Assistents de veu
Què són i per a què serveixen
Un és un programa que entén ordres parlades i respon amb accions o informació. És com tenir un petit “ajudant digital” que pots cridar pel seu nom i et contesta.
El gran avantatge és que no cal teclat ni pantalla: pots demanar-li coses amb la veu. Això és útil quan tens les mans ocupades (cuinant, conduint), per a la domòtica de casa (llum, música, temporitzadors), o per a persones amb discapacitats visuals o motores, que poden controlar serveis sense haver d’escriure.
Com funcionen
Normalment hi ha dues fases:
- Detecció local: el dispositiu escolta de manera molt bàsica fins sentir la .
- Processament al núvol: un cop actiu, envia l’àudio o la al servidor, on s’interpreta la i es genera la resposta.
Perquè això sigui possible, l’aplicació o dispositiu ha de tenir permisos per accedir al micròfon del sistema. Sense aquest permís, l’assistent no podria escoltar-te ni reaccionar a la paraula d’activació.
Això planteja una pregunta clau: si es desperta per respondre'm quan dic “Oye Siri” o “Hey Google” o "Alexa" vol dir que m’està escoltant tot el temps no? La resposta és que sí i no: el dispositiu escolta contínuament de manera local, amb un sistema molt bàsic que només busca la paraula clau. Aquest àudio es processa en que es descarten si no hi ha activació, o sigui si no has dit la paraula clau. Només quan detecta la paraula d’activació comença a enviar la veu al servidor per entendre la pregunta i emetre la resposta.
Tot i així, com que aquest reconeixement no és perfecte, poden produir-se falses activacions. Això fa que fragments de veu s’enviïn encara que no ho volguessis. És un dels riscos inherents d’aquestes tecnologies.
Per això, si no tens un problema específic de discapacitat que faci especialment útil l’activació per veu, és recomanable utilitzar un botó físic o tàctil d’activació. Així el sistema només escolta quan tu decideixes, i el control sobre quan comença a gravar i enviar dades és molt més conscient.
Si has contractat un servei d’aquest tipus, o fas servir un assistent de veu integrat en una aplicació, val la pena llegir bé les seves polítiques de privacitat. Si és una empresa privada amb codi tancat, només et pots fiar del que diu el contracte: no tens manera de comprovar que sigui exactament així, com jo t'ho he explicat. En canvi, si es tracta d’un servei on el codi font és públic, qualsevol expert pot revisar si realment el mecanisme funciona com s’explica.
Imagina per un moment que el teu mòbil escoltés totes les converses —les teves i les dels familiars i amics amb qui parles. Sense accés al codi font, només pots creure que això no passa. Amb codi auditable, almenys hi ha una garantia: es pot verificar.
Procés d’una ordre (resum visual)
Micròfon → [Detecció local de la paraula clau] → (s’activa)
→ Enviament de veu/transcripció → Servidor de l’assistent
→ Reconèixer parla + entendre intenció
→ (Opcional) Trucar “skill”/servei tercer
→ Resposta (veu, música, domòtica, missatge)També existeixen projectes i dispositius oberts que permeten tenir un assistent de veu i la domòtica totalment en local, sense enviar dades al núvol. Per exemple, amb Home Assistant combinat amb un adaptador ConBee i el programari Phoscon, pots gestionar dispositius Zigbee (bombetes, sensors, interruptors) directament des de casa. Aquests sistemes requereixen més configuració tècnica, però demostren que és possible un model on les ordres i dades es processen amb la màxima privacitat, sense sortir de casa, dins de la teva xarxa local. Recorda l’exemple de l’hort intel·ligent dels primers capítols: quan les dades es queden a la teva xarxa local tens menys riscos. Amb els assistents de veu passa igual: si depens del servidor d’una empresa, les ordres surten a Internet; però si et configures el teu propi servidor (en local o al núvol), tu decideixes on es processen.
Local vs Núvol (comparativa)
| Fase | Què fa | Privacitat | Limitacions |
|---|---|---|---|
| Local (dispositiu) | Detecta paraula clau, ordres bàsiques | Alta (no surt de casa) | Més limitada en llenguatge i context |
| Núvol propi (servidor teu) | Processa ordres en un servidor que tu controles | Alta (decideixes on es guarden i processen) | Requereix més coneixements i manteniment |
| Núvol (servidor empresa comercial) | Transcripció, comprensió i integracions | Mitjana (necessita enviar veu o text) | Depèn de xarxa i polítiques del servei |
Si mires més amunt a Procés d’una ordre, potser t’ha passat per alt la fletxa (opcional) Trucar “skill”/servei tercer. Això passa quan el servidor principal de l’assistent no té prou coneixement per respondre’t i ha de consultar un altre servei extern. És exactament com quan surts d’aquest domini i cliques un enllaç que et porta a un altre web: canvies de context i entres en un altre domini. I aquí és on torna a aparèixer la : la teva petició pot deixar rastre en més d’un lloc alhora.
Quines dades es generen
- i fragments d’àudio de les ordres.
Tot el que dius es converteix a text i pot quedar guardat amb l’àudio original, servint tant per millorar l’algoritme com per entrenar serveis futurs.
- i paràmetres (música, llums, contactes…).
El sistema no només entén les paraules, sinó també el context: què vols escoltar, quin dispositiu encendre o amb qui vols contactar. És informació d’ús molt valuosa.
- (hora, dispositiu, compte, ubicació aproximada).
Encara que no diguis res personal, el sistema registra on i quan parles, des de quin dispositiu i amb quin compte. Aquestes dades permeten establir patrons d’hàbits.
- de tercers (domòtica, música, compres).
Quan l’assistent es connecta amb altres serveis (llum domòtica, botiga online, streaming…), les dades circulen també per aquests canals externs, multiplicant els punts de traçabilitat.
Fixa’t que, en definitiva, és el mateix que escriure: tots els mecanismes de i dels quals ja hem parlat estan igualment presents en aquest sistema. L’única diferència és el canal: en comptes de teclejar, parles, però les dades i metadades segueixen el mateix camí cap als servidors, i aquests servidors compleixen exactament les mateixes expectatives: indexar la informació, generar patrons i perfils, i fins i tot vendre’ls si és necessari.
Riscos i punts delicats
- .
- d’àudio si no la configures.
- Permisos i polítiques de .
Bones pràctiques
- Botó físic del micròfon quan no el necessitis.
- Limita retenció i esborra historial periòdicament.
- Perfils de veu i compres restringides.
- Wi-Fi separat per a dispositius de veu.