Gemini Audio поки програє GPT Live у продакшні

Що показало порівняння з GPT Live

Мій короткий висновок невтішний для Google: Gemini Audio API поки виглядає як прев'ю-продукт, навіть якщо позиціонування говорить про інше. Я протестував його поруч із GPT Live й отримав змішування мов, часті голосові глічі та менш передбачуваний діалог.

Станом на вересень 2026 року різниця особливо помітна там, де голосовий інтерфейс має просто працювати. Окремий збій можна пережити, але повторювані артефакти мовлення та раптове перемикання мови швидко руйнують відчуття живої розмови.

В анонсі Google про Gemini Audio API акцент зроблено на голосових застосунках реального часу. Офіційні матеріали описують передавання необробленого PCM-аудіо, аудіовихід із частотою 24 кГц і переклад мовлення в реальному часі. На папері набір сильний: модель отримує потік аудіо та відповідає голосом без окремого ланцюжка розпізнавання й синтезу.

Але специфікація транспорту не дорівнює стабільності продукту. У моєму порівнянні проблема полягала не в самій ідеї потокового аудіо, а в якості поведінки всередині сесії. Голос періодично глючив, мови змішувалися, а результат відчувався сирим.

Є також повідомлення розробників у соцмережах, що модель іноді взагалі недоступна. Це не публічна статистика доступності й не заміна моніторингу, тому перетворювати такі відгуки на точний показник не можна. Водночас у доступних офіційних матеріалах немає конкретної метрики, яка б зняла це питання.

Чому для продакшну зрілість важливіша за список функцій

Для реального голосового агента GPT Live зараз виглядає безпечнішим саме як інженерний вибір. Документація OpenAI для Realtime API детальніше пояснює життєвий цикл сесії, переривання, виклики інструментів і роботу через WebRTC — тобто місця, де голосові системи зазвичай починають руйнуватися.

Насамперед я б дивився не на демонстрацію перекладу, а на відновлення після обриву, перемикання мов, обробку перебивань і стабільність довгого діалогу. Якщо модель втрачає мову або псує голос, гарна затримка вже нічого не врятує.

Gemini Audio має технічно цікаву основу, особливо для багатомовних сценаріїв. Проте поточна картина більше нагадує швидкий реліз під тиском конкуренції, ніж спокійний запуск зрілого API. Поки головна різниця між Gemini Audio та GPT Live проходить не за можливостями моделі, а за передбачуваністю кожного наступного аудіофрагмента.

Раніше ми порівнювали Gemini з інструментами для створення підсумків зустрічей, зосереджуючись на точності транскрибування та ризиках галюцинацій. Ці практичні компроміси щодо якості аудіо також важливі під час оцінювання голосових API реального часу.