, więc zawyżają błąd, jaki głośnik popełnia przy poleceniu “ustaw minutnik”. Mimo to są najlepszym publicznym dowodem na to, ile kosztuje sam pokój, a artykuł o CHiME-6 pokazuje, że przejście z konwencjonalnego beamformera na samo GSS dało około 18 punktów na zbiorze deweloperskim (69,8% minus 51,8%).
6. Kogo się nie słyszy: osoby starsze w domu
Porażki słowa wybudzającego i rozpoznawania nie rozkładają się równomiernie. W trwającym miesiąc wdrożeniu domowym 24,76% interakcji z Alexą u dorosłych w wieku od 66 do 94 lat wiązało się z błędem (Johns Hopkins University, arXiv 2024), a odsetek błędów nie spadał przez cztery tygodnie. Usłyszenie polecenia było tylko częścią problemu: niezrozumienie intencji było największą pojedynczą kategorią błędów.
Samo słowo wybudzające potrafi zmylić. Wypowiedzenie bliskiego, lecz błędnego słowa, takiego jak ‘Alexis’, odpowiadało za więcej nieudanych podejść niż fałszywe aktywacje, co jest lustrzanym odbiciem problemu telewizora z sekcji 1: urządzenie jest surowe wobec właściciela i pobłażliwe wobec telewizora. Różnice wynikające z akcentu i dialektu omawiamy w naszych statystykach uprzedzeń akcentowych w rozpoznawaniu mowy; ta sekcja zajmuje się wiekiem i funkcjami poznawczymi.
| Metryka | Wartość | Źródło |
|---|---|---|
| Interakcje z błędem, 15 gospodarstw w wieku od 66 do 94 lat, Echo Dot, cztery tygodnie | 24,76% (632 z 2552) | Johns Hopkins University, arXiv 2024 |
| Błędy rozpoznawania mowy jako odsetek wszystkich błędów | 24,4% (154 z 632) | Johns Hopkins University, arXiv 2024 |
| Błędy, w których Alexa w ogóle nie odebrała polecenia (‘nie nasłuchiwała’) | 10,9% (69 z 632) | Johns Hopkins University, arXiv 2024 |
| Błędy spowodowane wypowiedzeniem niewłaściwego słowa wybudzającego (na przykład ‘Alexis’) | 7,8% (49 z 632) | Johns Hopkins University, arXiv 2024 |
| Błędy spowodowane fałszywymi aktywacjami (błędnymi wyzwoleniami); odsetek rozwiązanych przy ponownej próbie | 2,4% (15 z 632); 6,7% | Johns Hopkins University, arXiv 2024 |
| Błędy rozpoznawania intencji, największa kategoria błędów | 32,3% (204 z 632) | Johns Hopkins University, arXiv 2024 |
| Błędy rozpoznawania mowy w poleceniach do Alexy odczytanych przez 83 osoby starsze, grupa z demencją wobec grupy bez zaburzeń poznawczych | Istotnie wyższe w grupie z demencją | Cohn i in., arXiv 2026 |
Badanie z 2026 roku dotyczące demencji podaje, że głośność mówiącego, jakość głosu i odsetek pauz przewidywały dokładność rozpoznawania, co łączy lukę wiekową z akustyką: cichsze, bardziej przydechowe głosy tracą więcej energii na drodze przez pokój, zanim dotrą do macierzy.
7. Fałszywe akceptacje w sądzie i w polityce firm
Fałszywe akceptacje przeszły z metryki laboratoryjnej do odpowiedzialności prawnej. Okres objęty ugodą Google zaczyna się 18 maja 2016 roku, a grupa dotycząca prywatności została zdefiniowana wokół nagrań z fałszywych akceptacji; wpłynęło 1,49 miliona zgłoszeń w terminie wobec powiadomień wysłanych e-mailem na 173 814 291 adresów (Sąd Okręgowy USA dla Północnego Okręgu Kalifornii, postanowienie o ostatecznym zatwierdzeniu w sprawie Kumandan v. Google, październik 2026). Z naszych obliczeń wynika odsetek zgłoszeń na poziomie około 0,86% powiadomionych adresów (1,49 miliona / 173 814 291); samo postanowienie nie podaje odsetka zgłoszeń.
Równoległa ugoda w sprawie Siri Apple obejmuje niezamierzone aktywacje Siri podczas prywatnych rozmów w ciągu dekady. Zmieniła się też polityka firm: Apple oświadczyło w styczniu 2025 roku, że nie przechowuje nagrań audio z interakcji z Siri, chyba że użytkownicy wyraźnie wyrażą na to zgodę (Apple Newsroom 2025).
| Metryka | Wartość | Źródło |
|---|---|---|
| Fundusz ugody w sprawie fałszywych akceptacji Google Assistant; data ostatecznego zatwierdzenia | 68 000 000 USD, bez zwrotu niewykorzystanych środków; 13 października 2026 | Sąd Okręgowy USA dla Północnego Okręgu Kalifornii, postanowienie Kumandan v. Google 2026 |
| Doręczenie powiadomień i wyłączenia | E-maile na 173 814 291 adresów, 98,76% doręczonych; 217 prawidłowych wniosków o wyłączenie i 7 sprzeciwów | Sąd Okręgowy USA dla Północnego Okręgu Kalifornii, postanowienie Kumandan v. Google 2026 |
| Szacowana wypłata na członka grupy | Około 18 do 56 USD (grupa nabywców); około 2 do 10 USD (grupa dotycząca prywatności) | Sąd Okręgowy USA dla Północnego Okręgu Kalifornii, postanowienie Kumandan v. Google 2026 |
| Zasądzone honoraria prawników | 22 666 666,70 USD (jedna trzecia funduszu) | Sąd Okręgowy USA dla Północnego Okręgu Kalifornii, postanowienie Kumandan v. Google 2026 |
| Ugoda Apple w sprawie niezamierzonych aktywacji Siri | Fundusz 95 milionów USD; do 20 USD za urządzenie z Siri, do pięciu urządzeń; okres grupy od 17 września 2014 do 31 grudnia 2024 | Lopez v. Apple, administrator ugody, 2025-2026 |
| Odsetek fragmentów audio Assistanta przesłuchiwanych przez ekspertów językowych | Około 0,2% | Google, blog The Keyword, lipiec 2019 |
| Odsetek poleceń Siri wysłuchanych przez ludzkich oceniających, zanim Apple zawiesiło ocenę | Mniej niż 0,2% | Apple Newsroom, sierpień 2019 |
Kontekst: oświadczenie Google z 2019 roku o danych głosowych opisywało fałszywe akceptacje jako rzadkie, a oświadczenie Apple z 2019 roku zobowiązywało do usuwania nagrań uznanych za niezamierzone wyzwolenia. Żadna z firm nie opublikowała częstości fałszywych akceptacji, dlatego badania laboratoryjne z sekcji 1 i 2 pozostają głównym publicznym dowodem.
Podsumowanie: beamforming i dokładność słowa wybudzającego w inteligentnych głośnikach z dalekiego pola w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Błędne aktywacje, gdy w pobliżu odtwarzano programy telewizyjne | 0,95 na godzinę, czyli 1,43 na 10 000 słów | Northeastern University i Imperial College London, PETS 2020 |
| Najdłuższe 10% aktywacji | 8 do 10 sekund lub więcej, zależnie od urządzenia | Northeastern University i Imperial College London, PETS 2020 |
| Przypadkowe wyzwolenia, Cortana wobec Hey Siri, 624 godziny na głośnik | 197 wobec 8 | Ruhr University Bochum i Max Planck Institute, arXiv 2020 |
| Użytkownicy inteligentnych głośników zauważający przypadkowe wybudzenie co najmniej raz w miesiącu | 43,7% | Badanie Voicebot.ai 2018, opisane przez Voicebot.ai 2020 |
| Fałszywe alarmy usunięte przez klasyfikator drugiego stopnia | Około 67% | Amazon Science, ICASSP 2018 |
| Redukcja fałszywych wyzwoleń dzięki komplementarnemu modelowi językowemu | 38,34% względnie | Apple, Interspeech 2020 |
| Fałszywe wyzwolenia stłumione przy jednej dodatkowej sekundzie dźwięku | 95% | Apple Machine Learning Research 2021 |
| Redukcja fałszywych odrzuceń dzięki sieci z dwoma mikrofonami przy 0,1 fałszywej akceptacji na godzinę | 27,2% czyste, 31,8% zaszumione | Google Research, Odyssey 2020 |
| Poziom odtwarzania urządzenia wobec poziomu mowy z dalekiego pola | Głośniejsze o 30-40 dB | Apple Machine Learning Research 2018 |
| Poprawa współczynnika błędów słów dzięki przetwarzaniu w HomePodzie podczas odtwarzania | Około 90% względnie | Apple Machine Learning Research 2018 |
| Redukcja echa w urządzeniach Echo | Około 40 dB | Amazon Science 2018 |
| Fałszywe odrzucenia słowa wybudzającego, mowa z bliska wobec dalekiego pola | 2,00% wobec 5,11% | Personalized Voice Trigger Challenge 2020 |
| Najlepszy audiowizualny system słowa wybudzającego z dalekiego pola, fałszywe odrzucenia i fałszywe alarmy | 2,15% i 3,44% | System Duke Kunshan University, ICASSP 2023 |
| Współczynnik błędów słów, mowa z bliska wobec dalekiego pola | 42,10% wobec 77,52% | Artykuł o korpusie DiPCo, 2019 |
| Baza CHiME-6, GSS wobec konwencjonalnego beamformera (zbiór deweloperski) | 51,8% wobec 69,8% | Artykuł o wyzwaniu CHiME-6, 2020 |
| Najlepsze systemy CHiME-7/8 na domowych przyjęciach obiadowych CHiME-6 | Powyżej 30% tcpWER | Przegląd CHiME-7/8 DASR, arXiv 2025 |
| Interakcje z Alexą z błędem, dorośli w wieku od 66 do 94 lat | 24,76% | Johns Hopkins University, arXiv 2024 |
| Ugoda w sprawie fałszywych akceptacji Google Assistant i zgłoszenia w terminie | 68 milionów USD; 1,49 miliona | Sąd Okręgowy USA dla Północnego Okręgu Kalifornii, postanowienie Kumandan v. Google 2026 |
| Ugoda Apple w sprawie niezamierzonych aktywacji Siri | 95 milionów USD; do 20 USD za urządzenie | Lopez v. Apple, administrator ugody, 2025-2026 |
Metodologia i źródła
Wykonaliśmy 15 wyszukiwań i przeczytaliśmy oryginalny artykuł, akta sądowe lub stronę firmy dla każdej powyższej liczby. Tam, gdzie opublikowano tylko względną poprawę, podajemy ją jako względną; nie przeliczaliśmy poprawy względnej na wskaźniki bezwzględne. Obie liczby dotyczące ugód pochodzą z dokumentów sądowych i administratora ugody, a nie z pomiarów technicznych.
- Northeastern University i Imperial College London, When Speakers Are All Ears: Characterizing Misactivations of IoT Smart Speakers, PETS 2020
- Voicebot.ai, relacja z ankiety The Manifest i ankiety Voicebot 2018, styczeń 2020
- Ruhr University Bochum i Max Planck Institute for Security and Privacy, Unacceptable, where is my privacy? Exploring Accidental Triggers of Smart Speakers, arXiv 2020
- Amazon Science, Monophone-based Background Modeling for Two-stage On-device Wake Word Detection, ICASSP 2018
- Amazon Science, wielowarstwowa eliminacja echa i poprawa głosu w inteligentnych głośnikach, 2018
- Apple Machine Learning Research, Complementary Language Model and Parallel Bi-LRNN for False Trigger Mitigation, Interspeech 2020
- Apple Machine Learning Research, Streaming Transformer for Hardware Efficient Voice Trigger Detection and False Trigger Mitigation, 2021
- Apple Machine Learning Research, Voice Trigger System for Siri, 2023
- Apple Machine Learning Research, Optimizing Siri on HomePod in Far-Field Settings, 2018
- Google Research, Small Footprint Multi-channel Keyword Spotting, Odyssey 2020
- The 2020 Personalized Voice Trigger Challenge: Open Database, Evaluation Metrics and the Baseline Systems, arXiv 2021
- Duke Kunshan University, Post-Challenge Audio-Visual Wake Word Spotting System for the MISP 2021 Challenge, ICASSP 2023
- DiPCo, Dinner Party Corpus, 2019
- CHiME-6 Challenge: Tackling Multispeaker Speech Recognition for Unsegmented Recordings, 2020
- Cornell i in., Recent Trends in Distant Conversational Speech Recognition: A Review of CHiME-7 and 8 DASR Challenges, arXiv 2025
- Johns Hopkins University, Situated Understanding of Errors in Older Adults’ Interactions with Voice Assistants: A Month-Long, In-Home Study, arXiv 2024
- Cohn i in., błędy rozpoznawania mowy u osób starszych z demencją i bez demencji korzystających z Amazon Alexa, arXiv 2026
- Sąd Okręgowy USA dla Północnego Okręgu Kalifornii, Kumandan v. Google, postanowienie o ostatecznym zatwierdzeniu ugody, 13 października 2026
- Lopez v. Apple, strona administratora ugody Lopez Voice Assistant Settlement, 2025-2026
- Google, More information about our processes to safeguard speech data, lipiec 2019
- Apple Newsroom, Improving Siri’s privacy protections, sierpień 2019
- Apple Newsroom, Our longstanding privacy commitment with Siri, styczeń 2025
- Uwaga o danych: większość pomiarów technicznych w tym zestawieniu pochodzi z lat 2018-2023, ponieważ producenci inteligentnych głośników publikują względne poprawy i opisy architektury, a nie bezwzględne wskaźniki fałszywych akceptacji dla sprzedawanych urządzeń; każdą liczbę z lat 2018-2021 traktuj jako najnowsze dostępne dane, a nie jako obecną wydajność produktów. Liczba “do 19 razy dziennie”, która krąży w odniesieniu do badania Northeastern, to nagłówek prasowy, a nie wskaźnik podany w badaniu. Artykuł o przypadkowych wyzwoleniach podaje 99 wyzwoleń Alexy w tekście i 100 w wierszu tabeli podsumowującej. Artykuł Google o wielokanałowym jest na swojej stronie Google Research wymieniony z redukcją fałszywych odrzuceń o 27,2% i 31,8%; inne wykazy pokrewnych wersji podają inne wartości, więc cytuj wersję, którą przeczytałeś. Badanie Johns Hopkins podaje tygodniowy odsetek błędów jako 20-30% w tekście i 21-26% w podpisie rysunku. Ankiety Voicebot 2018 i The Manifest nie są porównywalne (druga obejmuje telefony i naciśnięcia przycisków). Wypłaty z ugody Google nie zostały jeszcze rozdysponowane w chwili wydania postanowienia z października 2026 roku, a postanowienie podaje zgłoszenia według stanu na 17 września 2026 roku oraz ponad 40 000 zgłoszeń spóźnionych, które mogą zostać przyjęte.
Ostatnia aktualizacja: 24 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się, gdy zostaną rozdysponowane wypłaty z ugody Kumandan v. Google i ukażą się materiały konferencji ICASSP 2027.