Yandex Realtime vs OpenAI Realtime: un desarrollador midió la latencia y migró la producción

El 6 de julio de 2026, OpenAI lanzó gpt-realtime — un motor "voz a voz" con soporte para interrupciones e entonación natural. Un desarrollador que estaba construiendo un recepcionista de IA por voz para empresas en un stack tecnológico ruso armó rápidamente un prototipo en una tarde, comparó tres enfoques por latencia y migró la producción a Yandex Realtime.

¿Qué mostraron las mediciones de latencia?

El autor midió la latencia end-to-end usando el mismo método para tres variantes y obtuvo un panorama claro.

• Yandex Realtime — ~330 ms (conexión directa en Rusia sin VPN)
• OpenAI gpt-realtime — ~740 ms (solo a través de VPN; no disponible directamente desde Rusia)
• Canalización antigua de tres niveles (STT → LLM → TTS) — ~4,4 segundos

Yandex vence a OpenAI por un factor de dos puramente por geografía: VPN añade cientos de milisegundos que ninguna optimización de código puede eliminar. El enfoque de tres niveles pierde ante ambos de manera aplastante — una diferencia de 13x con respecto a Yandex es demasiado grande para una interfaz de voz donde una pausa más larga que 500 ms se siente como si el sistema estuviera "congelado".

Dónde tropiezan ambos motores

Con OpenAI, el desarrollador inmediatamente se encontró con un error 400 del endpoint — ocurre con una estructura incorrecta de solicitud WebSocket y está documentado casi en ningún lugar. La depuración ocupó gran parte de la tarde.

El segundo problema es más grave: el motor tiene dificultades con acentos rusos. El modelo de lenguaje se entrenó predominantemente en inglés, y esto no se puede solucionar ajustando prompts del sistema — es una limitación arquitectónica.

Yandex tiene una barrera de entrada más alta a nivel de autorización: tres roles de acceso e intercambio OAuth→IAM cerrado que no está documentado en detalle en ningún lugar. La documentación asume que el desarrollador ya trabaja dentro del ecosistema de Yandex.Cloud. Sin comprender este esquema, obtener el primer token funcional no es trivial.

"Yandex habla ruso de forma nativa.

OpenAI — no lo hace, y este es un problema fundamental para un producto de voz en el mercado ruso", concluye el autor.

Cómo fue la migración a Yandex Realtime

Después de las mediciones, la decisión fue obvia: el autor rescribió la producción en tres áreas clave.

Puente WebSocket en lugar de REST. Yandex Realtime funciona a través de una conexión WebSocket persistente en lugar de solicitudes HTTP puntuales. Esto requirió reescribir la lógica de transmisión de audio: en lugar de carga en fragmentos — transmisión PCM en directo.

Reproductor PCM en directo en lugar de MP3. El esquema anterior codificaba las respuestas en MP3 antes de la reproducción, lo que añadía latencia. El trabajo directo con PCM eliminó este paso y erradicó artefatos durante las interrupciones — el códec MP3 no tenía tiempo de "cerrar" el frame durante una parada súbita.

Interrupción sin auriculares. Yandex Realtime admite cancelación de eco a nivel de motor, por lo que el bot reacciona correctamente a las interrupciones incluso a través de altavoces ordinarios. En la canalización antigua de tres niveles esto era fundamentalmente imposible.

La parte más laboriosa resultó ser la autorización: fue necesario trabajar manualmente con el intercambio de token OAuth→IAM porque hay casi ningún ejemplo listo en Python.

Qué significa esto

Para productos de voz en el mercado ruso, la elección entre OpenAI Realtime y Yandex Realtime es principalmente una elección entre la conveniencia del primer prototipo y la calidad de la lengua rusa en producción. Yandex gana en latencia y pronunciación, pero requiere entender IAM. La canalización antigua de tres niveles pertenece al pasado: 4,4 segundos de espera — eso ya no es una conversación, sino una máquina contestadora de 2005.

Preguntas frecuentes

¿Se puede usar OpenAI Realtime en Rusia sin VPN?

No: a partir de julio de 2026, el servicio no está disponible directamente desde direcciones IP rusas. VPN inevitablemente añade latencia y la eleva de un potencial ~400 ms a ~740 ms en condiciones reales.

¿En qué se diferencia

Yandex Realtime del SpeechKit ordinario?

Yandex Realtime es un motor duplex completo "voz a voz" en una única conexión WebSocket persistente con soporte para interrupciones. SpeechKit son servicios STT y TTS separados que deben coserse manualmente en una canalización de tres niveles con latencia de 4+ segundos.