Разработчик голосового ИИ-приёмщика «Айка» для малого бизнеса провёл сравнительное тестирование трёх архитектур голосовых ассистентов: классической трёхзвенной цепочки, OpenAI Realtime и Yandex Realtime. Исходно Айка была построена на российском стеке: распознавание и синтез речи через Yandex SpeechKit, а в качестве LLM использовался Claude. Такая классическая трёхзвенка (STT → LLM → TTS) добавляет латентность на каждом этапе и теряет просодию, так как интонация выкидывается при распознавании и генерируется заново при синтезе.
В июле OpenAI выпустила gpt-realtime — модель «речь в речь», которая принимает аудио и выдаёт аудио напрямую, минуя промежуточный текст. Это обещает меньшую задержку и более естественное общение с возможностью перебивания. Автор собрал прототип на WebRTC с использованием ephemeral-токена, но столкнулся с несколькими проблемами. Во-первых, русский язык у OpenAI звучал с заметным английским акцентом; проблема рода (модель говорила о женском голосе в мужском роде) решалась промптом, а акцент — нет, так как фонетика зашита в аудиодвижок. Во-вторых, OpenAI заблокирован в России, а оплата из РФ затруднена. Для демо это терпимо, но для продакшена, где на том конце реальный клиент, — стоп-сигнал.
| Подход | Состав | Задержка | Качество русского | Доступность в РФ |
|---|---|---|---|---|
| Классическая трёхзвенка | STT (Yandex SpeechKit) + LLM (Claude) + TTS (Yandex SpeechKit) | Высокая (три round-trip) | Хорошее (родной синтез Яндекса) | Да |
| OpenAI Realtime | Единая модель speech-to-speech | Низкая (почти без пауз) | С акцентом, ошибки рода | Нет (блокировка, VPN) |
| Yandex Realtime | Единая модель speech-to-speech | Низкая (до 1 сек) | Отличное (родной русский) | Да (рубли, без VPN) |
Параллельно выяснилось, что Яндекс ещё в сентябре запустил собственный Realtime API на платформе ИИ Studio. Он тоже speech-to-speech, с одной моделью на вход-выход, server-side VAD и function calling, а заявленная задержка — до секунды. Русский для него родной, работает из РФ без VPN, оплата рублями. Автор начал интеграцию, но столкнулся с граблями доступа: сервисному аккаунту не хватало прав на модель — потребовалась агрегированная роль ИИ.models.user.
OpenAI Realtime показал неудовлетворительное качество русского языка: акцент и ошибки согласования рода.
После успешного подключения автор провёл замеры латентности всех трёх подходов. Классическая трёхзвенка показала наибольшую задержку из-за трёх последовательных обработок. OpenAI Realtime — минимальную, но с оговорками по качеству русского. Yandex Realtime — задержку, сопоставимую с OpenAI, но с идеальным русским и полной доступностью в РФ. Итоговое решение: перевести продакшн на Yandex Realtime, так как для российского бизнеса критичны отсутствие акцента, надёжный доступ и легальная оплата.
Выводы автора: OpenAI Realtime технически впечатляет, но для российского рынка пока неприменим из-за блокировок и языковых ограничений. Yandex Realtime оказался готовым решением, которое снимает все три барьера. Классический стек остаётся запасным вариантом, но realtime-движки уже выигрывают по скорости и естественности диалога.
