Uma voz construída para a forma como falamos.

Não. Não existe demonstração pública, não existe API pública, não existe integração de telefonia, não existe duplex nativo e a clonagem vocal não está no produto. Todos os cinco estão listados como ausentes no nosso próprio roteiro. Se você precisa de um agente vocal que funcione agora, a resposta é Kallina, não Grai; se você precisa de um ficheiro de áudio, é Voice Studio.

Em reconhecimento em romeno, 26,31% de taxa de erro por palavras na janela predefinida de 1120 ms, com intervalo de confiança de 95% entre 24,07 e 28,60; em russo, 9,30%. Protocolo: 200 enunciados por idioma do FLEURS, semente 20260831, descodificação em fluxo. Quão bom é: não é bom. A nossa própria conclusão, escrita na tabela de comparação, é que na precisão em romeno perdemos face aos sistemas comerciais, com um fator de cinco a nove. O romeno é quase três vezes mais difícil de reconhecer do que o russo com a mesma configuração, o que é precisamente o problema que estudamos.

Na decomposição medida, o modelo de linguagem leva 2180 ms do percurso, o reconhecimento 92 ms e a síntese 305 ms. O reconhecimento é praticamente gratuito; a síntese quase o mesmo. Quem quiser uma conversa vocal mais rápida tem de atacar o modelo de linguagem — através de um modelo mais pequeno, através de streaming da resposta ou através do encurtamento das respostas. Aqui também temos de ser honestos connosco: os números de segmento publicados no site não somam o total publicado no mesmo ecrã, e a diferença é de cerca de meio segundo. A decomposição é a que nos inspira confiança; o total agregado tem de ser recalculado antes de ser citado.

Porque em cascata você pode mudar cada componente separadamente e pode manter o reconhecimento e a síntese locais, no processador, sem GPU. O preço é a latência de encadeamento e o facto de o modelo de linguagem, que é a maior parte do atraso, estar fora da máquina. O duplex nativo é uma direção, não algo que tenhamos — está na lista de «ainda não existe».

O roteiro propõe três treinos abaixo de 1.200 dólares no total: reconhecimento para romeno em VoxPopuli CC0, 89 horas, aproximadamente 50 horas de H100, cerca de 500 dólares; um detector de fim de turno para romeno, aproximadamente 2.000 amostras próprias, abaixo de 100 dólares; uma voz própria, 500-800 dólares. A terceira não está bloqueada por dinheiro, mas por dados — e pelo facto de o modelo de síntese em que nos baseávamos ter sido arquivado pelos seus autores. O valor-alvo para o primeiro treino, cerca de 21%, é uma extrapolação das melhorias obtidas em grego e búlgaro, não uma medição.

O método estudado é otimização inversa em pesos congelados, não clonagem a partir de alguns segundos: 6-30 minutos de material por voz, aproximadamente 3.000 passos de otimização, 2,6 GB de memória de pico, sendo o artefacto entregue da ordem dos kilobytes. Mas isso não está no produto, e é importante dizer por que não se trata apenas de uma questão técnica: na República da Moldova a voz é dado biométrico desde 23 de agosto de 2026. Sem consentimento explícito e cessão, a questão não é se é possível, mas que não se faz.

Porque, de outra forma, não faria sentido publicá-los de todo. Uma tabela em que você sai sempre em primeiro lugar é uma tabela de marketing. A nossa marca as linhas de terceiros como declaradas e apenas as nossas como medidas, e a conclusão escrita por baixo diz que perdemos. Ainda assim, é preciso dizer claramente o que ninguém de fora pode fazer: o código que produziu estas medições não é público e não acompanha o site, portanto os números não podem ser reproduzidos por um terceiro hoje. Trate-os como medições internas, não como resultados verificados de forma independente.