Голос, створений для того, як ми говоримо.

Ні. Немає публічної демонстрації, немає публічного API, немає інтеграції телефонії, немає нативного дуплексу, і клонування голосу не входить до продукту. Усі п’ять пунктів перелічені як відсутні у нашій власній дорожній карті. Якщо вам потрібен голосовий агент, який працює зараз, відповідь — Kallina, а не Grai; якщо вам потрібен аудіофайл, це Voice Studio.

На розпізнаванні румунською мовою — 26,31% рівень помилки по словах на типовому вікні 1120 мс, з 95% довірчим інтервалом між 24,07 і 28,60; російською — 9,30%. Протокол: 200 висловлювань на мову з FLEURS, seed 20260831, потокове декодування. Наскільки це добре: не добре. Наш власний висновок, написаний у таблиці порівняння, полягає в тому, що за точністю румунською ми поступаємося комерційним системам, у п’ять до дев’яти разів. Румунську майже втричі важче розпізнавати, ніж російську, за тієї самої конфігурації, і саме це ми й досліджуємо.

За виміряним розподілом, мовна модель забирає 2180 мс із траєкторії, розпізнавання — 92 мс, а синтез — 305 мс. Розпізнавання практично безкоштовне; синтез майже так само. Хто хоче швидшу голосову розмову, має атакувати мовну модель — через меншу модель, через потокову передачу відповіді або через скорочення відповідей. Тут треба бути чесними й із собою: опубліковані на сайті сегментні цифри не складаються в опублікований на тому ж екрані загальний показник, і різниця становить приблизно пів секунди. Розподіл — це те, в чому ми впевнені; агрегований загальний показник треба перерахувати перед тим, як його цитувати.

Тому що в каскаді можна змінювати кожен компонент окремо і можна тримати розпізнавання та синтез локально, на процесорі, без GPU. Ціна — затримка ланцюжка і те, що мовна модель, яка є найбільшою частиною затримки, знаходиться поза машиною. Нативний duplex — це напрям, а не те, що ми маємо — він у списку «ще не існує».

Дорожня карта пропонує три навчання загалом менш ніж за 1.200 доларів: розпізнавання для румунської на VoxPopuli CC0, 89 годин, приблизно 50 годин H100, близько 500 доларів; детектор кінця черги для румунської, приблизно 2.000 власних зразків, менш ніж 100 доларів; власний голос, 500-800 доларів. Третє не заблоковано грошима, а даними — і тим, що модель синтезу, на яку ми спиралися, була заархівована її авторами. Цільова цифра для першого навчання, близько 21%, — це екстраполяція з поліпшень, отриманих на грецькій і болгарській, а не вимірювання.

Досліджуваний метод — це зворотна оптимізація на заморожених вагових коефіцієнтах, а не клонування за кілька секунд: 6-30 хвилин матеріалу на один голос, приблизно 3.000 кроків оптимізації, 2,6 GB пікової пам’яті, а доставлений артефакт — порядку кілобайтів. Але це не в продукті, і важливо сказати, чому це не лише технічне питання: у Республіці Молдова голос є біометричними даними з 23 серпня 2026 року. Без явної згоди та відступлення питання не в тому, чи можна, а в тому, що так не роблять.

Тому що інакше не мало б сенсу публікувати їх взагалі. Таблиця, в якій ви завжди перші, — це маркетингова таблиця. Наша позначає рядки третіх сторін як заявлені, а лише наші — як виміряні, і висновок під нею каже, що ми програємо. Втім, треба чітко сказати і те, чого не може ніхто ззовні: код, який створив ці вимірювання, не є публічним і не супроводжує сайт, тож цифри не можуть бути відтворені третьою стороною сьогодні. Сприймайте їх як внутрішні вимірювання, а не як незалежно перевірені результати.