Pesquisadores observaram alto-falantes inteligentes sendo ativados por engano 0,95 vez por hora em um teste controlado que reproduziu duas rodadas de 134 horas de conteúdo da Netflix para sete aparelhos (Northeastern University e Imperial College London, PETS 2020). Um estudo de laboratório separado, que submeteu 11 alto-falantes de 8 fabricantes a programas de TV e telejornais, gerou mais de 1.000 disparos acidentais verificados (Ruhr University Bochum e Max Planck Institute, arXiv 2020). Essas falsas aceitações agora têm um preço jurídico: o acordo de US$ 68 milhões do Google sobre falsas aceitações do Assistant recebeu 1,49 milhão de pedidos tempestivos antes da aprovação final em outubro de 2026 (Tribunal Distrital dos EUA, N.D. Cal., despacho em Kumandan v. Google, 2026). Do lado do reconhecimento, um benchmark de jantar em casa gravado com arrays de 7 microfones registrou um salto na taxa de erro de palavras de 42,10% em headsets de fala próxima para 77,52% nos dispositivos de campo distante (artigo do corpus DiPCo, 2019). Reunimos dados da Northeastern University, da Ruhr University Bochum, da Amazon Science, da Apple Machine Learning Research, do Google Research, dos organizadores do desafio CHiME, da Johns Hopkins University e de dois registros de ações coletivas federais. Quantos lares possuem esses aparelhos é assunto das nossas estatísticas de uso de alto-falantes inteligentes; este levantamento trata de quão bem eles ouvem.
TL;DR
- Pesquisadores observaram 0,95 ativação indevida de alto-falante inteligente por hora, ou 1,43 por 10.000 palavras faladas, enquanto programas de TV tocavam por perto (Northeastern University e Imperial College London, PETS 2020).
- A palavra de ativação Cortana produziu 197 disparos acidentais contra 8 do Hey Siri em 624 horas de áudio por alto-falante (Ruhr University Bochum e Max Planck Institute, arXiv 2020).
- Usuários de alto-falantes inteligentes que perceberam uma ativação acidental pelo menos uma vez por mês: 43,7% (pesquisa Voicebot.ai 2018, publicada pela Voicebot.ai em 2020).
- Um classificador de segundo estágio reduziu os falsos alarmes da Alexa em cerca de 67% sobre o detector de primeiro estágio (Amazon Science, ICASSP 2018).
- O transformer de streaming da Apple suprime 95% dos disparos falsos com um segundo extra de áudio posterior ao disparo (Apple Machine Learning Research 2021).
- O processamento de seis microfones do HomePod melhorou a taxa de erro de palavras em cerca de 90% em termos relativos durante a reprodução de música (Apple Machine Learning Research 2018).
- Falsas rejeições da palavra de ativação com um falso alarme por hora: 2,00% em fala próxima contra 5,11% em arrays de campo distante (Personalized Voice Trigger Challenge 2020).
- Taxa de erro de palavras em um corpus de jantares em casa: 42,10% em fala próxima contra 77,52% em campo distante (artigo do corpus DiPCo, 2019).
- Mesmo os melhores sistemas dos desafios CHiME-7 e CHiME-8 continuam acima de 30% de tcpWER nos jantares em casa do CHiME-6 (revisão dos desafios DASR CHiME-7/8, arXiv 2025).
- 24,76% das 2.552 interações com a Alexa de adultos de 66 a 94 anos envolveram um erro (Johns Hopkins University, arXiv 2024).
- O acordo de US$ 68 milhões do Google sobre falsas aceitações do Assistant recebeu 1,49 milhão de pedidos tempestivos (despacho de aprovação final em Kumandan v. Google, outubro de 2026).
- O acordo de US$ 95 milhões da Apple sobre a Siri paga até US$ 20 por dispositivo por ativações não intencionais (administrador do acordo Lopez v. Apple, 2025-2026).
1. Ativações Acidentais: Com Que Frequência o Diálogo da TV Aciona um Alto-Falante
0,95 ativação indevida por hora parece pouco até lembrarmos que uma televisão na sala fica ligada por horas seguidas, e que o mesmo estudo constatou que quase todas as ativações detectadas localmente (o aparelho acendeu) também foram enviadas à nuvem. A questão de privacidade, portanto, não é só com que frequência um alto-falante é ativado, mas por quanto tempo ele continua ouvindo depois disso.
A duração é onde o estudo da Northeastern e do Imperial College é mais revelador: o décimo mais longo das ativações durou de 8 a 10 segundos, conforme o aparelho, tempo suficiente para captar uma frase inteira de conversa privada. As ativações indevidas também não eram ruído aleatório: 20,7% das ativações do Google Home Mini e 17,7% das do HomePod se repetiram em mais de 75% das 12 execuções de teste, o que significa que trechos específicos de diálogo enganam de forma confiável aparelhos específicos. Pesquisas com proprietários, divulgadas pela Voicebot.ai, contam a mesma história a partir do sofá.
| Métrica | Valor | Fonte |
|---|---|---|
| Conteúdo reproduzido para os alto-falantes de teste | Duas rodadas de 134 horas de 12 programas de TV, nos EUA e no Reino Unido, para 7 aparelhos (Google Home Mini, Apple HomePod, Harman Kardon Invoke, 2 Echo Dot de 2ª geração, 2 Echo Dot de 3ª geração) | Northeastern University e Imperial College London, PETS 2020 |
| Taxa de ativações indevidas observada | 0,95 por hora, ou 1,43 por 10.000 palavras faladas | Northeastern University e Imperial College London, PETS 2020 |
| Programas de TV que mais causaram ativações | The West Wing: média de 4,26 ativações por hora; Narcos: 6,21 ativações por 10.000 palavras de diálogo | Northeastern University e Imperial College London, PETS 2020 |
| Duração atingida pelos 10% mais longos das ativações; ativação isolada mais longa | Pelo menos 10 segundos no HomePod, 9 segundos no Google Home Mini, 8 segundos no Echo Dot de 2ª geração (palavra de ativação Echo); até 43 segundos em um experimento, tratado como valor atípico | Northeastern University e Imperial College London, PETS 2020 |
| Usuários de alto-falantes inteligentes que perceberam ter ativado o assistente de voz sem querer pelo menos uma vez por mês | 43,7% | Pesquisa Voicebot.ai 2018, publicada pela Voicebot.ai em 2020 |
| Usuários de busca por voz nos EUA (incluindo celulares) que ativaram o assistente sem querer ao longo de um mês | 64% de 501 respondentes | Pesquisa The Manifest, publicada pela Voicebot.ai em 2020 |
| Parcela das ativações acidentais relatadas em que o software detectou a palavra de ativação sem motivo aparente | 29% | Pesquisa The Manifest, publicada pela Voicebot.ai em 2020 |
Dados mais recentes disponíveis: Northeastern University e Imperial College London, PETS 2020, e pesquisas com proprietários de 2018 a 2020. Nenhuma medição independente maior de ativações indevidas foi publicada desde então, por isso estes continuam sendo os números de referência. A manchete muito repetida “até 19 vezes por dia” veio da cobertura da imprensa, não das taxas relatadas pelo próprio estudo.
2. Quais Palavras de Ativação Mais Disparam por Engano
A diferença entre as palavras de ativação é enorme: a Cortana produziu 197 disparos acidentais, enquanto o Hey Siri produziu 8 sob a mesma reprodução. Palavras de ativação curtas e de som comum colidem com a fala cotidiana; os pesquisadores constataram que a palavra chinesa ‘dage’ (irmão mais velho) era confundida com ‘Echo’ e a expressão alemã ‘Am Sonntag’ era confundida com ‘Amazon’ em previsões do tempo.
A nuvem funciona como um segundo filtro, mas imperfeito. Apenas uma pequena parcela dos disparos locais da Cortana sobreviveu à verificação no servidor, mas o artigo sobre disparos acidentais constatou que um disparo confirmado na nuvem pode enviar 10 segundos ou mais de áudio. Uma etapa de verificação na nuvem, em palavras simples, é um segundo reconhecedor, maior, nos servidores da empresa, que reouve o trecho e cancela a ativação se discordar do aparelho.
| Métrica | Valor | Fonte |
|---|---|---|
| Escopo do teste | 11 alto-falantes inteligentes de 8 fabricantes; 13 conjuntos de dados principais de 24 horas cada, reproduzidos duas vezes (13 × 24 × 2 = 624 horas por alto-falante) | Ruhr University Bochum e Max Planck Institute, arXiv 2020 |
| Disparos acidentais por palavra de ativação | Cortana 197; Alexa 99; Computer 77; Amazon 57; Echo 43; OK/Hey Google 16; Hey Siri 8 | Ruhr University Bochum e Max Planck Institute, arXiv 2020 |
| Disparos da Cortana que também passaram pela verificação feita na nuvem | 8 de 197 (8 / 197 = 4,1%) | Ruhr University Bochum e Max Planck Institute, arXiv 2020 |
| Disparos da Amazon e do Google que dispararam de novo pelo menos 4 vezes em 10 repetições | Cerca de 75% | Ruhr University Bochum e Max Planck Institute, arXiv 2020 |
| Palavra de ativação ‘Computer’ disparada pelos mesmos episódios de Modern Family, versão em inglês contra versão em alemão | 9 vezes contra 1 vez | Ruhr University Bochum e Max Planck Institute, arXiv 2020 |
| Áudio enviado após um disparo confirmado na nuvem contra o tempo até um disparo apenas local parar | 10 segundos ou mais contra cerca de 1-2 segundos | Ruhr University Bochum e Max Planck Institute, arXiv 2020 |
Dados mais recentes disponíveis: Ruhr University Bochum e Max Planck Institute, arXiv 2020. A contagem da Alexa aparece como 99 no texto do artigo e como 100 em uma linha de tabela-resumo; usamos o número do texto.
3. Detecção da Palavra de Ativação: Trocando Falsas Rejeições por Falsos Alarmes
Todo mecanismo de palavra de ativação equilibra dois erros. Uma falsa rejeição ocorre quando o alto-falante ignora uma ‘Alexa’ ou ‘Hey Siri’ verdadeira; um falso alarme (também chamado de falsa aceitação ou disparo falso) ocorre quando ele é ativado embora ninguém tenha dito a palavra de ativação. Os engenheiros fixam uma das taxas de erro e então tentam reduzir a outra, e por isso os resultados são citados como “redução relativa em um nível fixo de falso alarme” ou “a 0,1 falsa aceitação por hora”.
O padrão entre os fornecedores é uma defesa em camadas. O resultado de destaque aqui é o da Apple: 95% dos disparos falsos suprimidos com apenas um segundo extra de áudio (Apple Machine Learning Research 2021). O detector em dois estágios da Amazon e as verificações baseadas em lattice da Apple mostram a mesma lógica: um detector barato, sempre ligado, acorda o aparelho, e um segundo estágio mais pesado decide se ele continua ouvindo.
| Métrica | Valor | Fonte |
|---|---|---|
| Detector em dois estágios no dispositivo com modelagem de fala de fundo: falsas rejeições em um nível fixo de falso alarme; falsos alarmes em uma taxa fixa de perdas | Redução relativa de cerca de 16%; redução relativa de cerca de 37% | Amazon Science, ICASSP 2018 |
| Classificador de segundo estágio sobre o detector de primeiro estágio | Cerca de 67% menos falsos alarmes | Amazon Science, ICASSP 2018 |
| Taxa de disparos falsos com um modelo de linguagem complementar, com supressão falsa fixa de 0,4% dos pedidos reais | Redução relativa de 38,34%, e mais 10,8% com um modelo paralelo | Apple, Interspeech 2020 |
| Disparos falsos suprimidos por um transformer de streaming com um segundo de áudio posterior ao disparo | 95% | Apple Machine Learning Research 2021 |
| O mesmo modelo de streaming contra a versão sem streaming | Redução relativa média de 18% nas falsas rejeições; 32% menos memória em execução; 56% menos tempo de inferência | Apple Machine Learning Research 2021 |
| Rede multimicrofone contra um modelo de canal único executado em cada microfone, a 0,1 falsa aceitação por hora | Redução relativa de 27,2% (limpo) e de 31,8% (ruidoso) nas falsas rejeições em conjuntos de teste com dois microfones | Google Research, Odyssey 2020 |
| Design do acionamento por voz da Siri | Duas frases de ativação (‘Hey Siri’ e ‘Siri’) em 7 categorias de dispositivos; rede de primeira passagem comprimida para 4 bits por peso | Apple Machine Learning Research 2023 |
Contexto: os fornecedores quase nunca publicam taxas absolutas de falsa aceitação de produtos já comercializados, apenas melhorias relativas. O artigo do Complementary Language Model e o artigo multicanal do Google seguem essa convenção. Dados mais recentes disponíveis sobre a arquitetura do sistema comercializado: Apple Machine Learning Research, Voice Trigger System for Siri, 2023.
4. Beamforming e o Front End Acústico
Beamforming significa combinar os sinais de vários microfones para que o array ‘escute’ na direção de quem fala e não na do ruído. Cancelamento de eco significa subtrair do que os microfones captam a própria música do alto-falante. Os dois importam porque, como a Apple mediu, a reprodução do próprio aparelho pode ser 30-40 dB mais alta do que a voz que ele tenta ouvir (Apple Machine Learning Research 2018).
O ganho é maior exatamente onde um alto-falante inteligente mais sofre: durante a reprodução da própria música. O trabalho de cancelamento de eco em camadas da Amazon relata ordens de grandeza semelhantes. O mesmo princípio direcional reduz o ruído junto ao ouvido em aparelhos auditivos, como mostram nossas estatísticas de SNR de aparelhos auditivos com microfone direcional; um alto-falante inteligente o aplica do outro lado da sala.
| Métrica | Valor | Fonte |
|---|---|---|
| Microfones no Apple HomePod; custo de processamento do seu aprimoramento de fala | Seis; menos de 15% de um único núcleo A8 a 1,4 GHz | Apple Machine Learning Research 2018 |
| Reprodução do aparelho (eco) contra fala em campo distante; eco residual após o cancelamento linear de eco em volume alto | 30-40 dB mais alta; 10-20 dB acima da fala em campo distante | Apple Machine Learning Research 2018 |
| Melhoria relativa da taxa de erro de palavras com o processamento multicanal do HomePod | Cerca de 40% (fala reverberante), 90% (reprodução de música), 74% (ruído de fundo alto), 61% (locutor concorrente) | Apple Machine Learning Research 2018 |
| Melhoria absoluta nas falsas rejeições de ‘Hey Siri’ com um locutor concorrente | 29,0% contra a redução de ruído baseada em máscara; 30,3% contra a saída do processamento de sinal de referência | Apple Machine Learning Research 2018 |
| Redução de eco e de ruído do sistema em camadas da Amazon nos dispositivos Echo | Cerca de 40 dB de redução de eco; cerca de 19 dB de redução de ruído | Amazon Science 2018 |
| Melhoria relativa da taxa de erro de palavras das três camadas (chamadas de SBNR, SBRES e NLEC pela Amazon) | Cerca de 22%, 14% e 17% | Amazon Science 2018 |
| Array do dispositivo de campo distante nas gravações domésticas do DiPCo | 7 microfones: 6 em um círculo de 35 mm de raio mais 1 no centro | Artigo do corpus DiPCo, 2019 |
| Arrays usados em cada jantar em casa do CHiME-6 | 6 dispositivos Microsoft Kinect com arrays lineares de 4 canais (24 microfones de array) | Artigo do desafio CHiME-6, 2020 |
Dados mais recentes disponíveis: Apple Machine Learning Research 2018 e Amazon Science 2018. As duas empresas lançaram hardware mais novo desde então, mas nenhuma publicou medições comparáveis do front end.
5. A Penalidade da Distância no Reconhecimento em Campo Distante
Afastar o microfone da boca para o outro lado da sala quase dobra os erros de reconhecimento em testes controlados. A taxa de erro de palavras subiu de 42,10% em headsets de fala próxima para 77,52% em dispositivos de campo distante nas mesmas sessões de jantar (artigo do corpus DiPCo, 2019), e as falsas rejeições da palavra de ativação no Personalized Voice Trigger Challenge foram mais que o dobro em arrays de campo distante em comparação com celulares em fala próxima.
O áudio doméstico de conversas é bem mais difícil do que um único comando: as pessoas falam umas por cima das outras, andam entre os cômodos e cozinham. Dois termos ajudam a ler a tabela. A separação de fontes guiada (GSS, na sigla em inglês) é um método multimicrofone que usa a marcação de quem falou quando para separar cada voz, e o tcpWER é uma taxa de erro de palavras que também penaliza palavras atribuídas ao falante errado ou ao momento errado. A revisão do CHiME-7 e do CHiME-8 mostra que anos de progresso ainda deixam os jantares em casa como o cenário mais difícil.
| Métrica | Valor | Fonte |
|---|---|---|
| Falsas rejeições da palavra de ativação com um falso alarme por hora, celular em fala próxima contra array de microfones em campo distante (conjunto de desenvolvimento) | 2,00% contra 5,11% | Personalized Voice Trigger Challenge 2020 |
| Configuração de gravação do desafio | 612 horas, 658.995 enunciados, 550 falantes; arrays de 4 ou 6 canais a 1 m, 3 m e 5 m em uma sala montada como casa inteligente | Personalized Voice Trigger Challenge 2020 |
| Palavra de ativação em campo distante para casa inteligente (‘Xiao T, Xiao T’), conjunto de avaliação: falsas rejeições e falsos alarmes | Melhor sistema apenas de áudio: 6,38% e 4,65%; melhor sistema audiovisual: 2,15% e 3,44%; baseline audiovisual oficial: 10,1% e 15% | Sistema da Duke Kunshan University, ICASSP 2023 (desafio MISP 2021) |
| Taxa de erro de palavras, headset de fala próxima contra dispositivo de campo distante com 7 microfones (conjunto de avaliação) | 42,10% contra 77,52% | Artigo do corpus DiPCo, 2019 |
| Taxa de erro de palavras do baseline do CHiME-6 (desenvolvimento / avaliação), com GSS contra um beamformer convencional (BeamformIt) | 51,8% / 51,3% contra 69,8% / 61,2% | Artigo do desafio CHiME-6, 2020 |
| Baseline do CHiME-6 quando o sistema também precisa descobrir quem falou quando (desenvolvimento / avaliação) | 84,3% / 77,9% | Artigo do desafio CHiME-6, 2020 |
| Taxa de erro de palavras do melhor sistema do CHiME-5 (desenvolvimento / avaliação) | 45,6% / 46,6% (USTC-iFlytek) | Artigo do desafio CHiME-6, 2020 |
| tcpWER do CHiME-6 dos melhores sistemas do CHiME-7/8; participação no CHiME-8 | Acima de 30%; 9 equipes enviando 32 sistemas | Revisão dos desafios DASR CHiME-7/8, arXiv 2025 |
Contexto: os números dos desafios medem conversa aberta, não comandos curtos, e por isso superestimam o erro de um alto-falante em ‘programe um timer’. Ainda assim, são a melhor evidência pública de quanto a própria sala custa, e o artigo do CHiME-6 mostra que só a passagem de um beamformer convencional para o GSS valeu cerca de 18 pontos no conjunto de desenvolvimento (69,8% menos 51,8%).
6. Quem Fica de Fora: Idosos em Casa
As falhas da palavra de ativação e do reconhecimento não se distribuem de forma uniforme. Em uma implantação domiciliar de um mês, 24,76% das interações com a Alexa de adultos de 66 a 94 anos envolveram um erro (Johns Hopkins University, arXiv 2024), e as taxas de erro não caíram ao longo das quatro semanas. Ouvir o pedido era só parte do problema: entender mal a intenção foi a maior categoria de erro isolada.
A própria palavra de ativação atrapalha as pessoas. Dizer uma quase-palavra, como ‘Alexis’, respondeu por mais tropeços do que as ativações falsas, o que é o espelho do problema da TV na seção 1: o aparelho é rigoroso com o dono e leniente com a televisão. As diferenças por sotaque e dialeto estão nas nossas estatísticas de viés de sotaque no reconhecimento de fala; esta seção fica com idade e cognição.
| Métrica | Valor | Fonte |
|---|---|---|
| Interações com erro, 15 lares de pessoas de 66 a 94 anos, Echo Dot, quatro semanas | 24,76% (632 de 2.552) | Johns Hopkins University, arXiv 2024 |
| Erros de reconhecimento de fala como parcela de todos os erros | 24,4% (154 de 632) | Johns Hopkins University, arXiv 2024 |
| Erros em que a Alexa não captou o pedido de forma alguma (‘não escutou’) | 10,9% (69 de 632) | Johns Hopkins University, arXiv 2024 |
| Erros causados por dizer a palavra de ativação errada (por exemplo, ‘Alexis’) | 7,8% (49 de 632) | Johns Hopkins University, arXiv 2024 |
| Erros causados por ativações falsas (disparos indevidos); parcela resolvida ao tentar de novo | 2,4% (15 de 632); 6,7% | Johns Hopkins University, arXiv 2024 |
| Falhas de reconhecimento de intenção, a maior categoria de erro | 32,3% (204 de 632) | Johns Hopkins University, arXiv 2024 |
| Erros de reconhecimento de fala em comandos da Alexa lidos por 83 idosos, grupo com demência contra grupo cognitivamente normal | Significativamente maiores no grupo com demência | Cohn et al., arXiv 2026 |
O estudo de 2026 sobre demência relata que a intensidade da voz, a qualidade vocal e a proporção de pausas previram a precisão do reconhecimento, o que liga a diferença etária de volta à acústica: vozes mais baixas e mais soprosas perdem mais energia ao atravessar a sala antes de chegar ao array.
7. Falsas Aceitações nos Tribunais e na Política das Empresas
As falsas aceitações deixaram de ser uma métrica de laboratório e passaram a ser uma responsabilidade jurídica. O acordo do Google tem um período da classe que começa em 18 de maio de 2016 e uma classe de privacidade definida em torno de gravações de falsas aceitações, e 1,49 milhão de pedidos tempestivos chegou em resposta a notificações enviadas por e-mail a 173.814.291 endereços (Tribunal Distrital dos EUA, N.D. Cal., despacho de aprovação final em Kumandan v. Google, outubro de 2026). Pelo nosso cálculo, isso dá uma taxa de pedidos de cerca de 0,86% dos endereços notificados (1,49 milhão / 173.814.291); o próprio despacho não informa uma taxa de pedidos.
O acordo da Siri, paralelo, da Apple cobre ativações não intencionais da Siri durante conversas privadas ao longo de uma década. A política das empresas também mudou: a Apple declarou em janeiro de 2025 que não retém gravações de áudio das interações com a Siri, a menos que os usuários optem por isso de forma explícita (Apple Newsroom 2025).
| Métrica | Valor | Fonte |
|---|---|---|
| Fundo do acordo do Google Assistant por falsas aceitações; data da aprovação final | US$ 68.000.000, não reversível; 13 de outubro de 2026 | Tribunal Distrital dos EUA, N.D. Cal., despacho em Kumandan v. Google, 2026 |
| Entrega das notificações e exclusões | E-mails para 173.814.291 endereços, 98,76% entregues; 217 pedidos de exclusão válidos e 7 objeções | Tribunal Distrital dos EUA, N.D. Cal., despacho em Kumandan v. Google, 2026 |
| Pagamento estimado por membro da classe | Cerca de US$ 18 a US$ 56 (classe de compradores); cerca de US$ 2 a US$ 10 (classe de privacidade) | Tribunal Distrital dos EUA, N.D. Cal., despacho em Kumandan v. Google, 2026 |
| Honorários advocatícios concedidos | US$ 22.666.666,70 (um terço do fundo) | Tribunal Distrital dos EUA, N.D. Cal., despacho em Kumandan v. Google, 2026 |
| Acordo da Apple sobre ativações não intencionais da Siri | Fundo de US$ 95 milhões; até US$ 20 por dispositivo com Siri, até cinco dispositivos; período da classe de 17 de setembro de 2014 a 31 de dezembro de 2024 | Administrador do acordo Lopez v. Apple, 2025-2026 |
| Parcela dos trechos de áudio do Assistant revisados por especialistas em idiomas | Cerca de 0,2% | Google, blog The Keyword, julho de 2019 |
| Parcela dos pedidos à Siri ouvidos por avaliadores humanos antes de a Apple suspender a avaliação | Menos de 0,2% | Apple Newsroom, agosto de 2019 |
Contexto: a declaração do Google sobre dados de fala, de 2019, descreveu as falsas aceitações como raras, e a declaração da Apple de 2019 se comprometeu a excluir gravações consideradas disparos inadvertidos. Nenhuma das empresas publicou a frequência de falsas aceitações, razão pela qual os estudos de laboratório das seções 1 e 2 continuam sendo a principal evidência pública.
Resumo: Beamforming em Alto-Falantes Inteligentes de Campo Distante e Precisão da Palavra de Ativação em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Ativações indevidas enquanto programas de TV tocavam por perto | 0,95 por hora, ou 1,43 por 10.000 palavras | Northeastern University e Imperial College London, PETS 2020 |
| 10% mais longos das ativações | 8 a 10 segundos ou mais, conforme o aparelho | Northeastern University e Imperial College London, PETS 2020 |
| Disparos acidentais, Cortana contra Hey Siri, 624 horas por alto-falante | 197 contra 8 | Ruhr University Bochum e Max Planck Institute, arXiv 2020 |
| Usuários de alto-falantes inteligentes que perceberam uma ativação acidental pelo menos uma vez por mês | 43,7% | Pesquisa Voicebot.ai 2018, publicada pela Voicebot.ai em 2020 |
| Falsos alarmes eliminados por um classificador de segundo estágio | Cerca de 67% | Amazon Science, ICASSP 2018 |
| Redução de disparos falsos com um modelo de linguagem complementar | 38,34% relativa | Apple, Interspeech 2020 |
| Disparos falsos suprimidos com um segundo extra de áudio | 95% | Apple Machine Learning Research 2021 |
| Redução de falsas rejeições com uma rede de dois microfones, a 0,1 falsa aceitação por hora | 27,2% limpo, 31,8% ruidoso | Google Research, Odyssey 2020 |
| Nível da reprodução do aparelho contra a fala em campo distante | 30-40 dB mais alta | Apple Machine Learning Research 2018 |
| Melhoria da taxa de erro de palavras com o processamento do HomePod durante a reprodução de música | Cerca de 90% relativa | Apple Machine Learning Research 2018 |
| Redução de eco nos dispositivos Echo | Cerca de 40 dB | Amazon Science 2018 |
| Falsas rejeições da palavra de ativação, fala próxima contra campo distante | 2,00% contra 5,11% | Personalized Voice Trigger Challenge 2020 |
| Melhor sistema audiovisual de palavra de ativação em campo distante, falsas rejeições e falsos alarmes | 2,15% e 3,44% | Sistema da Duke Kunshan University, ICASSP 2023 |
| Taxa de erro de palavras, fala próxima contra campo distante | 42,10% contra 77,52% | Artigo do corpus DiPCo, 2019 |
| Baseline do CHiME-6, GSS contra beamformer convencional (conjunto de desenvolvimento) | 51,8% contra 69,8% | Artigo do desafio CHiME-6, 2020 |
| Melhores sistemas do CHiME-7/8 nos jantares em casa do CHiME-6 | Acima de 30% de tcpWER | Revisão dos desafios DASR CHiME-7/8, arXiv 2025 |
| Interações com a Alexa com erro, adultos de 66 a 94 anos | 24,76% | Johns Hopkins University, arXiv 2024 |
| Acordo do Google Assistant por falsas aceitações e pedidos tempestivos | US$ 68 milhões; 1,49 milhão | Tribunal Distrital dos EUA, N.D. Cal., despacho em Kumandan v. Google, 2026 |
| Acordo da Apple sobre ativações não intencionais da Siri | US$ 95 milhões; até US$ 20 por dispositivo | Administrador do acordo Lopez v. Apple, 2025-2026 |
Metodologia e Fontes
Fizemos 15 buscas e lemos o artigo primário, o registro judicial ou a página da empresa para cada número acima. Quando só uma melhoria relativa é publicada, a apresentamos como relativa; não convertemos melhorias relativas em taxas absolutas. Os dois números de acordos são registros judiciais e de administradores, não medições técnicas.
- Northeastern University e Imperial College London, When Speakers Are All Ears: Characterizing Misactivations of IoT Smart Speakers, PETS 2020
- Voicebot.ai, reportagem sobre a pesquisa The Manifest e a pesquisa Voicebot de 2018, janeiro de 2020
- Ruhr University Bochum e 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, cancelamento de eco multicamada e aprimoramento de voz para alto-falantes inteligentes, 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 et al., 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 et al., erros de reconhecimento de fala em idosos com e sem demência usando a Amazon Alexa, arXiv 2026
- Tribunal Distrital dos EUA, N.D. Cal., Kumandan v. Google, despacho de aprovação final, 13 de outubro de 2026
- Lopez v. Apple, site do administrador do Lopez Voice Assistant Settlement, 2025-2026
- Google, More information about our processes to safeguard speech data, julho de 2019
- Apple Newsroom, Improving Siri’s privacy protections, agosto de 2019
- Apple Newsroom, Our longstanding privacy commitment with Siri, janeiro de 2025
- Nota sobre os dados: a maioria das medições técnicas deste levantamento é de 2018 a 2023, porque os fabricantes de alto-falantes inteligentes publicam melhorias relativas e notas de arquitetura, e não taxas absolutas de falsa aceitação de dispositivos comercializados; trate todo número de 2018-2021 como o dado mais recente disponível, não como o desempenho atual dos produtos. O número ‘até 19 vezes por dia’ que circula sobre o estudo da Northeastern é uma manchete da imprensa, não uma taxa relatada pelo estudo. O artigo sobre disparos acidentais informa 99 disparos da Alexa no texto e 100 em uma linha de tabela-resumo. O artigo multicanal do Google consta com reduções de falsas rejeições de 27,2% e 31,8% na sua página do Google Research; outras listagens de versões relacionadas mostram números diferentes, portanto cite a versão que você leu. O estudo da Johns Hopkins informa a taxa semanal de erros como 20-30% no texto e 21-26% na legenda de uma figura. As pesquisas Voicebot 2018 e The Manifest não são comparáveis (a segunda inclui celulares e acionamentos por botão). Os pagamentos do acordo do Google ainda não tinham sido distribuídos na data do despacho de outubro de 2026, e o despacho informa os pedidos até 17 de setembro de 2026, além de mais de 40.000 pedidos tardios que podem ser aceitos.
Última atualização: 24 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando os pagamentos do acordo Kumandan v. Google forem distribuídos e os anais do ICASSP 2027 forem publicados.