Исследователи Яндекса нашли способ добавлять новые голосовые команды в устройства с офлайн-распознаванием речи (например, умные колонки) без потери качества распознавания старых команд. Раньше при дообучении модели новыми фразами она резко теряла точность на старых: доля пропущенных знакомых команд взлетала с 2,71% до 69% (по данным Хабра — до 69,08%).

Вместо переобучения всей модели или подбора ограничений (как в методе EWC) команда предложила модульное расширениеi: основную нейросеть замораживают, а к ней подключают небольшой лёгкий модуль, который переиспользует активации старых слоёв и учится распознавать только новые команды. Это позволяет обновлять умные устройства с ограниченными ресурсами, не переобучая систему целиком и не рискуя ломать уже работающие функции — и всё работает прямо на устройстве без интернета.

• Стандартное дообучение подняло долю ошибок на старых командах с 2,71% до 69% (Хабр указывает точнее — 69,08%)
• Новый модульный подход снизил долю пропущенных новых команд с 6,46% до 4,37% по сравнению с отдельной моделью того же параметрического бюджета
• Дополнительный модуль увеличивает основную модель менее чем на 10% и требует меньше вычислений, чем LoRAi и адаптеры
• Подход тестировали на открытом наборе Google Speech Commands: в пяти экспериментах модель обучали новой паре команд, сохраняя поддержку восьми уже известных
• Пример прикладной задачи: в умную колонку хотели добавить команды «лайк», «дизлайк» и «включи блютус» к уже работающим быстрым командам вроде «дальше» и «тише»
• Метод EWC (стандартный подход к непрерывному обучению) удерживает параметры модели близко к исходным значениям, но не гарантирует сохранение качества старых команд
• Статья «Scalable Keyword Spotting via Modular Network Expansion» принята на конференцию Interspeech 2026, которая пройдёт с 27 сентября по 1 октября в Сиднее