Yandex Realtime vs OpenAI Realtime: desenvolvedor mediu a latência e migrou a produção

Em 6 de julho de 2026, a OpenAI lançou o gpt-realtime — um mecanismo "fala-para-fala" com suporte a interrupções e entonação natural. Um desenvolvedor que estava construindo um recepcionista de IA por voz para negócios em um stack tecnológico russo montou rapidamente um protótipo durante uma noite, comparou três abordagens por latência e migrou a produção para o Yandex Realtime.

O que os testes de latência mostraram?

O autor mediu a latência end-to-end usando o mesmo método para três variantes e obteve um cenário claro.

• Yandex Realtime — ~330 ms (conexão direta na Rússia sem VPN)
• OpenAI gpt-realtime — ~740 ms (apenas via VPN; não disponível diretamente da Rússia)
• Pipeline antigo de três camadas (STT → LLM → TTS) — ~4,4 segundos

O Yandex vence o OpenAI por um fator de dois puramente pela geografia: VPN adiciona centenas de milissegundos que nenhuma otimização de código consegue remover. A abordagem de três camadas perde para os dois de forma arrebatadora — uma diferença de 13x em relação ao Yandex é muito grande para uma interface de voz onde uma pausa mais longa que 500 ms parece que o sistema está "travando".

Onde ambos os mecanismos tropeçam

Com o OpenAI, o desenvolvedor imediatamente encontrou um erro 400 do endpoint — ocorre com uma estrutura incorreta de requisição WebSocket e é documentado em quase lugar nenhum. A depuração levou grande parte da noite.

O segundo problema é mais sério: o mecanismo tem dificuldade com sotaques russos. O modelo de linguagem foi treinado predominantemente em inglês, e isso não é corrigível ajustando prompts do sistema — é uma limitação arquitetônica.

O Yandex tem uma barreira de entrada mais alta no nível de autorização: três funções de acesso e uma troca OAuth→IAM fechada que não é documentada em detalhes em lugar nenhum. A documentação assume que o desenvolvedor já trabalha dentro do ecossistema do Yandex.Cloud. Sem entender esse esquema, obter o primeiro token funcional não é trivial.

"Yandex fala russo nativamente.

OpenAI — não fala, e este é um problema fundamental para um produto de voz no mercado russo", conclui o autor.

Como foi a migração para o Yandex Realtime

Após os testes, a decisão foi óbvia: o autor reescreveu a produção em três áreas-chave.

Ponte WebSocket em vez de REST. O Yandex Realtime funciona através de uma conexão WebSocket persistente e não através de requisições HTTP pontuais. Isso exigiu reescrever a lógica de transmissão de áudio: em vez de upload em chunks — streaming PCM ao vivo.

Player PCM ao vivo em vez de MP3. O esquema anterior codificava respostas em MP3 antes da reprodução, o que adicionava latência. O trabalho direto com PCM removeu essa etapa e eliminou artefatos durante interrupções — o codec MP3 não tinha tempo de "fechar" o frame durante uma parada súbita.

Interrupção sem fones de ouvido. O Yandex Realtime suporta cancelamento de eco no nível do mecanismo, então o bot reage corretamente a interrupções até mesmo através de alto-falantes comuns. No pipeline antigo de três camadas isso era fundamentalmente impossível.

A parte mais trabalhosa foi a autorização: foi necessário trabalhar manualmente com a troca de token OAuth→IAM porque existem quase nenhum exemplo pronto em Python.

O que isso significa

Para produtos de voz no mercado russo, a escolha entre OpenAI Realtime e Yandex Realtime é principalmente uma escolha entre a conveniência do primeiro protótipo e a qualidade da língua russa em produção. O Yandex vence em latência e pronúncia, mas exige entender o IAM. O pipeline antigo de três camadas pertence ao passado: 4,4 segundos de espera — isso não é mais uma conversa, mas uma máquina respondedora de 2005.

Perguntas frequentes

É possível usar OpenAI Realtime na Rússia sem uma VPN?

Não: em julho de 2026, o serviço não está disponível diretamente a partir de endereços IP russos. VPN inevitavelmente adiciona latência e a eleva de um potencial ~400 ms para ~740 ms em condições reais.

Como o Yandex Realtime difere do SpeechKit comum?

Yandex Realtime é um mecanismo duplex completo "fala-para-fala" em uma única conexão WebSocket persistente com suporte a interrupções. SpeechKit são serviços STT e TTS separados que precisam ser manualmente costurados em um pipeline de três camadas com latência de 4+ segundos.