Konuşma biçimimize göre kurulmuş bir ses.

Hayır. Halka açık demo yok, halka açık API yok, telefon entegrasyonu yok, yerel duplex yok ve ses klonlama üründe yok. Bu beşinin tamamı kendi yol haritamızda eksik olarak listelenmiştir. Şu anda çalışan bir ses ajanına ihtiyacınız varsa yanıt Kallina’dır, Grai değil; bir ses dosyasına ihtiyacınız varsa Voice Studio’dur.

Romence tanımada, varsayılan 1120 ms pencerede kelime hata oranı %26,31; %95 güven aralığı 24,07 ile 28,60 arasında; Rusçada %9,30. Protokol: FLEURS’ten dil başına 200 söyleyiş, 20260831 tohumu, akış halinde çözümleme. Ne kadar iyi olduğu: iyi değil. Karşılaştırma tablosunda yazılı kendi sonucumuz, Romence doğrulukta ticari sistemlerin gerisinde kaldığımız ve farkın beş ile dokuz kat arasında olduğu yönünde. Aynı yapılandırmayla Romence, Rusçadan neredeyse üç kat daha zor tanınıyor; bu da tam olarak incelediğimiz sorun.

Ölçülen dağılıma göre, dil modeli yoldan 2180 ms alıyor, tanıma 92 ms ve sentez 305 ms. Tanıma pratikte ücretsiz; sentez neredeyse aynı. Daha hızlı bir voice conversation isteyen, dil modeline saldırmalı — daha küçük modelle, yanıtın akış halinde verilmesiyle ya da yanıtların kısaltılmasıyla. Burada kendimize karşı da dürüst olmalıyız: sitede yayımlanan segment rakamları aynı ekranda yayımlanan toplamla toplanmıyor ve fark yaklaşık yarım saniye. Güvendiğimiz bölüm dağılımdır; yayımlanan toplam, alıntılanmadan önce yeniden hesaplanmalıdır.

Çünkü cascaded yapıda her bileşeni ayrı değiştirebilirsiniz ve tanıma ile sentezi GPU olmadan yerelde, işlemcide tutabilirsiniz. Bedeli zincirleme gecikme ve gecikmenin en büyük kısmı olan dil modelinin makinenin dışında kalmasıdır. Native duplex bir yönelimdir, sahip olduğumuz bir şey değil — „henüz yok“ listesindedir.

Yol haritası toplamda 1.200 doların altında üç eğitim öneriyor: Romence için VoxPopuli CC0 üzerinde tanıma, 89 saat, yaklaşık 50 saat H100, yaklaşık 500 dolar; Romence için bir turn-end detector, yaklaşık 2.000 kendi örneğimiz, 100 doların altında; kendi sesimiz, 500-800 dolar. Üçüncüsü para yüzünden değil, veri yüzünden bloke; ayrıca dayandığımız sentez modelinin yazarları tarafından arşivlenmiş olması nedeniyle. İlk eğitim için hedef rakam, yaklaşık %21, Yunanca ve Bulgarcada elde edilen iyileştirmelerden yapılan bir ekstrapolasyondur, bir ölçüm değil.

İncelenen yöntem, birkaç saniyeden klonlama değil, dondurulmuş ağırlıklar üzerinde ters optimizasyondur: ses başına 6-30 dakika materyal, yaklaşık 3.000 optimizasyon adımı, 2,6 GB tepe bellek, teslim edilen artefakt kilobayt mertebesindedir. Ancak üründe değildir ve bunun nedeninin yalnızca teknik bir mesele olmadığını söylemek önemlidir: Moldova Cumhuriyeti’nde ses, 23 Ağustos 2026’dan itibaren biyometrik veridir. Açık rıza ve devir olmadan soru bunun yapılıp yapılamayacağı değil, yapılmamasıdır.

Çünkü aksi halde bunları hiç yayımlamanın bir anlamı olmazdı. Sürekli birinci çıktığınız bir tablo, bir pazarlama tablosudur. Bizimki üçüncü taraf satırlarını beyan edilmiş, yalnızca kendi satırlarımızı ölçülmüş olarak işaretler ve altına yazılan sonuç kaybettiğimizi söyler. Yine de açıkça söylemek gerekir ki dışarıdan kimsenin yapamayacağı bir şey var: bu ölçümleri üreten kod kamuya açık değil ve siteye eşlik etmiyor; dolayısıyla rakamlar bugün bir üçüncü tarafça yeniden üretilemez. Bunları bağımsız doğrulanmış sonuçlar olarak değil, iç ölçümler olarak değerlendirin.