6 июля OpenAI выкатил gpt-realtime-2.1 — голосовой движок, который работает «речь в речь»: слышит и отвечает голосом напрямую, без промежуточного текста. В демо он говорит как живой человек, держит паузы, интонацию, его можно перебить на полуслове — и он замолкает и реагирует. Интернет в восторге.
А мы как раз делаем голосового ИИ-приёмщика — Айку. Она берёт звонки, отвечает клиентам, записывает на приём, работает круглосуточно. Собрана на российском стеке: голос — Яндекс SpeechKit (голос Алёны), мозг — Claude Haiku 4.5. Работает в проде, у клиентов.
И встал честный вопрос: неужели наша Айка уже устарела? Гадать не хотелось — решили собрать прототип на новом движке и послушать своими ушами.
Что такое Realtime, по-простому
Обычный голосовой бот работает в три шага: распознал вашу речь в текст, подумал текстом, озвучил ответ. Три звена, и каждое добавляет задержку и «роботичность». Именно так устроена наша Айка.
Realtime убирает промежуток: одна модель напрямую слышит звук и сразу отвечает голосом. Отсюда и живость — перебивания, интонация, реакция на лету.
Собрали прототип за день
Сделали веб-страницу: браузер соединяется с OpenAI по WebRTC, микрофон, голос. Роль дали ту же, что у нашей Айки, — голосовой ассистент студии, который рассказывает про услуги, тарифы, кейсы и записывает на бесплатный разбор. Так сравнение получилось честным: одна роль, разные движки. Модель — gpt-realtime-2.1, голос Marin.
Первое впечатление — вау
Первое, что чувствуешь: она отвечает как человек. Спрашиваешь «Чем занимается ваша студия?» — и слышишь без запинки:
Я Айка, голосовой ассистент студии «Первый ИИ». Создаём и внедряем ИИ-агентов для бизнеса — на сайт, в Телеграм, Авито, для приёма звонков, ответов на отзывы…
Перебиваешь на середине: «А сколько стоит агент на сайт?» — и она тут же замолкает и переключается. Вот это ощущение живого собеседника, которого можно перебить, — и есть главный козырь Realtime.
Замерили — и вот тут началось интересное
Мы записали оба разговора на одинаковых вопросах и замерили паузу между концом фразы и началом ответа.
| Параметр | OpenAI Realtime | Наша Айка (Яндекс) |
|---|---|---|
| Задержка ответа | ~2 сек | ~5 сек |
| Перебивания | держит нативно | рвут цепочку |
| Русский язык | с акцентом | родной, чистый |
| Доступ в РФ без VPN | нет | да |
Realtime отвечает за пару секунд — стабильно. Наша Айка думает вдвое-втрое дольше: пока распознает речь, пока мозг ответит, пока синтезирует голос — набегает 4–6 секунд. В живом разговоре это слышно. А если Айку ещё и перебить — трёхзвенная цепочка спотыкается, тогда как «речь в речь» перебивание держит спокойно.
Признаемся честно: сначала мы сами недооценили разрыв — списали Айкины паузы на «человек думал». Но нет: переслушали запись — тормозит именно она. Правда бывает неудобной.
Но есть три «но» — и они серьёзные для России
Пока звучит так, будто Realtime победил всухую. Не спешите.
1. Акцент. Голоса Realtime натренированы в первую очередь на английском. Русский для них неродной — и это слышно. Мы попробовали лечить промптом: попросили говорить «как носитель, без акцента». Грамматику и род это чинит (было «не понял» от женского голоса — стало «поняла»), а вот сам акцент нет. Он живёт в аудио-движке модели, куда инструкции не достают. Для клиента на том конце провода это заметно. Наша Айка на Яндексе говорит на родном русском без единого намёка на акцент.
2. В России без VPN не работает. OpenAI в РФ заблокирован. Для бизнеса, чьи клиенты сидят без VPN, это стоп: живой голосовой агент у них просто не подключится. Нужен зарубежный сервер-посредник и отдельная возня. Айка работает у всех, из любой точки России, без плясок.
3. Дороже и сложнее платить. Realtime заметно дороже в работе, а оплатить его из России — отдельный квест: карты не проходят, нужны обходные пути. Наш стек на Яндексе и в работе выходит ощутимо экономнее, и оплата — рублями, без плясок.
Честный вывод
Не «кто победил». Это два инструмента под разные задачи.
OpenAI Realtime — голос нового поколения. Отзывчивее, живее, держит перебивания, звучит по-человечески. Если задача — вау-эффект и естественный диалог, и вы готовы решить доступ из РФ, платить больше и мириться с акцентом, — это будущее, и оно уже здесь.
Наша Айка — практичнее для России прямо сейчас. Чистый русский, работает у всех без VPN, экономнее, оплата рублями. Она не звучит так «вау», зато реально берёт трубку у клиента в Саратове, который про VPN и не слышал.
Мы не будем притворяться, что новьё не круче в главном — в человечности голоса оно круче. Но и хоронить проверенное решение из-за хайпа глупо: бизнесу нужен не самый модный движок, а тот, что реально отвечает его клиентам.
Мы в студии «Первый ИИ» не просто продаём готовое — щупаем всё новое своими руками в тот же день, когда оно выходит. Чтобы клиенту подбирать не хайп, а то, что решает его задачу. Сегодня для российского бизнеса это чаще наша Айка. Завтра, когда OpenAI откроется и подтянет русский, — возможно, Realtime. Мы будем готовы к обоим. Подписывайтесь на @pervyyii, если хочется смотреть на маленькую студию изнутри.