O voce construită pentru felul în care vorbim.

Nu. Nu există demonstrație publică, nu există API public, nu există integrare de telefonie, nu există duplex nativ și clonarea vocală nu e în produs. Toate cinci sunt enumerate ca lipsă în propria noastră foaie de parcurs. Dacă ai nevoie de un agent vocal care funcționează acum, răspunsul e Kallina, nu Grai; dacă ai nevoie de un fișier audio, e Voice Studio.

Pe recunoaștere în română, 26,31% rată de eroare pe cuvinte pe fereastra implicită de 1120 ms, cu interval de încredere 95% între 24,07 și 28,60; în rusă 9,30%. Protocolul: 200 de rostiri per limbă din FLEURS, sămânță 20260831, decodare în flux. Cât de bun e: nu e bun. Concluzia noastră proprie, scrisă în tabelul de comparație, e că pe acuratețe în română pierdem față de sistemele comerciale, cu un factor de cinci până la nouă. Româna e de aproape trei ori mai greu de recunoscut decât rusa cu aceeași configurație, ceea ce e chiar problema pe care o studiem.

Pe defalcarea măsurată, modelul de limbaj ia 2180 ms din traseu, recunoașterea 92 ms și sinteza 305 ms. Recunoașterea e practic gratuită; sinteza aproape la fel. Cine vrea o conversație vocală mai rapidă trebuie să atace modelul de limbaj — prin model mai mic, prin streaming al răspunsului sau prin scurtarea răspunsurilor. Aici trebuie să fim onești și cu noi: cifrele de segment publicate pe site nu se adună la totalul publicat pe același ecran, iar diferența e de aproximativ o jumătate de secundă. Defalcarea e cea în care avem încredere; totalul agregat trebuie recalculat înainte de a fi citat.

Pentru că în cascadă poți schimba fiecare componentă separat și poți ține recunoașterea și sinteza local, pe procesor, fără GPU. Prețul e latența de înlănțuire și faptul că modelul de limbaj, care e cea mai mare parte a întârzierii, stă în afara mașinii. Duplexul nativ e o direcție, nu ceva ce avem — e pe lista de „nu există încă”.

Foaia de parcurs propune trei antrenări sub 1.200 de dolari în total: recunoaștere pentru română pe VoxPopuli CC0, 89 de ore, aproximativ 50 de ore de H100, în jur de 500 de dolari; un detector de sfârșit de tură pentru română, aproximativ 2.000 de mostre proprii, sub 100 de dolari; o voce proprie, 500-800 de dolari. A treia nu e blocată de bani, ci de date — și de faptul că modelul de sinteză pe care ne bazam a fost arhivat de autorii lui. Cifra țintă pentru prima antrenare, în jur de 21%, e o extrapolare din ameliorările obținute pe greacă și bulgară, nu o măsurătoare.

Metoda studiată e optimizare inversă pe greutăți înghețate, nu clonare din câteva secunde: 6-30 de minute de material per voce, aproximativ 3.000 de pași de optimizare, 2,6 GB memorie de vârf, artefactul livrat fiind de ordinul kiloocteților. Dar nu e în produs, și e important să spunem de ce nu e doar o chestiune tehnică: în Republica Moldova vocea e dată biometrică din 23 august 2026. Fără consimțământ explicit și cesiune, întrebarea nu e dacă se poate, ci că nu se face.

Pentru că altfel nu ar avea rost să le publicăm deloc. Un tabel în care ieși mereu primul e un tabel de marketing. Al nostru marchează rândurile terților ca declarate și doar pe ale noastre ca măsurate, iar concluzia scrisă sub el spune că pierdem. Trebuie totuși spus limpede și ce nu poate face nimeni din afară: codul care a produs aceste măsurători nu e public și nu însoțește site-ul, deci cifrele nu pot fi reproduse de un terț astăzi. Tratează-le ca măsurători interne, nu ca rezultate verificate independent.