ElevenLabs объявила о приобретении японской voice AI лаборатории Kotoba Technologies. Компания развивает модель Koto для японского text-to-speech, speech-to-text и speech-to-speech перевода. Цель сделки — создать голосовых агентов и интерфейсы, которые учитывают не только японские слова, но и местные социальные нормы общения.

В официальном анонсе подчёркивается: предложения не всегда содержат подлежащее и дополнение, слова зависят от собеседника, паузы означают размышление, похвала отклоняется, а прямое «нет» часто смягчается. Это не просто лингвистическая задача распознавания речи, а вопрос того, как агент ведёт себя в разговоре.

Что такое Koto

Koto работает с японским преобразованием текста в речь, распознаванием речи и прямым переводом speech-to-speech. По данным ElevenLabs, её уже используют крупные предприятия, включая Salesforce в Agentforce Voice для японских разговоров. Это не только экспериментальная модель для демонстраций, а технология, встроенная в рабочие голосовые процессы.

КомпонентЗачем он нужен
Text-to-speechЕстественная японская речь и интонация
Speech-to-textРаспознавание слов, акцентов и особенностей речи
Speech-to-speechОдновременный перевод с сохранением смысла и манеры
Поведение агентаПаузы, вежливость, стиль и социальные правила диалога
ИнфраструктураРабота с корпоративными голосовыми сценариями
Состав голосового интерфейса

Почему перевода слов недостаточно

Можно перевести фразу грамматически правильно и всё равно сделать разговор неестественным. Например, слишком прямой отказ может быть неуместным в одном контексте, а долгая пауза не обязана означать ошибку или молчание собеседника. Если агент перебивает человека после короткой тишины, он формально быстр, но социально неудобен.

Для голосовых агентов важно настроить не только произношение, но и turn-taking: когда ждать, как уточнять, как выражать несогласие и как завершать разговор. Японский пример показывает общий принцип для любого языка: модель должна учитывать культурный контекст и ситуацию, а не переносить один стиль общения на весь мир.

Кто стоит за Kotoba

Лаборатория основана Нориюки Кодзимой и Джунго Касаи в 2023 году. Кодзима работал над Japan’s Fugaku-LLM и исследованиями Hugging Face, Касаи — специалист по компьютерным наукам и один из наиболее цитируемых исследователей Японии. Их цель — создать frontier AI lab из Японии для многоязычного мира.

Для ElevenLabs это не только покупка модели: компания получает исследовательскую команду, знание японского рынка и путь к корпоративным клиентам. В ближайшие месяцы она планирует развивать местных sales-лидеров и инфраструктуру Японии. Сделка ещё подлежит стандартным регуляторным и договорным условиям закрытия.

Что это меняет для голосовых агентов

  1. Произношение и распознавание должны учитывать региональные варианты речи.
  2. Инструкция агента должна описывать стиль общения и допустимые паузы.
  3. Перевод должен сохранять намерение и вежливость, а не только словарный смысл.
  4. Оценка должна идти на реальных разговорах с разными акцентами и шумом.
  5. Нужны правила остановки и передачи человеку, если разговор выходит за сценарий.
  6. Локальные команды важны для исследования, продаж и поддержки, а не только для модели.
Ты голосовой агент поддержки на японском языке.

Сохраняй уважительную и естественную манеру разговора.
Не перебивай после короткой паузы.
Если собеседник не закончил мысль, подожди.
Уточняй смысл мягко и без прямого давления.
Если не уверен в переводе или намерении, задай короткий вопрос.
Не выдумывай обещания и не передавай решения без подтверждения оператора.

ElevenLabs и СуперИнтеллект

В СуперИнтеллекте можно создавать цифровых сотрудников с инструкциями под конкретный язык и стиль, подключать знания компании и использовать модели озвучки и расшифровки. Для межъязычной работы полезно проверять не только точность слов, но и то, как агент ведёт диалог и когда останавливается. Смежные материалы: обзор ElevenLabs Realtime, Suno v6 и музыкальный процесс и новые модели МедиаЛаба.

Как тестировать голосового агента на культурную естественность

Для оценки нужны не только текстовые транскрипты. Одна и та же фраза может звучать уместно или резко в зависимости от интонации, скорости и паузы. Привлекайте носителей языка и представителей целевой аудитории, записывайте их замечания по конкретным моментам разговора и не сводите качество к проценту правильно распознанных слов.

ПроверкаЧто оцениватьТипичная ошибка
ПаузаЖдёт ли агент завершения мыслиПеребивание после короткой тишины
УточнениеСохраняет ли вопрос уважительный тонДопрос вместо мягкого уточнения
ОтказОбъяснена ли граница без давленияСлишком прямое или уклончивое «нет»
ПереводПереданы ли намерение и уровень формальностиТочные слова при неправильном тоне
ЗавершениеПонятен ли следующий шагРезкое окончание или лишние повторы
Рубрика для ручной оценки диалога

В тестовый набор включите разные скорости речи, акценты, шум, неполные предложения и смену темы. Отдельно проверьте ситуации, где правильный ответ неизвестен: агент должен мягко остановиться и передать разговор оператору, а не поддерживать уверенную беседу любой ценой.

Метрики голосового процесса

  • Доля завершённых обращений без повторного звонка по той же причине.
  • Число перебиваний, неправильных активаций и ложных распознаваний на разговор.
  • Полнота и правильность переданного намерения, а не только слов.
  • Задержка ответа с учётом допустимой паузы для конкретной культуры.
  • Частота и уместность передачи человеку в сложных ситуациях.
  • Оценка носителей языка по естественности, уважению и ясности.

Минимальная задержка не всегда означает лучший разговор. Если человек обычно обдумывает ответ, мгновенная реплика агента может восприниматься как перебивание. Настройки следует выбирать по сценарию: для аварийной поддержки важна скорость, для консультации — возможность спокойно закончить мысль.

Почему локальная экспертиза важна и для русского языка

Русскоязычный корпоративный агент тоже должен различать деловой разговор, поддержку, обучение и неформальный диалог. Обращение на «ты» или «вы», допустимость прямого отказа, работа с именем и отчеством и способ подтверждения договорённости зависят от контекста. Эти правила нужно описывать в инструкции и проверять на реальных обращениях.

В СуперИнтеллекте для этого можно хранить тональность и примеры в базе знаний, а тестовые диалоги разбирать с участием владельца процесса. Модель озвучки отвечает за звучание, но культурное поведение задаёт вся система: инструкция, данные, логика ожидания и правила эскалации.

Частые вопросы

Сделка уже завершена?

Объявлено приобретение, а окончание ожидается в четвёртом квартале 2026 года после обычных регуляторных и договорных условий. Поэтому не стоит описывать сделку как уже закрытую.

Что такое Koto?

Голосовая модель Kotoba для японского text-to-speech, speech-to-text и speech-to-speech перевода. Она уже применяется в корпоративных голосовых продуктах, включая Agentforce Voice от Salesforce.

Зачем покупать целую лабораторию?

Культурная беглость требует исследований, данных и понимания рынка, а не только смены голоса. Команда Kotoba приносит именно эти знания и корпоративный опыт Японии.

Можно ли настроить голосового агента под другой язык?

Да, но инструкция должна учитывать произношение, манеру, паузы и социальные правила. Проверяйте агента на реальных диалогах и подключайте носителей языка к оценке.

Итог и источник

Приобретение Kotoba показывает, что голосовой ИИ конкурирует не только за качество звука, но и за культурную естественность взаимодействия. Это важно для любого языка и любого корпоративного агента. Основной источник: официальный анонс ElevenLabs.


Создайте голосовых и текстовых агентов в СуперИнтеллекте — инструкции, знания, МедиаЛаб, ПК-версия, 100 нейронов в месяц бесплатно и оплата картой РФ или по счёту.