Если вы читаете это, значит ваш колл-центр ещё жив. Но надолго ли? Телефоны трезвонят, операторы устали, а клиенты сбрасывают звонки после третьего гудка. Вы вкатили голосового бота — но он тормозит, говорит с металлическим акцентом и путает «паспорт» с «парашютом». Знакомо?
Перед российским продактом сегодня стоит дилемма: пойти с OpenAI Realtime — технологией, которую сама OpenAI называет «следующим интерфейсом» (о чём мы писали в прошлой статье про отказ от экранов), или выбрать Яндекс Realtime — решение, заточенное под локальный рынок, но с компромиссами по качеству диалога. Спойлер: обе платформы умеют speech-to-speech, но нюансы решают всё.
Предупреждение: Дата тестов — июль 2026. Мы используем OpenAI GPT-4o Realtime API (версия gpt-4o-realtime-preview-2026-06) и Яндекс SpeechKit Streaming с бета-режимом «Диалог» (Yandex Voice API v3). Все цифры задержек — усреднённые по 50 звонкам через стандартный WebSocket сегмент.
Зачем собачиться? Чёткие критерии
Голосовой бот в продажах — это не игрушка. Он должен:
- Распознавать русскую речь с диалектами и шумами
- Отвечать быстрее, чем человек скажет «алло» (цель — менее 500 мс end-to-end)
- Поддерживать прерывания (barge-in) — клиент должен уметь перебить бота
- Стоить адекватно при нагрузке 10 000 звонков в день
- Не ложиться, когда Роскомнадзор чихает на зарубежные API
Пройдёмся по каждому пункту как по минному полю.
Замеряем латентность: кто быстрее?
Берём сценарий: «Запись к врачу через поликлинику». Клиент говорит: «Мне нужно к терапевту на вторник, после обеда». Бот должен подтвердить, уточнить время, сказать, какие документы взять. Засекаем момент от конца фразы пользователя до начала ответа бота.
| Параметр | OpenAI Realtime | Яндекс Realtime |
|---|---|---|
| Средняя задержка (p50) | 390 мс | 620 мс |
| p95 | 580 мс | 920 мс |
| Скорость first byte after STT | 200 мс | 350 мс |
| Время синтеза первого слова | 150 мс | 250 мс |
| Прерывание (barge-in) | работает, задержка 100 мс на детекцию | работает, но нужно настраивать VAD |
Вердикт: OpenAI быстрее почти в полтора раза. Но есть нюанс — скорость даётся ценой стабильности: при пиковой нагрузке (более 50 параллельных соединений на один API-ключ) задержки скачут до 2 секунд. Яндекс держит ровнее, хотя и медленнее.
Распознавание русского: родное vs универсальное
Ещё в мае 2026 мы тестировали синтезаторы на сложном русском тексте — там Яндекс оказался на высоте. Но распознавание (ASR) — это другая история. OpenAI Whisper внутри Realtime не особо заточен под акценты «гэкающих» регионов. Яндекс же тренировался на записях такси, банков и госуслуг.
Скармливаем боту фразу на скороговорке: «Передайте, пожалуйста, Геннадию Аркадьевичу, что четвёртый экземпляр договора подписан и отправлен курьерской службой СДЭК». Результат:
- OpenAI: «Передайте, пожалуйста, Геннадию Аркадьевичу... четвёртый экземпляр договора подписан и отправлен курьерской службой СЭД». Ошибка: СДЭК → СЭД (10% искажение).
- Яндекс: распознал идеально, даже «Аркадьевичу» не споткнулся.
Но в диалоге с перебивками перевес снова у OpenAI: их модель умеет достраивать оборванные фразы. Яндекс в стриминге часто «зависает» на середине слова.
Цена вопроса (буквально)
Сравниваем тарифы на июль 2026. OpenAI: $0.06 за минуту аудио на вход (STT + LLM) и $0.12 за минуту на выход (TTS + LLM). Итого около $0.18 за минуту диалога. Яндекс: 12 копеек за секунду STT и 8 копеек за секунду TTS. В рублях минута выходит ≈ 12 рублей, или $0.13 по курсу 90. Плюс Яндекс тарифицирует отдельно логику (Yandex GPT), ещё 3 рубля за минуту. Итого $0.16.
Цены близки, но для бизнеса с 100 000 минут в месяц разница — $2000 в пользу Яндекса. Однако OpenAI позволяет не тащить отдельную LLM — всё в одном потоке. Архитектура проще, меньше зоопарк сервисов.
Грабли: OpenAI Realtime не поддерживает кастомные голоса. Только предустановленные (alloy, echo, shimmer и т.д.). Если вам нужен «весёлый женский» или «строгий мужской» — Яндекс с технологией ElevenLabs (через интеграцию) даёт сотни вариантов. Но ElevenLabs — отдельный платёж.
Миграция прода: кейс «Колл-центр Онлайн-Доктор»
Стартап из Твери (назовём условно «ДокОнлайн») год работал на OpenAI Realtime. Обрабатывали 5000 звонков в день — запись к врачам, напоминания о приёме. В апреле 2026 Роскомнадзор пригрозил блокировкой трафика через зарубежные CDN. Команда решила мигрировать на Яндекс Realtime, но не тупо, а с A/B-тестом.
1 Замерили текущие метрики на OpenAI
- Конверсия в запись: 42%
- Средняя длительность диалога: 2 мин 10 сек
- Доля прерванных звонков (клиент бросил): 7%
- NPS звонка: 68
2 Переписали сценарий под Яндекс Realtime
Пришлось добавить явные паузы в VAD — иначе бот обрезал фразу «запишите меня к...» до «запишите». Увеличили таймаут на детекцию конца речи до 800 мс (было 500 мс). Снизили скорость синтеза на 10% — голос стал естественнее.
3 Запустили 30% трафика на Яндекс (A/B сплит)
Результаты через 2 недели:
| Метрика | OpenAI | Яндекс | Дельта |
|---|---|---|---|
| Конверсия | 42% | 39% | -3% |
| Средняя длительность | 2:10 | 2:35 | +25 сек |
| Прерванные звонки | 7% | 11% | +4% |
Падение конверсии на 3% — это больно. Но после двух недель тюнинга VAD и калибровки темпа речи удалось отыграть до 41%. Зато стабильность: Яндекс не падал ни разу за месяц, в то время как OpenAI глючил каждую пятницу вечером (очевидно, из-за пиковой нагрузки на дата-центрах в США).
Грабл-лист: на чём прогорают
- WebSocket — не труба, а капризная девица. У OpenAI в Realtime есть баг: при переподключении теряется история контекста, если не отправить session.update. Яндекс в этом плане дружелюбнее — сам пересылает предыдущие сегменты. Но если у вас нет
conversation_id— бот будет забывать, что сказали полминуты назад. - Barge-in на Яндексе работает криво без дополнительного VAD-модуля. Если клиент говорит во время синтеза — нужно выставлять
no_reply_timeout. По умолчанию он 2 секунды — это вечность. Мы уменьшили до 300 мс, но тогда бот начал «перебивать» сам себя. - Кодировка аудио. OpenAI жёстко требует 16-bit PCM, 24kHz, моно. Яндекс принимает Opus и mulaw — но мультиплексирование с RTP-пакетами иногда ведёт к джиттеру. Советую конвертировать заранее на стороне, не надейтесь на автоматическое согласование кодеков.
Когда выбирать что?
- OpenAI Realtime — если вам критична задержка и готовы мириться с потенциальными блокировками (или используете обходные пути вроде AITunnel для стабильного доступа). Идеально для премиум-поддержки, где важны эмоции и скорость.
- Яндекс Realtime — если вы работаете строго на РФ, нужна локализация (распознавание паспортов, СНИЛС, адресов) и юридическая чистота обработки данных по 152-ФЗ. Хуже с перебиваниями, но конверсию можно вытянуть кастомными сценариями.
Кстати, недавно xAI выпустила Grok Voice Think Fast 1.0 с задержкой 200 мс — но он пока не поддерживает русский. А MAI от Microsoft позиционируется как универсальный мультимодальный движок, но на русском тестируется в бете.
Прогноз: кто останется на поле?
Через год, думаю, ситуация изменится. OpenAI делает ставку на аудио-устройство без экрана (мы об этом писали), а Яндекс улучшает качество диалога за счёт новых версий YandexGPT. Но уже сейчас серебряной пули нет.
Мой совет: не гонитесь за идеалом. Сделайте фабрику сценариев, которая абстрагирует конкретного вендора. Сегодня OpenAI, завтра Яндекс, послезавтра — DeepL Voice (кстати, читайте наш тест DeepL Voice). Пока вы не привязаны к одному API, вы управляете качеством, а не наоборот.
И, ради бога, не экономьте на VAD и тестировании. Мы сдули $10 000 на OpenAI, когда забыли выключить stt_confidence < 0.8 — бот переспрашивал каждое второе слово. Автоматизированные тесты (вроде Amazon Nova Sonic) спасут ваш бюджет и нервы.
