Робособака Unitree Go2 заговорила по-русски без облака: пауза сократилась с 8,4 до 2,5 секунды

Цену робособаки и условия покупки материал не называет. Это инженерный разбор: как заставить робособаку Unitree Go2 расслышать человека рядом с собственными вентиляторами, понять конец вопроса и ответить по-русски. Автор, Лев Ларин из Unibot, в первой части разбирал доступ к компьютерам робота, Wi-Fi и подключение русских команд. Вторая часть посвящена голосу и измерениям.

Что нового

• Нейросеть живёт внутри робота. Языковая модель Qwen3-4B-Instruct-2507 работает на встроенном модуле Jetson Orin Nano, интернет для ответа не нужен.
• Пауза перед ответом сократилась. В раннем прогоне звук начинался через 8,4 секунды после передачи текста, в позднем через 2,5 секунды.
• Простые команды идут в обход нейросети. Фраза «дай лапу» после распознавания уходит в диспетчер (программу, которая сопоставляет фразу с готовым действием) и сразу запускает штатное движение.
• Время робот не придумывает. На вопросы о часах и состоянии отвечают отдельные обработчики, а не языковая модель.
• Звук проверяли с трёх метров. Команда сравнила фильтры шума и распознаватели речи на записи с этого расстояния.

Важная деталь: 2,5 секунды покрывают путь от готового текста до звука. Время на микрофон и распознавание речи в эту цифру не входит, автор считает эти этапы отдельно.

Как устроен голос внутри Go2 EDU?

У робота два компьютера. Основной контроллер Unitree на чипе Rockchip RK3588S с восемью ядрами держит микрофон, динамик и Wi-Fi. Дополнительный Jetson Orin Nano занимается речью и разговором.

Модуль Jetson работает в режиме 15 Вт, у него 8 ГБ памяти, общей для процессора и графического ускорителя (GPU, чип для быстрых нейросетевых вычислений). На GPU крутятся Qwen и синтез речи Silero. Модель сжата квантованием (упрощением чисел внутри модели, как сжатие фото без заметной потери качества), контекст выставлен на 4096 токенов. Токен, это кусочек слова, которым оперирует модель.

Модель на 1,7 млрд параметров команда тоже пробовала, но качество разговора её не устроило. Автор оговаривает: это конфигурация их экземпляра, а не обещание одинакового железа в каждой Go2.

Как попробовать

1. Проверьте, что у вас версия EDU с модулем Jetson Orin Nano: голосовой тракт автора держится именно на нём.
2. Запустите модель как постоянную службу через llama-server из набора llama.cpp, чтобы робот не загружал её заново на каждую реплику.
3. Передавайте звук с основного контроллера на Jetson по внутренней сети: микрофон подключён к основной плате, и на Jetson его нет.
4. Короткие команды отправляйте сразу в диспетчер, а языковой модели оставьте только свободные вопросы.

Можно ли заменить Qwen на YandexGPT или GigaChat?

Из доступных в РФ аналогов чаще называют YandexGPT и GigaChat. В разборе их не тестировали, поэтому сравнивать скорость или качество по этому материалу нельзя. Ключевое отличие схемы автора в том, что модель работает локально на плате робота.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. Тема «робот понимает русскую речь» хорошо продаётся видео. Снимайте честно: покажите паузу в секундах и сравните реакцию на «дай лапу» и на свободный вопрос.

Маркетологу. Цифра 2,5 секунды убедительнее обещания «мгновенного ответа». Если продвигаете робототехнику, опирайтесь на замеры, а не на прилагательные.

Предпринимателю РФ и СНГ. Перед покупкой Go2 под голосовые сценарии уточните у продавца версию и наличие Jetson. Цену и наличие в России материал не раскрывает, их придётся запрашивать отдельно.

Частые вопросы

Сколько стоит робособака Unitree Go2?

В материале цена не указана. Разбор посвящён технической настройке голоса, а не покупке.

Нужен ли интернет, чтобы Go2 отвечала по-русски?

В схеме автора нет: модель Qwen и синтез речи Silero работают на встроенном Jetson. Через основной контроллер идут микрофон, динамик и Wi-Fi.

Почему робот не отвечает мгновенно?

Голос проходит цепочку: распознать речь, сгенерировать ответ, озвучить его. Даже если каждое звено работает быстро, вместе они дают паузу. Поэтому команда и отправила простые команды в обход нейросети.

Вывод для тех, кто выбирает робота под разговор: смотрите не на размер модели, а на то, сколько секунд проходит от вашего вопроса до первого звука.