Разработчик, создающий голосового ИИ-приёмщика для малого бизнеса под именем Айка, столкнулся с дилеммой после выхода в июле 2025 года обновления gpt-realtime от OpenAI — нового движка для сквозной обработки речи, который обещал минимальную задержку и возможность перебивания. Его текущее решение строилось на классической трёхзвенной архитектуре: распознавание речи через Yandex SpeechKit, генерация ответа с помощью языковой модели Claude и синтез речи тем же SpeechKit. Хотя система работала стабильно, появление Realtime вызвало опасения, что проверенный стек может устареть, и разработчик решил провести собственное сравнение, не полагаясь на сторонние демонстрации.

Классический подход к голосовым ботам предполагает последовательную обработку аудио через три отдельных сервиса: STT преобразует речь в текст, LLM генерирует текстовый ответ, а TTS озвучивает его. Каждый этап добавляет задержку и теряет просодию — интонацию и эмоциональную окраску, которые STT отбрасывает, а TTS воссоздаёт заново. Realtime же объединяет все три звена в одну модель, которая принимает аудио и выдаёт аудио напрямую, сохраняя интонацию и позволяя реагировать на перебивания в процессе генерации. Разработчик оперативно собрал прототип на OpenAI, используя WebRTC для браузера и ephemeral-токены для безопасности, но столкнулся с неожиданной проблемой: старый бета-эндпоинт API оказался выпилен, и пришлось переходить на актуальный GA-эндпоинт через fetch к /v1/realtime/calls.

Первое впечатление от работы OpenAI Realtime было впечатляющим — модель отвечала почти без пауз, удерживала перебивания и звучала по-человечески. Однако для российского продакшена выявились фатальные недостатки. Русская речь воспроизводилась с заметным английским акцентом, так как голоса Realtime (marin, cedar и другие) натренированы преимущественно на английском языке. Кроме того, женский голос, которому дали женское имя, говорил о себе в мужском роде — «не понял», «готов», что связано с отсутствием грамматического рода в английском. Проблему с родом удалось решить за минуту через системный промпт, но акцент оказался неустраним — инструкции «говори как носитель» не влияют на фонетику, поскольку она зашита в аудио-движок модели. Дополнительными барьерами стали блокировка OpenAI в России, требующая VPN для клиентов, и сложности с оплатой из РФ.

Разработчик выяснил, что Яндекс ещё в сентябре 2025 года запустил собственный Realtime API на платформе AI Studio — аналогичный speech-to-speech движок с одной моделью на вход и выход аудио, server-side VAD и function calling, с заявленной задержкой до секунды. Русский язык для него родной, сервис работает из России без VPN, оплата возможна рублями. Однако настройка доступа к новому API оказалась нетривиальной: потребовалось добавить роли ai.languageModels.user для YandexGPT и ai.models.user для доступа к модели Realtime, помимо стандартных ролей SpeechKit. Дополнительно выяснилось, что с 1 июня 2026 года Яндекс закрыл обмен пользовательских OAuth-токенов на IAM-токен, что сломало автоматизацию через yc CLI, и роли пришлось назначать вручную. Также старый API-ключ с ограничением под SpeechKit не подошёл — потребовался новый ключ без ограничения области.

Проведённые замеры задержки для всех трёх подходов — классической трёхзвенки, OpenAI Realtime и Яндекс Realtime — показали, что оба Realtime-решения значительно превосходят классическую архитектуру по скорости отклика и естественности диалога. Однако для российского рынка решающим фактором стала не только задержка, но и доступность, стоимость и качество распознавания русского языка. OpenAI Realtime, несмотря на впечатляющую технологию, проигрывает из-за акцента, блокировок и валютных рисков. Яндекс Realtime, напротив, предлагает сопоставимую функциональность без этих ограничений, хотя и требует более тщательной настройки прав доступа и учёта изменений в API.

Этот выбор имеет более широкое значение для российского рынка ИИ. Сравнение показывает, что зарубежные решения, даже технологически передовые, сталкиваются с непреодолимыми барьерами при локализации: от фонетических особенностей до регуляторных ограничений. Для малого бизнеса, который всё активнее внедряет голосовых ассистентов для приёма звонков и записи клиентов, критична не только низкая задержка, но и стабильная работа без VPN, оплата в рублях и поддержка русского языка на уровне носителя. Яндекс, развивая Realtime API, фактически закрывает эту нишу, предоставляя отечественным разработчикам инструмент, сопоставимый с мировыми аналогами, но адаптированный под местные условия. Это может ускорить переход российских компаний с классических трёхзвенных архитектур на более современные speech-to-speech решения, что повысит качество обслуживания и снизит порог входа для небольших игроков.

В итоге разработчик принял решение перевести продакшен на Яндекс Realtime, что позволило сохранить все преимущества сквозной обработки речи — низкую задержку, поддержку перебиваний и естественную интонацию — при полной совместимости с российскими реалиями. Опыт показывает, что выбор голосового движка для бизнеса в России должен учитывать не только технические характеристики, но и юридические и инфраструктурные ограничения. Дальнейшее развитие проекта, вероятно, будет включать тонкую настройку промптов для лучшего согласования рода и стиля речи, а также тестирование Яндекса на более сложных сценариях с длинными диалогами и специфической терминологией малого бизнеса. Открытым остаётся вопрос, как быстро Яндекс сможет расширить набор голосов и улучшить обработку нестандартных акцентов и диалектов русского языка, что может стать следующим вызовом для разработчиков голосовых ИИ-ассистентов.