OpenAI Realtime против Яндекс Realtime: сравнил два голосовых движка для России и за вечер пересадил свой прод
Я делаю голосового ИИ-приёмщика для малого бизнеса — назвал её Айкой. Клиент звонит (пока — говорит через демо на сайте), Айка отвечает голосом: рассказывает про услуги, цены, записывает на разбор. Собрана на российском стеке: распознавание и синтез — Yandex SpeechKit, «мозг» — Claude. Классическая трёхзвенка.6 июля OpenAI выпустил gpt-realtime — обновление своего движка «речь в речь» (speech-to-speech). Лента запестрела: «говорит как человек», «можно перебивать», «латентность упала». Я занервничал: неужели мой проверенный стек уже вчерашний день?
Как устроены voice-2-voice модели
Вы говорите в телефон: «Объясни квантовую запутанность за минуту». Через долю секунды из динамика отвечает живой голос — не робот из навигатора, а почти собеседник: с паузами, интонацией, даже с лёгким «хм» перед сложным местом. Это voice-2-voice (V2V): модель принимает аудио и отвечает аудио. В этой статье мы разберём, как устроен этот фокус — от волны в микрофоне до звука в динамике.Откуда взялась статьяМне довелось поработать в Newo.ai — компании, которую основал Давид Ян
