Các nhà nghiên cứu ghi nhận loa thông minh thức dậy nhầm 0,95 lần mỗi giờ trong một thử nghiệm có kiểm soát, phát hai lượt, mỗi lượt 134 giờ nội dung Netflix cho bảy thiết bị (Northeastern University và Imperial College London, PETS 2020). Một nghiên cứu phòng thí nghiệm riêng, cho 11 loa của 8 nhà sản xuất chạy qua các chương trình TV và bản tin, đã tạo ra hơn 1.000 lần kích hoạt ngoài ý muốn đã được xác minh (Ruhr University Bochum và Max Planck Institute, arXiv 2020). Những lần chấp nhận sai này giờ đây mang theo cả cái giá pháp lý: thỏa thuận 68 triệu USD của Google về các lần chấp nhận sai của Assistant đã nhận 1,49 triệu yêu cầu nộp đúng hạn trước khi được phê duyệt cuối cùng vào tháng 10 năm 2026 (Tòa án Quận Hoa Kỳ khu vực Bắc California, lệnh Kumandan v. Google 2026). Về phía nhận dạng, một bộ kiểm chuẩn bữa tối tại nhà được thu bằng các dãy 7 micro cho thấy tỷ lệ lỗi từ tăng vọt từ 42,10% với tai nghe nói sát micro lên 77,52% với các thiết bị trường xa (bài báo về kho ngữ liệu DiPCo, 2019). Chúng tôi tổng hợp dữ liệu từ Northeastern University, Ruhr University Bochum, Amazon Science, Apple Machine Learning Research, Google Research, ban tổ chức thử thách CHiME, Johns Hopkins University và hai hồ sơ vụ kiện tập thể liên bang. Số hộ gia đình sở hữu các thiết bị này được trình bày trong thống kê sử dụng loa thông minh của chúng tôi; bài tổng hợp này nói về việc chúng nghe tốt đến đâu.
Tóm tắt nhanh
- Các nhà nghiên cứu ghi nhận 0,95 lần loa thông minh kích hoạt nhầm mỗi giờ, hay 1,43 lần trên 10.000 từ được nói, khi các chương trình TV phát gần đó (Northeastern University và Imperial College London, PETS 2020).
- Từ đánh thức Cortana tạo ra 197 lần kích hoạt ngoài ý muốn so với 8 lần của Hey Siri trong 624 giờ âm thanh cho mỗi loa (Ruhr University Bochum và Max Planck Institute, arXiv 2020).
- Người dùng loa thông minh nhận thấy loa thức dậy ngoài ý muốn ít nhất mỗi tháng một lần: 43,7% (khảo sát Voicebot.ai 2018, do Voicebot.ai 2020 báo cáo).
- Một bộ phân loại giai đoạn hai cắt giảm khoảng 67% số báo động giả của Alexa so với riêng bộ phát hiện giai đoạn một (Amazon Science, ICASSP 2018).
- Transformer dạng luồng của Apple loại bỏ 95% số lần kích hoạt sai chỉ với thêm một giây âm thanh sau thời điểm kích hoạt (Apple Machine Learning Research 2021).
- Xử lý sáu micro của HomePod cải thiện tỷ lệ lỗi từ khoảng 90% tương đối khi phát nhạc (Apple Machine Learning Research 2018).
- Số lần từ chối sai từ đánh thức ở mức một báo động giả mỗi giờ: 2,00% khi nói sát micro so với 5,11% trên các dãy micro trường xa (Personalized Voice Trigger Challenge 2020).
- Tỷ lệ lỗi từ trên kho ngữ liệu bữa tối tại nhà: 42,10% khi nói sát micro so với 77,52% ở trường xa (bài báo về kho ngữ liệu DiPCo, 2019).
- Ngay cả các hệ thống tốt nhất trong thử thách CHiME-7 và CHiME-8 vẫn ở trên 30% tcpWER trên các bữa tối tại nhà của CHiME-6 (CHiME-7/8 DASR review, arXiv 2025).
- 24,76% trong 2.552 lượt tương tác Alexa của người lớn tuổi từ 66 đến 94 có lỗi (Johns Hopkins University, arXiv 2024).
- Thỏa thuận 68 triệu USD của Google về chấp nhận sai của Assistant nhận 1,49 triệu yêu cầu nộp đúng hạn (lệnh phê duyệt cuối cùng Kumandan v. Google, tháng 10 năm 2026).
- Thỏa thuận Siri 95 triệu USD của Apple chi trả tối đa 20 USD cho mỗi thiết bị vì các lần kích hoạt ngoài ý muốn (Lopez v. Apple, đơn vị quản lý thỏa thuận, 2025-2026).
1. Kích Hoạt Ngoài Ý Muốn: Lời Thoại TV Đánh Thức Loa Thường Xuyên Đến Đâu
0,95 lần kích hoạt nhầm mỗi giờ nghe có vẻ nhỏ cho đến khi bạn nhớ rằng chiếc tivi trong phòng khách chạy hàng giờ liền, và cùng nghiên cứu đó phát hiện hầu như mọi lần kích hoạt được phát hiện cục bộ (thiết bị sáng đèn) cũng được gửi lên đám mây. Vì vậy câu hỏi về quyền riêng tư không chỉ là loa thức dậy thường xuyên đến đâu, mà là nó tiếp tục nghe trong bao lâu sau khi đã thức dậy.
Thời lượng là điểm nghiên cứu của Northeastern và Imperial College tiết lộ rõ nhất: một phần mười số lần kích hoạt dài nhất kéo dài 8 đến 10 giây tùy thiết bị, đủ để ghi lại trọn một câu của cuộc trò chuyện riêng tư. Các lần kích hoạt nhầm cũng không phải nhiễu ngẫu nhiên: 20,7% số lần kích hoạt của Google Home Mini và 17,7% của HomePod lặp lại trong hơn 75% trong 12 lượt thử, nghĩa là những câu thoại cụ thể đánh lừa thiết bị cụ thể một cách ổn định. Các khảo sát chủ sở hữu, do Voicebot.ai báo cáo, kể cùng một câu chuyện từ phía ghế sofa.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Nội dung được phát cho các loa thử nghiệm | Hai lượt, mỗi lượt 134 giờ từ 12 chương trình TV, ở Mỹ và Anh, cho 7 thiết bị (Google Home Mini, Apple HomePod, Harman Kardon Invoke, 2 Echo Dot thế hệ 2, 2 Echo Dot thế hệ 3) | Northeastern University và Imperial College London, PETS 2020 |
| Tỷ lệ kích hoạt nhầm được ghi nhận | 0,95 mỗi giờ, hay 1,43 trên 10.000 từ được nói | Northeastern University và Imperial College London, PETS 2020 |
| Chương trình TV gây ra nhiều lần kích hoạt nhất | The West Wing: trung bình 4,26 lần kích hoạt mỗi giờ; Narcos: 6,21 lần kích hoạt trên 10.000 từ lời thoại | Northeastern University và Imperial College London, PETS 2020 |
| Thời lượng của 10% lần kích hoạt dài nhất; lần kích hoạt đơn lẻ dài nhất | Ít nhất 10 giây trên HomePod, 9 giây trên Google Home Mini, 8 giây trên Echo Dot thế hệ 2 (từ đánh thức Echo); lên đến 43 giây trong một thí nghiệm, được coi là giá trị ngoại lai | Northeastern University và Imperial College London, PETS 2020 |
| Người dùng loa thông minh nhận thấy mình vô tình đánh thức trợ lý giọng nói ít nhất mỗi tháng một lần | 43,7% | Khảo sát Voicebot.ai 2018, do Voicebot.ai 2020 báo cáo |
| Người dùng tìm kiếm bằng giọng nói tại Mỹ (gồm cả điện thoại) vô tình đánh thức trợ lý trong một tháng | 64% trong 501 người trả lời | Khảo sát The Manifest, do Voicebot.ai 2020 báo cáo |
| Tỷ lệ các lần thức dậy ngoài ý muốn được báo cáo mà phần mềm phát hiện từ đánh thức không có lý do rõ ràng | 29% | Khảo sát The Manifest, do Voicebot.ai 2020 báo cáo |
Dữ liệu mới nhất hiện có: Northeastern University và Imperial College London, PETS 2020, cùng các khảo sát chủ sở hữu từ 2018 đến 2020. Chưa có phép đo kích hoạt nhầm độc lập nào lớn hơn được công bố kể từ đó, nên đây vẫn là các con số tham chiếu. Dòng tít được lặp lại rộng rãi “lên đến 19 lần mỗi ngày” đến từ báo chí, không phải từ các tỷ lệ do chính nghiên cứu báo cáo.
2. Những Từ Đánh Thức Kích Hoạt Nhầm Nhiều Nhất
Khoảng cách giữa các từ đánh thức là rất lớn: Cortana tạo ra 197 lần kích hoạt ngoài ý muốn trong khi Hey Siri tạo ra 8 dưới cùng một lượt phát. Những từ đánh thức ngắn, nghe quen tai va chạm với lời nói hằng ngày; các nhà nghiên cứu phát hiện từ tiếng Trung ‘dage’ (anh cả) bị nhầm với ‘Echo’ và cụm tiếng Đức ‘Am Sonntag’ bị nhầm với ‘Amazon’ trong các bản dự báo thời tiết.
Đám mây đóng vai trò bộ lọc thứ hai, nhưng không hoàn hảo. Chỉ một phần nhỏ các lần kích hoạt cục bộ của Cortana vượt qua bước kiểm tra của máy chủ, nhưng bài báo về kích hoạt ngoài ý muốn phát hiện rằng một lần kích hoạt được xác nhận trên đám mây có thể tải lên 10 giây âm thanh trở lên. Bước xác minh trên đám mây, nói đơn giản, là một bộ nhận dạng thứ hai, lớn hơn, trên máy chủ của công ty, nghe lại đoạn âm thanh và hủy lần thức dậy nếu không đồng ý với thiết bị.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Phạm vi thử nghiệm | 11 loa thông minh của 8 nhà sản xuất; 13 bộ dữ liệu chính, mỗi bộ 24 giờ, phát hai lần (13 x 24 x 2 = 624 giờ cho mỗi loa) | Ruhr University Bochum và Max Planck Institute, arXiv 2020 |
| Số lần kích hoạt ngoài ý muốn theo từ đánh thức | Cortana 197; Alexa 99; Computer 77; Amazon 57; Echo 43; OK/Hey Google 16; Hey Siri 8 | Ruhr University Bochum và Max Planck Institute, arXiv 2020 |
| Số lần kích hoạt của Cortana cũng vượt qua bước kiểm tra phía đám mây | 8 trong 197 (8 / 197 = 4,1%) | Ruhr University Bochum và Max Planck Institute, arXiv 2020 |
| Số lần kích hoạt của Amazon và Google kích hoạt lại ít nhất 4 lần trong 10 lượt phát lại | Khoảng 75% | Ruhr University Bochum và Max Planck Institute, arXiv 2020 |
| Từ đánh thức ‘Computer’ bị kích hoạt bởi cùng các tập Modern Family, bản tiếng Anh so với bản tiếng Đức | 9 lần so với 1 lần | Ruhr University Bochum và Max Planck Institute, arXiv 2020 |
| Âm thanh được tải lên sau lần kích hoạt đã được đám mây xác nhận so với thời gian để lần kích hoạt chỉ cục bộ dừng lại | 10 giây trở lên so với khoảng 1-2 giây | Ruhr University Bochum và Max Planck Institute, arXiv 2020 |
Dữ liệu mới nhất hiện có: Ruhr University Bochum và Max Planck Institute, arXiv 2020. Số liệu của Alexa xuất hiện là 99 trong phần văn bản của bài báo và là 100 trong một dòng bảng tóm tắt; chúng tôi dùng con số trong văn bản.
3. Phát Hiện Từ Đánh Thức: Đánh Đổi Giữa Từ Chối Sai và Báo Động Giả
Mọi công cụ từ đánh thức đều cân bằng hai loại lỗi. Từ chối sai là khi loa bỏ qua một câu ‘Alexa’ hay ‘Hey Siri’ thật; báo động giả (còn gọi là chấp nhận sai hoặc kích hoạt sai) là khi loa thức dậy dù không ai nói từ đánh thức. Các kỹ sư cố định một tỷ lệ lỗi rồi cố hạ tỷ lệ còn lại xuống, đó là lý do kết quả được trích dẫn dưới dạng “mức giảm tương đối ở mức báo động giả cố định” hoặc “ở mức 0,1 lần chấp nhận sai mỗi giờ”.
Mô hình chung ở các hãng là phòng thủ nhiều lớp. Kết quả nổi bật ở đây thuộc về Apple: 95% số lần kích hoạt sai bị loại bỏ chỉ với thêm một giây âm thanh (Apple Machine Learning Research 2021). Bộ phát hiện hai giai đoạn của Amazon và các bước kiểm tra dựa trên lattice của Apple cho thấy cùng một logic: một bộ phát hiện rẻ tiền luôn bật đánh thức thiết bị, và một giai đoạn hai nặng hơn quyết định có tiếp tục nghe hay không.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Bộ phát hiện hai giai đoạn trên thiết bị có mô hình hóa giọng nói nền: số lần từ chối sai ở mức báo động giả cố định; số báo động giả ở tỷ lệ bỏ sót cố định | Giảm tương đối khoảng 16%; giảm tương đối khoảng 37% | Amazon Science, ICASSP 2018 |
| Bộ phân loại giai đoạn hai bổ sung lên trên bộ phát hiện giai đoạn một | Ít hơn khoảng 67% báo động giả | Amazon Science, ICASSP 2018 |
| Tỷ lệ kích hoạt sai với mô hình ngôn ngữ bổ trợ, ở mức loại bỏ nhầm cố định 0,4% các yêu cầu thật | Giảm tương đối 38,34%, rồi giảm thêm 10,8% với mô hình song song | Apple, Interspeech 2020 |
| Số lần kích hoạt sai bị transformer dạng luồng loại bỏ với một giây âm thanh sau kích hoạt | 95% | Apple Machine Learning Research 2021 |
| Cùng mô hình dạng luồng so với phiên bản không dạng luồng | Giảm tương đối trung bình 18% số lần từ chối sai; ít hơn 32% bộ nhớ khi chạy; ít hơn 56% thời gian suy luận | Apple Machine Learning Research 2021 |
| Mạng đa micro so với mô hình một kênh chạy trên từng micro, ở mức 0,1 lần chấp nhận sai mỗi giờ | Giảm tương đối 27,2% (sạch) và 31,8% (có nhiễu) số lần từ chối sai trên các tập thử hai micro | Google Research, Odyssey 2020 |
| Thiết kế kích hoạt bằng giọng nói của Siri | Hai cụm từ kích hoạt (‘Hey Siri’ và ‘Siri’) trên 7 nhóm thiết bị; mạng lượt đầu được nén xuống 4 bit mỗi trọng số | Apple Machine Learning Research 2023 |
Bối cảnh: các hãng hầu như không bao giờ công bố tỷ lệ chấp nhận sai tuyệt đối cho sản phẩm đang bán, chỉ công bố mức cải thiện tương đối. Bài báo Complementary Language Model và bài báo đa kênh của Google theo đúng quy ước đó. Dữ liệu mới nhất hiện có về kiến trúc của hệ thống đang bán: Apple Machine Learning Research, Voice Trigger System for Siri, 2023.
4. Beamforming và Tầng Xử Lý Âm Thanh Đầu Vào
Beamforming nghĩa là kết hợp tín hiệu từ nhiều micro để dãy micro ‘nghe’ về phía người nói và tránh xa nhiễu. Khử tiếng vọng nghĩa là trừ đi chính nhạc của loa khỏi những gì micro của nó nghe thấy. Cả hai đều quan trọng vì, như Apple đã đo, âm thanh phát ra từ chính thiết bị có thể lớn hơn 30-40 dB so với giọng nói mà nó đang cố nghe (Apple Machine Learning Research 2018).
Lợi ích lớn nhất đúng ở nơi loa thông minh gặp khó khăn nhất: khi đang phát nhạc của chính nó. Công trình khử tiếng vọng nhiều lớp của Amazon báo cáo các bậc độ lớn tương tự. Cùng nguyên lý định hướng đó giảm nhiễu tại tai trong máy trợ thính, như thống kê SNR máy trợ thính micro định hướng của chúng tôi cho thấy; loa thông minh áp dụng nó từ phía bên kia căn phòng.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Số micro trên Apple HomePod; chi phí xử lý của phần tăng cường giọng nói | Sáu; dưới 15% của một lõi A8 ở 1,4 GHz | Apple Machine Learning Research 2018 |
| Âm thanh phát từ thiết bị (tiếng vọng) so với giọng nói trường xa; tiếng vọng còn lại sau khi khử tiếng vọng tuyến tính ở âm lượng lớn | Lớn hơn 30-40 dB; cao hơn giọng nói trường xa 10-20 dB | Apple Machine Learning Research 2018 |
| Mức cải thiện tương đối tỷ lệ lỗi từ nhờ xử lý đa kênh của HomePod | Khoảng 40% (giọng nói vang), 90% (khi phát nhạc), 74% (nhiễu nền lớn), 61% (người nói cạnh tranh) | Apple Machine Learning Research 2018 |
| Mức cải thiện tuyệt đối số lần từ chối sai ‘Hey Siri’ khi có người nói cạnh tranh | 29,0% so với giảm nhiễu dựa trên mặt nạ; 30,3% so với đầu ra xử lý tín hiệu cơ sở | Apple Machine Learning Research 2018 |
| Giảm tiếng vọng và nhiễu từ hệ thống nhiều lớp của Amazon trên các thiết bị Echo | Giảm tiếng vọng khoảng 40 dB; giảm nhiễu khoảng 19 dB | Amazon Science 2018 |
| Mức cải thiện tương đối tỷ lệ lỗi từ của ba lớp (Amazon gọi là SBNR, SBRES và NLEC) | Khoảng 22%, 14% và 17% | Amazon Science 2018 |
| Dãy thiết bị trường xa trong các bản ghi tại nhà của DiPCo | 7 micro: 6 micro trên vòng tròn bán kính 35 mm cộng 1 micro ở giữa | Bài báo về kho ngữ liệu DiPCo, 2019 |
| Các dãy micro được dùng trong mỗi bữa tối tại nhà của CHiME-6 | 6 thiết bị Microsoft Kinect với dãy tuyến tính 4 kênh (24 micro dãy) | CHiME-6 Challenge paper, 2020 |
Dữ liệu mới nhất hiện có: Apple Machine Learning Research 2018 và Amazon Science 2018. Cả hai công ty đã tung ra phần cứng mới hơn kể từ đó, nhưng không bên nào công bố các phép đo tầng đầu vào có thể so sánh.
5. Cái Giá Của Khoảng Cách Trong Nhận Dạng Trường Xa
Dời micro từ miệng sang phía bên kia căn phòng làm lỗi nhận dạng tăng gần gấp đôi trong các thử nghiệm có kiểm soát. Tỷ lệ lỗi từ tăng từ 42,10% với tai nghe nói sát micro lên 77,52% với thiết bị trường xa trong cùng các phiên bữa tối (bài báo về kho ngữ liệu DiPCo, 2019), và số lần từ chối sai từ đánh thức trong Personalized Voice Trigger Challenge cao gấp hơn hai lần trên các dãy micro trường xa so với điện thoại nói sát micro.
Âm thanh hội thoại tại nhà khó hơn nhiều so với một câu lệnh đơn lẻ: mọi người nói chồng lên nhau, đi lại giữa các phòng và nấu ăn. Hai thuật ngữ giúp đọc bảng dưới đây. Tách nguồn có hướng dẫn (GSS) là phương pháp đa micro dùng thông tin về ai nói khi nào để tách từng giọng, còn tcpWER là tỷ lệ lỗi từ có phạt cả những từ bị gán cho sai người nói hoặc sai thời điểm. Bài tổng quan CHiME-7 và CHiME-8 cho thấy nhiều năm tiến bộ vẫn để các bữa tối tại nhà là kịch bản khó nhất.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Số lần từ chối sai từ đánh thức ở mức một báo động giả mỗi giờ, điện thoại nói sát micro so với dãy micro trường xa (tập phát triển) | 2,00% so với 5,11% | Personalized Voice Trigger Challenge 2020 |
| Thiết lập ghi âm của thử thách | 612 giờ, 658.995 câu nói, 550 người nói; dãy 4 hoặc 6 kênh ở khoảng cách 1 m, 3 m và 5 m trong một căn phòng dựng như nhà thông minh | Personalized Voice Trigger Challenge 2020 |
| Từ đánh thức nhà thông minh trường xa (‘Xiao T, Xiao T’), tập đánh giá: số lần từ chối sai và báo động giả | Hệ thống chỉ dùng âm thanh tốt nhất 6,38% và 4,65%; hệ thống âm thanh-hình ảnh tốt nhất 2,15% và 3,44%; mức cơ sở âm thanh-hình ảnh chính thức 10,1% và 15% | Duke Kunshan University system, ICASSP 2023 (MISP 2021 challenge) |
| Tỷ lệ lỗi từ, tai nghe nói sát micro so với thiết bị 7 micro trường xa (tập đánh giá) | 42,10% so với 77,52% | Bài báo về kho ngữ liệu DiPCo, 2019 |
| Tỷ lệ lỗi từ mức cơ sở của CHiME-6 (phát triển / đánh giá), với GSS so với bộ tạo chùm tia thông thường (BeamformIt) | 51,8% / 51,3% so với 69,8% / 61,2% | CHiME-6 Challenge paper, 2020 |
| Mức cơ sở CHiME-6 khi hệ thống còn phải xác định ai nói khi nào (phát triển / đánh giá) | 84,3% / 77,9% | CHiME-6 Challenge paper, 2020 |
| Tỷ lệ lỗi từ của hệ thống CHiME-5 tốt nhất (phát triển / đánh giá) | 45,6% / 46,6% (USTC-iFlytek) | CHiME-6 Challenge paper, 2020 |
| tcpWER trên CHiME-6 của các hệ thống CHiME-7/8 tốt nhất; mức tham gia CHiME-8 | Trên 30%; 9 đội nộp 32 hệ thống | CHiME-7/8 DASR review, arXiv 2025 |
Bối cảnh: các con số của thử thách đo hội thoại mở, không phải lệnh ngắn, nên chúng phóng đại lỗi mà loa mắc phải với câu ‘đặt hẹn giờ’. Dù vậy chúng vẫn là bằng chứng công khai tốt nhất về cái giá mà chính căn phòng gây ra, và bài báo CHiME-6 cho thấy riêng bước nhảy từ bộ tạo chùm tia thông thường sang GSS đã đáng giá khoảng 18 điểm trên tập phát triển (69,8% trừ 51,8%).
6. Ai Bị Bỏ Sót: Người Lớn Tuổi Ở Nhà
Các lỗi từ đánh thức và nhận dạng không phân bố đồng đều. Trong một đợt triển khai tại nhà kéo dài một tháng, 24,76% lượt tương tác Alexa của người lớn tuổi từ 66 đến 94 có lỗi (Johns Hopkins University, arXiv 2024), và tỷ lệ lỗi không giảm trong suốt bốn tuần. Nghe được yêu cầu chỉ là một phần của vấn đề: hiểu sai ý định là nhóm lỗi đơn lẻ lớn nhất.
Bản thân từ đánh thức cũng khiến người ta vấp. Nói một từ gần đúng như ‘Alexis’ gây ra nhiều bước sai hơn các lần kích hoạt sai, và đó là hình ảnh phản chiếu của vấn đề TV ở phần 1: thiết bị khắt khe với chủ nhân và dễ dãi với chiếc tivi. Khoảng cách theo giọng vùng miền và phương ngữ được trình bày trong thống kê thiên lệch giọng vùng miền trong nhận dạng giọng nói của chúng tôi; phần này chỉ bàn về tuổi tác và nhận thức.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Lượt tương tác có lỗi, 15 hộ gia đình tuổi từ 66 đến 94, Echo Dot, bốn tuần | 24,76% (632 trong 2.552) | Johns Hopkins University, arXiv 2024 |
| Lỗi nhận dạng giọng nói tính theo tỷ lệ trên tổng số lỗi | 24,4% (154 trong 632) | Johns Hopkins University, arXiv 2024 |
| Lỗi mà Alexa hoàn toàn không tiếp nhận yêu cầu (‘không nghe thấy’) | 10,9% (69 trong 632) | Johns Hopkins University, arXiv 2024 |
| Lỗi do nói sai từ đánh thức (ví dụ ‘Alexis’) | 7,8% (49 trong 632) | Johns Hopkins University, arXiv 2024 |
| Lỗi do kích hoạt sai (kích hoạt nhầm); tỷ lệ được giải quyết khi thử lại | 2,4% (15 trong 632); 6,7% | Johns Hopkins University, arXiv 2024 |
| Lỗi nhận dạng ý định, nhóm lỗi lớn nhất | 32,3% (204 trong 632) | Johns Hopkins University, arXiv 2024 |
| Lỗi nhận dạng giọng nói trên các lệnh Alexa do 83 người lớn tuổi đọc, nhóm sa sút trí tuệ so với nhóm nhận thức bình thường | Cao hơn đáng kể ở nhóm sa sút trí tuệ | Cohn et al., arXiv 2026 |
Nghiên cứu về sa sút trí tuệ năm 2026 báo cáo rằng cường độ giọng nói, chất lượng giọng và tỷ lệ ngắt nghỉ dự đoán được độ chính xác nhận dạng, điều này gắn khoảng cách theo tuổi trở lại với âm học: giọng nhỏ hơn, nhiều hơi hơn mất nhiều năng lượng hơn khi đi qua căn phòng trước khi chạm tới dãy micro.
7. Chấp Nhận Sai Tại Tòa Án Và Trong Chính Sách Công Ty
Chấp nhận sai đã đi từ chỉ số phòng thí nghiệm sang trách nhiệm pháp lý. Thỏa thuận của Google có thời gian nhóm bắt đầu từ ngày 18 tháng 5 năm 2016 và một nhóm quyền riêng tư được xác định xoay quanh các bản ghi do chấp nhận sai, và 1,49 triệu yêu cầu nộp đúng hạn đã được gửi tới đáp lại các thông báo gửi qua email đến 173.814.291 địa chỉ (Tòa án Quận Hoa Kỳ khu vực Bắc California, lệnh phê duyệt cuối cùng Kumandan v. Google, tháng 10 năm 2026). Theo tính toán của chúng tôi, đó là tỷ lệ yêu cầu khoảng 0,86% số địa chỉ được thông báo (1,49 triệu / 173.814.291); bản thân lệnh không nêu tỷ lệ yêu cầu.
Thỏa thuận Siri song song của Apple bao phủ các lần kích hoạt Siri ngoài ý muốn trong những cuộc trò chuyện riêng tư suốt một thập kỷ. Chính sách của công ty cũng đã thay đổi: Apple tuyên bố vào tháng 1 năm 2025 rằng họ không lưu giữ bản ghi âm các tương tác với Siri trừ khi người dùng chủ động đồng ý (Apple Newsroom 2025).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Quỹ thỏa thuận về chấp nhận sai của Google Assistant; ngày phê duyệt cuối cùng | 68.000.000 USD, không hoàn lại cho bị đơn; ngày 13 tháng 10 năm 2026 | Tòa án Quận Hoa Kỳ khu vực Bắc California, lệnh Kumandan v. Google 2026 |
| Gửi thông báo và các yêu cầu loại trừ | Email đến 173.814.291 địa chỉ, 98,76% gửi thành công; 217 yêu cầu loại trừ hợp lệ và 7 phản đối | Tòa án Quận Hoa Kỳ khu vực Bắc California, lệnh Kumandan v. Google 2026 |
| Khoản thanh toán ước tính cho mỗi thành viên nhóm | Khoảng 18 đến 56 USD (nhóm người mua); khoảng 2 đến 10 USD (nhóm quyền riêng tư) | Tòa án Quận Hoa Kỳ khu vực Bắc California, lệnh Kumandan v. Google 2026 |
| Phí luật sư được chấp thuận | 22.666.666,70 USD (một phần ba quỹ) | Tòa án Quận Hoa Kỳ khu vực Bắc California, lệnh Kumandan v. Google 2026 |
| Thỏa thuận về kích hoạt Siri ngoài ý muốn của Apple | Quỹ 95 triệu USD; tối đa 20 USD cho mỗi thiết bị Siri, tối đa năm thiết bị; thời gian nhóm từ ngày 17 tháng 9 năm 2014 đến ngày 31 tháng 12 năm 2024 | Lopez v. Apple, đơn vị quản lý thỏa thuận, 2025-2026 |
| Tỷ lệ đoạn âm thanh Assistant được các chuyên gia ngôn ngữ xem xét | Khoảng 0,2% | Google, blog The Keyword, tháng 7 năm 2019 |
| Tỷ lệ yêu cầu Siri được người chấm điểm nghe trước khi Apple tạm dừng việc chấm điểm | Dưới 0,2% | Apple Newsroom, tháng 8 năm 2019 |
Bối cảnh: tuyên bố của Google về dữ liệu giọng nói năm 2019 mô tả chấp nhận sai là hiếm gặp, và tuyên bố năm 2019 của Apple cam kết xóa các bản ghi được đánh giá là kích hoạt ngoài ý muốn. Không công ty nào công bố tần suất chấp nhận sai, đó là lý do các nghiên cứu phòng thí nghiệm ở phần 1 và 2 vẫn là bằng chứng công khai chính.
Tổng kết: Beamforming Loa Thông Minh Trường Xa và Độ Chính Xác Từ Đánh Thức Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Kích hoạt nhầm khi chương trình TV phát gần đó | 0,95 mỗi giờ, hay 1,43 trên 10.000 từ | Northeastern University và Imperial College London, PETS 2020 |
| 10% lần kích hoạt dài nhất | 8 đến 10 giây trở lên, tùy thiết bị | Northeastern University và Imperial College London, PETS 2020 |
| Kích hoạt ngoài ý muốn, Cortana so với Hey Siri, 624 giờ cho mỗi loa | 197 so với 8 | Ruhr University Bochum và Max Planck Institute, arXiv 2020 |
| Người dùng loa thông minh nhận thấy loa thức dậy ngoài ý muốn ít nhất hằng tháng | 43,7% | Khảo sát Voicebot.ai 2018, do Voicebot.ai 2020 báo cáo |
| Báo động giả bị loại bỏ bởi bộ phân loại giai đoạn hai | Khoảng 67% | Amazon Science, ICASSP 2018 |
| Mức giảm kích hoạt sai nhờ mô hình ngôn ngữ bổ trợ | Giảm tương đối 38,34% | Apple, Interspeech 2020 |
| Kích hoạt sai bị loại bỏ với thêm một giây âm thanh | 95% | Apple Machine Learning Research 2021 |
| Mức giảm từ chối sai nhờ mạng hai micro ở mức 0,1 lần chấp nhận sai mỗi giờ | 27,2% sạch, 31,8% có nhiễu | Google Research, Odyssey 2020 |
| Mức âm thanh phát từ thiết bị so với giọng nói trường xa | Lớn hơn 30-40 dB | Apple Machine Learning Research 2018 |
| Mức cải thiện tỷ lệ lỗi từ nhờ xử lý của HomePod khi phát nhạc | Khoảng 90% tương đối | Apple Machine Learning Research 2018 |
| Giảm tiếng vọng trên các thiết bị Echo | Khoảng 40 dB | Amazon Science 2018 |
| Từ chối sai từ đánh thức, nói sát micro so với trường xa | 2,00% so với 5,11% | Personalized Voice Trigger Challenge 2020 |
| Hệ thống từ đánh thức trường xa âm thanh-hình ảnh tốt nhất, từ chối sai và báo động giả | 2,15% và 3,44% | Duke Kunshan University system, ICASSP 2023 |
| Tỷ lệ lỗi từ, nói sát micro so với trường xa | 42,10% so với 77,52% | Bài báo về kho ngữ liệu DiPCo, 2019 |
| Mức cơ sở CHiME-6, GSS so với bộ tạo chùm tia thông thường (tập phát triển) | 51,8% so với 69,8% | CHiME-6 Challenge paper, 2020 |
| Các hệ thống CHiME-7/8 tốt nhất trên bữa tối tại nhà của CHiME-6 | Trên 30% tcpWER | CHiME-7/8 DASR review, arXiv 2025 |
| Lượt tương tác Alexa có lỗi, người lớn tuổi từ 66 đến 94 | 24,76% | Johns Hopkins University, arXiv 2024 |
| Thỏa thuận về chấp nhận sai của Google Assistant và yêu cầu nộp đúng hạn | 68 triệu USD; 1,49 triệu | Tòa án Quận Hoa Kỳ khu vực Bắc California, lệnh Kumandan v. Google 2026 |
| Thỏa thuận về kích hoạt Siri ngoài ý muốn của Apple | 95 triệu USD; tối đa 20 USD cho mỗi thiết bị | Lopez v. Apple, đơn vị quản lý thỏa thuận, 2025-2026 |
Phương pháp luận và Nguồn
Chúng tôi đã thực hiện 15 lượt tìm kiếm và đọc bài báo gốc, hồ sơ tòa án hoặc trang của công ty cho mọi con số ở trên. Khi chỉ có mức cải thiện tương đối được công bố, chúng tôi báo cáo nó dưới dạng tương đối; chúng tôi không quy đổi mức cải thiện tương đối thành tỷ lệ tuyệt đối. Hai con số về thỏa thuận là hồ sơ của tòa án và đơn vị quản lý, không phải các phép đo kỹ thuật.
- Northeastern University and Imperial College London, When Speakers Are All Ears: Characterizing Misactivations of IoT Smart Speakers, PETS 2020
- Voicebot.ai, báo cáo về khảo sát The Manifest và khảo sát Voicebot 2018, tháng 1 năm 2020
- Ruhr University Bochum và 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, khử tiếng vọng nhiều lớp và tăng cường giọng nói cho loa thông minh, 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., lỗi nhận dạng giọng nói ở người lớn tuổi có và không có sa sút trí tuệ khi dùng Amazon Alexa, arXiv 2026
- Tòa án Quận Hoa Kỳ khu vực Bắc California, Kumandan v. Google, lệnh cho phép phê duyệt cuối cùng, ngày 13 tháng 10 năm 2026
- Lopez v. Apple, trang của đơn vị quản lý Lopez Voice Assistant Settlement, 2025-2026
- Google, More information about our processes to safeguard speech data, tháng 7 năm 2019
- Apple Newsroom, Improving Siri’s privacy protections, tháng 8 năm 2019
- Apple Newsroom, Our longstanding privacy commitment with Siri, tháng 1 năm 2025
- Lưu ý về dữ liệu: phần lớn các phép đo kỹ thuật trong bài tổng hợp này có từ năm 2018 đến 2023, vì các nhà sản xuất loa thông minh công bố mức cải thiện tương đối và ghi chú kiến trúc thay vì tỷ lệ chấp nhận sai tuyệt đối cho các thiết bị đang bán; hãy coi mọi con số 2018-2021 là dữ liệu mới nhất hiện có, không phải hiệu năng sản phẩm hiện tại. Con số “lên đến 19 lần mỗi ngày” lưu hành về nghiên cứu của Northeastern là một dòng tít báo chí, không phải tỷ lệ mà nghiên cứu báo cáo. Bài báo về kích hoạt ngoài ý muốn nêu 99 lần kích hoạt Alexa trong văn bản và 100 trong một dòng bảng tóm tắt. Bài báo đa kênh của Google được liệt kê với mức giảm từ chối sai 27,2% và 31,8% trên trang Google Research của nó; các danh mục khác về những phiên bản liên quan cho thấy số liệu khác, vì vậy hãy trích dẫn phiên bản bạn đã đọc. Nghiên cứu của Johns Hopkins nêu tỷ lệ lỗi hằng tuần là 20-30% trong văn bản và 21-26% trong chú thích hình. Khảo sát Voicebot 2018 và The Manifest không thể so sánh với nhau (khảo sát thứ hai gồm cả điện thoại và thao tác nhấn nút). Các khoản thanh toán trong thỏa thuận của Google chưa được phân phối vào thời điểm có lệnh tháng 10 năm 2026, và lệnh này báo cáo số yêu cầu tính đến ngày 17 tháng 9 năm 2026, cộng với hơn 40.000 yêu cầu nộp muộn có thể được chấp nhận.
Cập nhật lần cuối: ngày 24 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hằng quý, và lần làm mới tiếp theo dự kiến diễn ra khi các khoản thanh toán thỏa thuận Kumandan v. Google được phân phối và kỷ yếu ICASSP 2027 được phát hành.