Come interrompere un assistente vocale IA su iPhone e cosa succede dopo

Dalla versione 2.4, Orvena ascolta mentre parla. Puoi troncare una risposta, cambiare idea a metà o dire "mh mh" senza fermarla, e un piccolo modello sul Neural Engine dell'iPhone capisce quale di queste cose intendevi. Ecco cosa fa in ciascun caso, le risposte brevi che dà senza il modello linguistico e quanto è affidabile.

Cosa succede quando interrompi Orvena

Durante una sessione vocale il microfono resta aperto mentre Orvena ragiona e parla. La cancellazione dell'eco dell'iPhone toglie la voce di Orvena da ciò che sente il microfono, così capta solo te. Appena il riconoscimento vocale di Apple rileva delle parole, Orvena abbassa la voce a circa un terzo del volume, e Cue, il suo modello dei turni, legge quello che hai detto insieme alla frase che Orvena stava pronunciando. Gli esiti possibili sono tre:

Per una richiesta, Cue segna anche la parola in cui la richiesta comincia, così "ok, capito, ora controlla Lisbona" arriva al modello come "ora controlla Lisbona". Nel dubbio, tiene una parola di troppo: un "ok" in più non costa nulla al modello, mentre perdere "Lisbona" sì.

Uno stop chiaro ha effetto mentre stai ancora parlando, appena Cue ne è sicuro almeno al 90%. Tutto il resto aspetta una pausa: 0,7 secondi senza parole nuove, oppure 0,4 secondi se il riconoscimento ha già segnato la tua frase come conclusa. Un "eh?", una parola detta a qualcun altro nella stanza o la TV in sottofondo non dovrebbero fermarla, così la risposta non viene troncata ogni volta che qualcuno parla.

Lo stesso vale mentre Orvena sta ancora preparando una risposta. Se aggiungi "anzi, facciamo alle 7:30" prima che inizi a parlare, smette di lavorare alla prima richiesta e risponde alla nuova.

Risposte che saltano il modello linguistico

Alcune cose che dici in una sessione vocale non hanno affatto bisogno di un modello linguistico. Quando inizia un nuovo turno, Cue controlla prima se si tratta di una delle nove frasi brevi che Orvena sa gestire da sola e, se è così, Orvena risponde subito con una delle sue poche frasi fisse:

Cue legge la parte finale di ciò che Orvena ha detto per ultimo, quindi le stesse parole possono significare cose diverse. Dopo "Vuoi che lo aggiunga al calendario?", un "ok" o un "grazie" è la tua risposta alla domanda, e va al modello. Anche tutto ciò che contiene una richiesta va al modello: "grazie, ora aggiungi il latte alla lista della spesa" è una richiesta, non un ringraziamento. Cue risponde per conto suo soltanto quando è sicuro almeno al 90%, e al 97% per un saluto di congedo, perché quello chiude la sessione.

Quando una richiesta va davvero al modello e per 0,8 secondi non è stato detto nulla, Orvena dice qualcosa di breve come "Va bene, controllo subito." Se dopo 10 secondi la risposta non è ancora pronta, dice "Ci sto ancora lavorando." Nessuna delle due viene detta se la risposta è già iniziata.

Dove viene presa la decisione

Cue è un piccolo modello di Orvena, con 376 milioni di parametri, addestrato esattamente per queste due decisioni. Gira sul Neural Engine dell'iPhone: su un iPhone 17 Pro Max una decisione ha richiesto circa 8 millisecondi con il telefono inattivo e circa 10 mentre la GPU era impegnata a generare. Così la GPU resta libera per il modello linguistico che scrive le risposte, cosa che conta soprattutto quando quel modello è quello di Orvena, che genera sullo stesso telefono.

Cue legge solo testo: la trascrizione del riconoscimento sul dispositivo di Apple e le parole che Orvena stava dicendo. Nulla di ciò che riguarda un'interruzione lascia il telefono. Pesa 385 MB e viene scaricato insieme alle voci dopo che hai sbloccato la voce, e la prima sessione vocale lo prepara una volta per il Neural Engine, con la stessa barra di avanzamento delle voci. Se non è stato possibile scaricarlo, per esempio perché eri offline, la voce si avvia comunque e ti avvisa: "Interrompere è disattivato per ora. Orvena finirà di prepararlo la prossima volta che avvii la voce."

Il modello e il codice di riferimento sono su Hugging Face con licenza Apache 2.0.

Quanto è affidabile

Su set di test scritti separatamente dai dati di addestramento, in tutte le sue 30 lingue, Cue ha preso la decisione giusta nel 90,4% di 900 interruzioni e nel 95,2% di 1.800 nuovi turni. Prende la scorciatoia solo quando è sicuro: su 990 richieste destinate al modello linguistico, 1 ha ricevuto invece una risposta breve.

Buono a sapersi

• Lingue. Cue conosce 30 lingue. La voce ascolta nelle lingue supportate dal riconoscimento sul dispositivo di Apple, e le risposte brevi funzionano in tutte tranne il norvegese.
• Altoparlante o cuffie. Con gli AirPods o altre cuffie, Orvena ascolta per tutto il tempo. Sull'altoparlante dell'iPhone si affida alla cancellazione dell'eco, e senza di essa Orvena ascolta solo tra una risposta e l'altra.

Domande frequenti

Con quali modelli funziona l'interruzione?

Il modello di Orvena, Apple Intelligence, Private Cloud Compute e i modelli cloud che aggiungi con la tua chiave. Cue gira sul telefono qualunque sia il modello che scrive la risposta. In una sessione vocale live con la tua chiave OpenAI, è il modello realtime di OpenAI a gestire da sé le interruzioni.

Funziona offline?

Sì, una volta che Cue e le voci sono sul telefono e la risposta arriva dal modello di Orvena o da Apple Intelligence. Riconoscimento, decisione e voce girano tutti sull'iPhone.

Orvena conserva quello che dico mentre parla?

Lo trascrive con il riconoscimento sul dispositivo di Apple, come fa quando ti ascolta nel tuo turno, e Cue legge quella trascrizione sul telefono. Le parole che giudica non rivolte a Orvena vengono scartate e non entrano nella conversazione.

Perché Orvena dice "controllo subito" prima di rispondere?

Quando una richiesta va al modello linguistico e per 0,8 secondi non è stato detto nulla, Orvena dice una frase breve, così sai che ti ha sentito. Se la risposta richiede più di 10 secondi, ti dice che ci sta ancora lavorando.

Cue è open source?

I pesi, una versione Core ML per il Neural Engine e il codice di riferimento sono su Hugging Face con licenza Apache 2.0, la stessa del modello Qwen3 su cui si basa. Anche i dati di addestramento sono pubblicati lì, con licenza CC BY 4.0.