Голос, созданный для того, как мы говорим.

Нет. Нет публичной демонстрации, нет публичного API, нет интеграции телефонии, нет нативного duplex, и клонирование голоса не входит в продукт. Все пять пунктов указаны как отсутствующие в нашей собственной дорожной карте. Если вам нужен голосовой агент, который работает сейчас, ответ — Kallina, а не Grai; если вам нужен аудиофайл, это Voice Studio.

По распознаванию на румынском — 26,31% ошибки по словам на стандартном окне 1120 мс, с 95% доверительным интервалом от 24,07 до 28,60; на русском — 9,30%. Протокол: 200 произнесений на язык из FLEURS, seed 20260831, потоковая декодировка. Насколько это хорошо: не хорошо. Наш собственный вывод, написанный в таблице сравнения, состоит в том, что по точности на румынском мы проигрываем коммерческим системам, с коэффициентом от пяти до девяти. Румынский почти в три раза труднее распознавать, чем русский, при той же конфигурации, и это как раз та проблема, которую мы изучаем.

По измеренному разложению языковая модель забирает 2180 мс из тракта, распознавание — 92 мс, а синтез — 305 мс. Распознавание фактически бесплатное; синтез почти такой же. Тому, кто хочет более быстрый голосовой разговор, нужно атаковать языковую модель — через меньшую модель, через потоковую передачу ответа или через сокращение ответов. Здесь мы должны быть честны и с собой: опубликованные на сайте цифры сегментов не складываются в опубликованный на том же экране итог, и разница составляет примерно полсекунды. Разложение — это то, чему мы доверяем; агрегированный итог нужно пересчитать до того, как его цитировать.

Потому что в каскаде можно отдельно менять каждый компонент и держать распознавание и синтез локально, на процессоре, без GPU. Цена — последовательная задержка и то, что языковая модель, которая составляет самую большую часть задержки, находится вне машины. Нативный duplex — это направление, а не то, что у нас есть — он в списке «ещё не существует».

Дорожная карта предлагает три обучения в сумме менее 1.200 долларов: распознавание для румынского на VoxPopuli CC0, 89 часов, около 50 часов на H100, примерно 500 долларов; детектор конца реплики для румынского, примерно 2.000 собственных примеров, менее 100 долларов; собственный голос, 500-800 долларов. Третье ограничено не деньгами, а данными — и тем, что модель синтеза, на которую мы опирались, была архивирована её авторами. Целевая цифра для первого обучения, около 21%, — это экстраполяция из улучшений, полученных на греческом и болгарском, а не измерение.

Изученный метод — обратная оптимизация по замороженным весам, а не клонирование по нескольким секундам: 6–30 минут материала на голос, примерно 3 000 шагов оптимизации, 2,6 ГБ пиковой памяти, поставляемый артефакт — порядка килобайт. Но это не в продукте, и важно сказать, почему это не только технический вопрос: в Республике Молдова голос является биометрическими данными с 23 августа 2026 года. Без явного согласия и передачи прав вопрос не в том, можно ли, а в том, что это не делается.

Потому что иначе не было бы смысла публиковать их вообще. Таблица, в которой вы всегда первые, — это таблица маркетинга. Наша помечает строки третьих сторон как заявленные, а только наши — как измеренные, и написанный под ней вывод говорит, что мы проигрываем. Но нужно также ясно сказать и то, чего не может сделать никто извне: код, который произвёл эти измерения, не опубликован и не сопровождает сайт, поэтому цифры сегодня не может воспроизвести третья сторона. Считайте их внутренними измерениями, а не независимо верифицированными результатами.