Głos zbudowany dla sposobu, w jaki mówimy.

Nie. Nie istnieje publiczna demonstracja, nie istnieje publiczne API, nie istnieje integracja z telefonią, nie istnieje natywne duplex i klonowanie głosu nie jest w produkcie. Wszystkie pięć jest wymienione jako brak w naszej własnej mapie drogowej. Jeśli potrzebujesz agenta głosowego, który działa teraz, odpowiedzią jest Kallina, nie Grai; jeśli potrzebujesz pliku audio, jest to Voice Studio.

W rozpoznawaniu w języku rumuńskim, 26,31% wskaźnik błędu słów na domyślnym oknie 1120 ms, z 95% przedziałem ufności między 24,07 a 28,60; w języku rosyjskim 9,30%. Protokół: 200 wypowiedzi na język z FLEURS, ziarno 20260831, dekodowanie strumieniowe. Jak dobry jest wynik: nie jest dobry. Nasz własny wniosek, zapisany w tabeli porównawczej, jest taki, że pod względem dokładności w języku rumuńskim przegrywamy z komercyjnymi systemami, z czynnikiem od pięciu do dziewięciu. Rumuński jest prawie trzy razy trudniejszy do rozpoznania niż rosyjski przy tej samej konfiguracji, co jest właśnie problemem, który badamy.

W podziale na zmierzone segmenty model językowy zajmuje 2180 ms trasy, rozpoznawanie 92 ms, a synteza 305 ms. Rozpoznawanie jest praktycznie darmowe; synteza prawie tak samo. Kto chce szybszą rozmowę głosową, musi uderzyć w model językowy — przez mniejszy model, przez streaming odpowiedzi albo przez skrócenie odpowiedzi. Tu trzeba być uczciwą także wobec siebie: liczby segmentów opublikowane na stronie nie sumują się do całkowitej opublikowanej na tym samym ekranie, a różnica wynosi około pół sekundy. Wierzymy w rozbicie na segmenty; łączny wynik trzeba przeliczyć przed zacytowaniem.

Bo w architekturze kaskadowej można osobno zmieniać każdy komponent i trzymać rozpoznawanie oraz syntezę lokalnie, na procesorze, bez GPU. Kosztem jest opóźnienie wynikające z łańcuchowania i fakt, że model językowy, który stanowi największą część opóźnienia, działa poza maszyną. Natywny duplex to kierunek, a nie coś, czym dysponujemy — jest na liście „jeszcze nie istnieje”.

Mapa drogowa proponuje trzy treningi za mniej niż 1.200 dolarów łącznie: rozpoznawanie dla rumuńskiego na VoxPopuli CC0, 89 godzin, około 50 godzin H100, w przybliżeniu 500 dolarów; detektor końca tury dla rumuńskiego, około 2.000 własnych próbek, poniżej 100 dolarów; własny głos, 500-800 dolarów. Trzecia rzecz nie jest zablokowana przez pieniądze, tylko przez dane — i przez fakt, że model syntezy, na którym się opierano, został zarchiwizowany przez jego autorów. Docelowa wartość dla pierwszego treningu, około 21%, jest ekstrapolacją z popraw uzyskanych dla greckiego i bułgarskiego, a nie pomiarem.

Badana metoda to optymalizacja odwrotna na zamrożonych wagach, a nie klonowanie z kilku sekund: 6-30 minut materiału na każdy głos, około 3.000 kroków optymalizacji, 2,6 GB pamięci szczytowej, a dostarczony artefakt ma rząd kilobajtów. Ale nie ma tego w produkcie i ważne jest, by powiedzieć, dlaczego nie jest to tylko kwestia techniczna: w Republice Mołdawii głos jest danymi biometrycznymi od 23 sierpnia 2026. Bez wyraźnej zgody i cesji pytanie nie brzmi, czy można, tylko że się tego nie robi.

Bo inaczej nie miałoby sensu publikować ich w ogóle. Tabela, w której zawsze wychodzi się na pierwszym miejscu, jest tabelą marketingową. Nasza oznacza wiersze stron trzecich jako deklarowane, a tylko nasze jako mierzone, a wniosek napisany pod nią mówi, że przegrywamy. Trzeba jednak jasno powiedzieć także to, czego nie może zrobić nikt z zewnątrz: kod, który wygenerował te pomiary, nie jest publiczny i nie towarzyszy stronie, więc liczb nie da się dziś odtworzyć przez stronę trzecią. Traktuj je jako pomiary wewnętrzne, a nie jako wyniki zweryfikowane niezależnie.