«Речь-в-речь» вместо цепочки из трёх моделей. Два года назад голосовой ИИ работал так: ...
«Речь-в-речь» вместо цепочки из трёх моделей. Два года назад голосовой ИИ работал так: речь распознаётся в текст, модель думает, синтез озвучивает ответ — каждый переход добавлял полторы-две секунды задержки. OpenAI, Google и Яндекс перешли на модели, которые слушают и говорят одним потоком, без пересборки через текст. Разница звучит революционной, и по архитектуре так оно и есть. По факту это означает, что агент слышит интонацию, может перебить себя посередине и реагирует быстрее. Не волшебство, а инженерия. Проблема в том, что гонка ведётся в закрытом доступе: OpenAI, Google и ElevenLabs — за границей. Яндекс и Сбер выпустили локальные версии, но это параллельная история, а не участие в одной гонке. Если нужна именно та архитектура, которая сейчас переделывает голосовых агентов — смотреть придётся туда, где её нет. Разбор целиком на NeiroAI