AI-перевод речи в прямых трансляциях: практическое руководство 2026

По теме: прочитайте наш полный гайд — 7 лучших инструментов перевода видеозвонков в сравнении (2026).

Почему Фора Софт написала это руководство

Фора Софт создала Translinguist — платформу live-перевода на 62 языках, которая сочетает AI и работу живых переводчиков для многоязычных видеоконференций. Мы также отвечаем за стриминг на Worldcast Live (задержка «стекло-в-стекло» меньше 500 мс, 10 000 одновременных зрителей), за видеокомнаты в реальном времени на Speed.Space (1080p/8 Мбит/с, 25 одновременных участников для Netflix, HBO и EA) и за видео под HIPAA на CirrusMED в более чем 40 штатах США.

Этот стек означает, что мы перепробовали все комбинации перевода в реальном времени — Google, Azure, AWS, Whisper, Deepgram, ElevenLabs, Meta Seamless, DeepL — на боевых пайплайнах WebRTC и HLS. Эта статья — концентрат: какой пайплайн подходит под какой сценарий, какой провайдер выигрывает по стоимости и задержке, где всё ломается в production и как сделать так, чтобы перевод ощущался естественной частью продукта.

Если хотите срезать путь, наша команда AI-видеостриминга уже не раз поставляла подобные решения спринтами по 3–6 недель на любом крупном стеке WebRTC и HLS.

Что на самом деле представляет собой потоковый перевод в реальном времени

«Live-перевод» — это зонтичное название для четырёх разных продуктов. Считать их одним и тем же — самая частая причина, по которой пилот по переводу умирает, не доехав до релиза.

Live-субтитры. Речь расшифровывается и выводится субтитрами на языке оригинала. Один движок (ASR), один выход (текст). Целевая задержка: 300–800 мс.

Переведённые субтитры. Речь расшифровывается, переводится и выводится субтитрами на целевом языке. Два движка (ASR + MT), один выход (текст). Целевая задержка: 500 мс–1,5 с.

Дублированное аудио. Речь расшифровывается, переводится и пересинтезируется как аудио на целевом языке. Три движка (ASR + MT + TTS), один выход (аудиодорожка). Целевая задержка: 800 мс для разговора, 2–5 с для вещания.

Дублированное аудио с сохранением голоса. Речь переводится и пересинтезируется голосом исходного говорящего. Либо end-to-end S2ST (Meta SeamlessExpressive, Google Pixel 10), либо каскадный пайплайн с клонированием голоса (ElevenLabs Dubbing). Задержка 2–5 с; стоимость в 5–30 раз выше.

Выберите что-то одно для первого этапа. Субтитры — безопасный старт; дублирование с сохранением голоса — полёт на Луну.

Трёхступенчатый пайплайн: ASR → MT → TTS

Каскадный пайплайн в 2026 году по-прежнему остаётся вариантом по умолчанию: каждая ступень — это понятный, обкатанный API, который можно отлаживать независимо.

Ступень 1: потоковое ASR (речь → текст)

Аудио поступает кадрами PCM или Opus по 20–100 мс. Потоковый движок ASR выдаёт промежуточные расшифровки каждые несколько сотен миллисекунд и финальную расшифровку, когда фраза завершена (обычно по паузе, определённой через детектор речевой активности). Задержка: AssemblyAI Universal-3 Pro P50 ~150 мс; Deepgram Flux < 300 мс end-of-turn.

Ступень 2: чанковый MT (текст → переведённый текст)

Переводите каждую промежуточную расшифровку, чтобы субтитр обновлялся в реальном времени, но удерживайте контекстное окно в 100–200 символов, иначе смысл «флипнется» («not bad» → «плохо»). DeepL, Google Translate и Azure Translator предоставляют потоковые endpoints; для минимальной задержки мы используем LLM-перевод с подгруженным глоссарием и таймаутом 800 мс с откатом на классический NMT.

Ступень 3: потоковое TTS (текст → аудио)

ElevenLabs, Azure Neural TTS, Google Cloud TTS и AWS Polly поддерживают чанковый синтез — они начинают выдавать аудиокадры до того, как поступит весь входной текст. Для дублирования с сохранением голоса используйте ElevenLabs Instant Voice Clone (30-секундный сэмпл) или Meta SeamlessExpressive (open source, с сохранением эмоций). Задержка: 200–500 мс до первого аудиокадра.

Опциональная ступень: определение языка

Если говорящие переключают язык посреди потока (типично для устного перевода и международных встреч), запускайте лёгкую модель идентификации языка на первых 500 мс каждой фразы, чтобы подобрать корректный голос ASR. Whisper делает это нативно; коммерческие API выставляют это как feature flag.

Каскад против end-to-end S2ST: когда что выбирать

End-to-end speech-to-speech translation (S2ST) обещает меньшую задержку (~2 с) и сохранение голоса говорящего. Реальность 2026 года — список production-ready решений S2ST по-прежнему короткий.

Бюджет задержки: куда уходит каждая миллисекунда

Пользователи терпят разговорную паузу в 500 мс. Выше 1 с они начинают повторяться. Выше 2 с — перебивают переведённого говорящего. Уложиться в 800 мс сквозной задержки на каскадном пайплайне — это и есть мастерство.

Audio in (20 ms frame) ........................    20 ms
Buffering for VAD / partial emit ...............  100–300 ms
Streaming ASR inference (interim) ..............   50–200 ms
Network: ASR result → MT ......................   20– 80 ms
MT inference (chunked) .........................   50–200 ms
Network: MT result → TTS ......................   20– 80 ms
Streaming TTS time-to-first-frame ..............  150–400 ms
Audio out (20 ms frame) ........................    20 ms
                                                 ----------
                                                 Total 430–1300 ms

Где реально больно. Ожидание полного завершения фразы на ASR (добавляет 200–500 мс), повторный перевод всей фразы на каждом промежуточном результате (тратит токены и добавляет 100–200 мс) и кросс-региональные хопы между endpoints ASR, MT и TTS (могут добавить по 100 мс).

Где выигрыш. Разместите ASR, MT и TTS в одном облачном регионе. Эмитьте частичный перевод в момент, когда уверенность ASR > 0,7. Запускайте синтез TTS на первом переведённом чанке, а не на финальном. Используйте INT8 или 4-битно квантованные модели на self-hosted Whisper / Seamless, если работаете на GPU.

Метрики качества: WER, COMET, MOS

Три числа покрывают пайплайн сквозь все ступени. Все три должны быть на дашборде.

Word Error Rate (WER) — качество ASR. Держите < 5% для носителей языка, < 10% для речи с акцентом, < 15% для речи с переключением языков или шумного аудио. Выше 15% — и перевод начинает галлюцинировать, даже если MT идеален.

COMET — качество MT. BLEU устарел; COMET намного лучше коррелирует с человеческой оценкой. Цель ≥ 0,75 для production; < 0,60 — эскалация на человеческого редактора или откат на более дорогой тариф MT. LLM-перевод иногда галлюцинирует — выборочно оценивайте 1–2% трафика непрерывно.

Mean Opinion Score (MOS) — TTS и общее качество звука. Цель: смешанный MOS ≥ 4,0; < 3,5 — в production не отдавать. Для дублирования с клонированным голосом дополнительно отслеживайте speaker-similarity (косинусную близость эмбеддингов; цель ≥ 0,85).

Совокупная цель в production. WER 4,5% + COMET 0,75 + MOS 4,2 — ровно то качество, с которым Translinguist стартовал на запуске. Промахнётесь по любой из метрик больше чем на 15% — и в течение недели это всплывёт в бизнес-показателях (доля завершённых сессий, частота повторных вопросов).

Как выбрать провайдера ASR

Deepgram

Наш дефолт для коммерческого ASR с низкой задержкой. Модель Flux: < 300 мс end-of-turn, ~150–250 мс до первого токена, 0,7 ₽/мин для real-time. Сильный английский; испанский, французский, немецкий, португальский, хинди — уверенно. Кастомные словари через API Nova.

AssemblyAI

Universal-3 Pro streaming: P50 ~150 мс, P90 ~240 мс, 14,5% WER на разнородном бенчмарке — лучшая точность в потоковой категории. 0,18 ₽/мин batch, дороже для streaming. Отличный английский; слабее на низкоресурсных языках.

Azure Speech-to-Text

~1,2 ₽/мин. 100+ языков, сильная история по enterprise и compliance (есть HIPAA BAA, региональное хранение в ЕС). Live Interpreter объединяет ASR + MT + TTS и показывает измеренную сквозную задержку 0,78 с.

Google Cloud Speech-to-Text

1,2 ₽/мин стандарт, 1,8 ₽/мин enhanced. 125+ языков, самое широкое покрытие в этом списке. Хорошее качество, но периодически «пульсирующая» потоковая задержка; чанкингом нужно управлять аккуратно.

AWS Transcribe

1,8 ₽/мин streaming (tier 2: 1,1 ₽/мин), медицинский тариф в 3 раза выше. 75 языковых пар. Заходит легко, если вы уже на AWS и хотите единый вендор.

OpenAI Whisper / Faster-Whisper (self-hosted)

Open source, обучен на 1 млн часов. Whisper-large-v3 даёт точность коммерческого уровня за долю стоимости, если у вас уже есть GPU. Faster-Whisper (CTranslate2) даёт ~4-кратное ускорение. Победный вариант для нагрузок под регуляторикой, где аудио не имеет права покидать периметр.

Как выбрать провайдера машинного перевода

DeepL. Лидер качества по европейским парам. Enterprise-поддержка глоссариев (Deutsche Bahn держит 30 000 записей в глоссарии). Бесплатный тариф на 500 тыс. символов/мес; бизнес-планы около 1 500 ₽ за миллион символов. Voice API выходит весной 2026.

Google Cloud Translation API. 100+ языков, быстро, дёшево в масштабе (~1 500 ₽ за миллион символов на тарифе v3 advanced). Поддержка глоссариев. Наш дефолт, когда покрытие языков важнее, чем верхняя планка естественности.

Azure Translator. Сопоставимая цена. Самый сильный вариант, если вы уже используете Azure Speech (тот же SDK, те же гарантии задержки).

AWS Translate. 1 125 ₽ за миллион символов стандарт, 4 500 ₽ за миллион для кастомных моделей. Каталог языков тоньше, чем у Google.

LLM-перевод (GPT-4o, Claude, Gemini). Наивысшая естественность, лучше всего справляется с идиомами и юмором, лучше всего держит инструкцию в системном промпте вроде «переведи в разговорном тоне». Иногда галлюцинирует на длинном контексте — делайте выборочную оценку через COMET, откатывайтесь на DeepL при низкой уверенности. В 3–10 раз дороже классического MT за 1 тыс. токенов.

Как выбрать провайдера TTS и клонирования голоса

ElevenLabs. Лидер рынка по выразительному TTS и клонированию голоса. Instant clone из 30-секундного сэмпла; Dubbing Studio — 150 ₽/мин с водяным знаком, 225 ₽/мин чистый. 32+ автоматически поддерживаемых языка. MOS стабильно 4,3–4,5 на разговорных бенчмарках.

Azure Neural TTS. Отличное enterprise-качество, 400+ голосов, доступен custom neural voice (CNV) с workflow согласия. Тарификация посимвольная (~1 200 ₽ за миллион).

Google Cloud Text-to-Speech. Хороший дефолт, нативно интегрируется с Google Translation, 300 ₽ за миллион символов стандарт / 1 200 ₽ за миллион для нейронных голосов. Chirp HD по качеству соревнуется с ElevenLabs на основных языках.

AWS Polly. 360 ₽ за миллион символов для нейронных голосов. Стабильно, но по выразительности уступает ElevenLabs. Берите ради цены и интеграции с AWS.

Meta SeamlessExpressive. Open source, TTS с сохранением эмоций на 100 языках. Правильный выбор, когда нужно дублирование с сохранением голоса, а платить enterprise-ценник ElevenLabs не хочется.

Сравнение провайдеров

Как встроить перевод в WebRTC

WebRTC даёт сквозную задержку медиа около 300 мс. Добавьте сверху пайплайн перевода — получите ~1 с, что всё ещё ниже разговорного порога. Паттерн, который мы используем на каждом проекте WebRTC:

1. Раздвоить аудио на SFU. LiveKit, mediasoup, Janus и Jitsi позволяют подписаться на аудиодорожку публикующего как на сырой RTP- или Opus-поток. Маршрутизируйте этот поток в воркер перевода.

2. Запустить ASR + MT + TTS как headless-сервис. Node.js, Go или Python. Один воркер на одного активного говорящего. Масштабируйте горизонтально — задача безнадёжно параллельна.

3. Опубликовать переведённое аудио как вторую дорожку. Либо как нового SFU-участника («Переводчик для говорящего A → испанский»), либо как дополнительную SDP m-line на том же peer connection с языковым кодом в MSID. Зрители подписываются на нужный язык.

4. Отправлять субтитры через data channel. Низкий джиттер, упорядоченная доставка, без отдельного медиапотока. Клиент накладывает их через CSS. VTT-таймкоды держат их в синхроне с переведённым аудио.

5. Глушить оригинальное аудио на стороне слушателя. Каждый зритель выбирает «оригинал + субтитры», «переведённое аудио + субтитры» или «только переведённое аудио». Это микшер на стороне клиента — SFU отдаёт обе дорожки.

Как встроить перевод в HLS / LL-HLS

Для трансляций вещательного типа — спорт, конференции, концерты, live-события класса Worldcast — доминирует HLS. Задержка 2–5 с на LL-HLS, 5–30 с на классическом HLS, так что бюджет перевода щедрее, но синхронизировать всё на стороне CDN сложнее.

Дорожка субтитров: сегментированный WebVTT. Добавьте #EXT-X-MEDIA TYPE=SUBTITLES в мастер-плейлист, по одной записи на каждый язык. Нарезайте WebVTT сегментами 4–6 с, чтобы попадать в каденс медиасегментов. Большинство плееров (hls.js, Shaka) переключают язык нативно.

Дублированное аудио: дополнительные аудиорендиции. Добавьте #EXT-X-MEDIA TYPE=AUDIO на каждый язык. Клиент выбирает одну при воспроизведении. Перекодируйте переведённое аудио в AAC по тем же сегментным границам, что и видео, чтобы lip-sync держался в пределах ±200 мс.

Сохраняйте атомарность CMAF. Для LL-HLS убедитесь, что каждый чанк (вход ASR, выход MT, выход TTS, видеосегмент) приземляется на одной и той же границе CMAF. Иначе субтитры начинают плыть, и через пару часов трансляции зрители жалуются на рассинхрон с губами.

Субтитры или дублированный голос: что выбрать

Субтитры выигрывают по: стоимости (в 5–10 раз дешевле), покрытию языков (субтитры на 100+ языков, у дубляжа качество падает после 40), доступности (глухим и слабослышащим субтитры нужны в любом случае) и многоязычным сценариям, где зрители смотрят оригинальное видео и одновременно читают переведённый текст.

Дубляж выигрывает по: вовлечённости (досматриваемость на субтитрованном контенте падает на 20–30% по сравнению с дублированным), доступности для зрителей с низкой грамотностью, сценариям без визуального контакта с экраном (вождение, готовка, спорт издалека) и ощущению «премиум» для платного контента.

Поставляйте и то, и другое. Дайте зрителю выбор. Субтитры стоят 3,7–11,2 ₽ за минуту речи на одного говорящего; дублированное аудио добавляет 22,5–225 ₽ в зависимости от качества голоса. При типовом распределении — 60–70% зрителей с субтитрами, 20–30% с дубляжом, 10% с оригиналом — смешанная стоимость остаётся управляемой.

Мини-кейс: Translinguist, платформа live-перевода на 62 языка

Ситуация. Клиент хотел запустить live-перевод конференций и занятий на 62 языках на одной платформе, с AI-переводом (дёшево, 24/7) и человеческим устным переводом (премиум, по запросу), доступными через единый UI. Готовые интеграции покрывали максимум 5–10 языков; никто не поддерживал гибрид AI и людей и low-latency-доставку через WebRTC.

План на 12 недель. Недели 1–3 — собрали трёхступенчатый каскадный пайплайн (ASR на мультипровайдерном роутере, DeepL + Google MT с попарной оценкой качества, ElevenLabs + Azure Neural TTS). Недели 4–6 — встроили в WebRTC SFU с выбором языка на стороне слушателя. Недели 7–9 — добавили слот для живого переводчика через маршрутизацию WebRTC-аудио и флоу бронирования. Недели 10–12 — прогнали полную QA-матрицу COMET + MOS, выкатили глоссарии под топ-12 индустриальных вертикалей и добавили контроль приватности (опт-ин на запись, тумблер хранения в ЕС).

Результат. Полное покрытие 62 языков на старте. Сквозная задержка 900 мс — 1,4 с для AI-перевода по топ-12 парам. Смешанный MOS 4,2 на AI-дубляже, средний COMET 0,78 на MT, WER 5,1% на ASR. Платформа сейчас обслуживает тысячи минут многоязычных встреч в месяц. Прочитайте сопутствующий разбор о том, как добавить переводчика в реальном времени в WebRTC-видеозвонок.

Если хотите получить аналогичный трёхмесячный объём работ под свой стек, позвоните нам — обсудим за 30 минут и попросим вас принести запись.

Математика стоимости: во что реально обходится час многоязычного стрима

Четыре строчки расходов на один целевой язык на час речи. Подставьте свой прайс в тот же шаблон.

1 час активной речи = 60 мин = ~9 000 слов = ~55 000 символов

Переведённые субтитры (ASR + MT):
  ASR:  60 мин   × 0,75 ₽/мин       =  45 ₽
  MT:   55 000 симв. × 1 500 ₽/млн   =  82 ₽
                                          --------
                                          ~127 ₽ / час / язык

Дублированное аудио (ASR + MT + TTS):
  ASR:  45 ₽
  MT:   82 ₽
  TTS:  55 000 симв. × 1 200 ₽/млн   =  66 ₽
                                          --------
                                          ~193 ₽ / час / язык (нейронное TTS)

Дубляж с клонированием голоса (ElevenLabs Dubbing):
  ~150–225 ₽/мин дубляжа × 60 = 9 000–13 500 ₽ / час / язык

Откат на живого переводчика:
  ~5 200–11 200 ₽ / час / язык

Для события на 10 языках с 40 часами речи в месяц субтитры стоят ~51 000 ₽, AI-дубляж — ~77 200 ₽. Дубляж с клонированием голоса разгоняет ценник за 3,6 млн ₽ — именно поэтому клонирование голоса мы держим для on-demand-контента, а не для live.

Фреймворк решения — выбираем стек за пять вопросов

1. Субтитры или дублированное аудио? Начинайте с субтитров, если только продукт — не просмотр контента с измеримым ростом досматриваемости от дубляжа. Большинству продуктов для конференций и e-learning полноценный дубляж не нужен никогда.

2. Насколько жёсткий бюджет задержки? < 1 с разговорного формата — каскад с потоковым ASR. 2–5 с вещательного формата позволяют использовать batch ASR, более широкий контекст MT и более качественное TTS. Сначала зафиксируйте бюджет — потом подбирайте провайдеров.

3. Сколько языковых пар нужны на запуске? Меньше 5 → стоит присмотреться к Azure Live Interpreter или self-hosted-развёртыванию Seamless. 5–25 → каскад с DeepL + ElevenLabs. 25+ → каскад с Google или Azure (покрытие важнее лоска).

4. Данные под регуляторикой? Если в скоупе HIPAA, GDPR или SOC 2 → Whisper на устройстве либо Azure с хранением в ЕС и подписанным BAA. Если регуляторики нет → выбирайте по задержке и стоимости. Этот один вопрос отсекает половину коммерческих провайдеров для медицины.

5. WebRTC, HLS или оба? Только WebRTC → раздвоение аудио на SFU + выбор языка на стороне слушателя. Только HLS → дополнительные аудиорендиции + сегментированный WebVTT. Оба сразу (ingest по WebRTC, доставка по HLS) → гибрид с выравниванием CMAF-таймстемпов. Протокол доставки определяет половину архитектуры.

Пять подводных камней, которые сломают вам пайплайн перевода

1. Перевод промежуточных выходов ASR без порогов уверенности. Если переводить каждые 200 мс, вы сжигаете бюджет MT и получаете мерцающие субтитры. Ставьте порог по уверенности ASR > 0,7 и перепереводите только тогда, когда изменился префикс фразы.

2. Нет доменного глоссария. Универсальный MT уродует названия продуктов, медицинские коды и юридическую терминологию. Сразу заложите механизм загрузки глоссария на тенанта. Типовой эффект: WER на доменной лексике падает в 3–5 раз.

3. Смешение endpoints из разных регионов. ASR в США + MT в ЕС + TTS в США добавляют 100–200 мс чистой сетевой задержки на каждую фразу. Прикрепите все три endpoints к одному региону, а зеркалирование в другие добавляйте только при необходимости.

4. Игнорирование перекрывающейся речи. Два человека говорят одновременно. ASR выдаёт перемешанные промежуточные результаты. MT галлюцинирует. TTS произносит абракадабру. Запустите диаризацию говорящих на стороне SFU и направляйте каждого в отдельный пайплайн.

5. Нет фолбэка при отказе провайдера. ASR API возвращают 5xx. MT-модели упираются в rate-limit. TTS-сервисы ложатся в региональных авариях. Постройте маршрутизатор по двум провайдерам с переключением быстрее 500 мс и логируйте каждое срабатывание фолбэка как метрику. Пользователь не должен видеть «сервис перевода недоступен».

Приватность, HIPAA, GDPR для трансграничного аудио

HIPAA. В контексте здравоохранения США аудио часто содержит PHI. Нужен подписанный BAA с каждым провайдером в цепочке. Azure и AWS предлагают BAA; ряд более молодых ASR-вендоров — нет. ASR на устройстве с Whisper решает проблему сквозным образом, но требует GPU.

GDPR. Персональные данные граждан ЕС должны оставаться в ЕС или попадать под SCC + DPA. Регионы Azure DE и AWS EU-West закрывают этот вопрос напрямую. Зона риска — голосовая биометрия, которую нельзя восстановить; штрафы доходят до €20 млн или 4% мировой выручки.

Согласие. Для перевода вы обрабатываете голос. Добавьте явный баннер согласия перед первым вызовом ASR. Логируйте таймстемпы согласия и метки провайдеров на сессию, чтобы выдержать аудит.

Дефолты по хранению. Стартуйте с нулевым удержанием аудио на стороне ASR/MT/TTS-провайдеров (большинство enterprise-тарифов это поддерживают) и потолком 30 дней на собственное хранилище расшифровок, если клиент не выбрал больший срок осознанно.

KPI для отчётов перед бизнесом

Показатели качества. WER p50 по языку, COMET p50 по паре, смешанный MOS по выходной дорожке. Цели: WER < 8%, COMET ≥ 0,75, MOS ≥ 4,0. Любая ячейка матрицы ниже цели — задача в бэклоге.

Бизнес-метрики. Доля сессий, в которых включали перевод; минуты просмотра переведённых дорожек против оригинала; частота повторных вопросов (косвенный признак путаницы перевода); NPS по языковым когортам.

Метрики надёжности. Сквозная задержка p95 по каждой ступени пайплайна, доступность провайдера по языку, частота срабатывания фолбэка. Алерт при превышении целевой p95 в течение 5 минут подряд.

Когда live-перевод добавлять НЕ стоит

Ваша аудитория практически одноязычная. Если 95% зрителей говорят на одном языке, перевод только отвлекает. Лучше локализовать UI и записи событий — это в 10 раз дешевле.

Контент — юридические, медицинские или финансовые консультации. Галлюцинации MT в этих доменах несут реальную ответственность. Используйте переведённые субтитры с чётким дисклеймером «машинный перевод» или маршрутизируйте на живых переводчиков.

Ваш бюджет задержки меньше 500 мс. Настоящие интерактивные игры, копроизводство трансляций. Каскадный перевод сегодня в 500 мс не укладывается.

Продукт ещё не нашёл PMF. До product-market fit перевод — это шум. Сначала запустите ядро продукта на одном языке; добавляйте перевод, когда об этом начнут спрашивать повторные когорты.

FAQ

Какая реалистичная сквозная задержка для live AI-перевода в 2026 году?

На хорошо настроенном каскадном пайплайне в одном облачном регионе: 800 мс — 1,5 с для переведённых субтитров и 1–2 с для дублированного аудио на основных парах. End-to-end S2ST (Google Pixel 10, Meta Seamless) достигает ~1–2 с с сохранением голоса, но только для нескольких языковых пар.

Какой движок ASR лучше всего подходит для live-стримов?

Deepgram Flux выигрывает по задержке (< 300 мс end-of-turn), AssemblyAI Universal-3 Pro выигрывает по точности (14,5% WER), а Whisper large-v3 self-hosted выигрывает по приватности и удельной стоимости, если у вас уже работают GPU. Для медицины под регуляторикой Azure Speech с подписанным BAA — безопасный дефолт.

Сколько стоит live AI-перевод за час?

Переведённые субтитры: ~127 ₽/час/язык. AI-дубляж: ~193 ₽/час/язык на нейронном TTS. Дубляж с клонированием голоса (ElevenLabs): 9 000–13 500 ₽/час/язык. Живой устный переводчик: 5 200–11 200 ₽/час/язык. Большинство продуктов запускаются на субтитрах ради экономии и потом продают дубляж как апсейл.

Можно ли сохранить оригинальный голос говорящего в переведённом выводе?

Да, через клонирование голоса. Либо end-to-end S2ST-модели (Meta SeamlessExpressive open source, Google Pixel 10 on-device), либо каскадные пайплайны с ElevenLabs Instant Voice Clone. Ожидайте 30-секундный сэмпл для энролмента и 150–225 ₽ за минуту дубляжа. Аккуратно обращайтесь с согласием — голос относится к биометрическим данным под GDPR.

Как встроить перевод в существующий WebRTC SFU?

Раздвойте аудиодорожку каждого публикующего как сырой RTP или Opus, маршрутизируйте её в воркер перевода на каждого говорящего с ASR + MT + TTS, опубликуйте переведённое аудио обратно в SFU как нового участника или как дополнительную SDP m-line, а субтитры доставляйте через data channel. LiveKit, mediasoup, Janus и Jitsi поддерживают этот паттерн из коробки.

Как измерять качество перевода в production?

Отслеживайте три числа: WER на ASR (цель < 10%), COMET на MT (цель ≥ 0,75), MOS на TTS (цель ≥ 4,0). Прогоняйте 1–2% трафика через автоматическую оценку непрерывно и раз в неделю давайте людям проверять стратифицированную выборку из 50–200 фраз на язык. Алерт — если любая метрика проседает больше чем на 10% неделя к неделе.

Законно ли прогонять аудио клиента через сторонние AI-сервисы?

Зависит от регулятора и данных. В США PHI требует подписанного BAA с каждым провайдером. В ЕС персональные данные требуют DPA и — для надёжного соответствия — регионального хранения. Всегда показывайте явный баннер согласия до начала обработки, логируйте согласие и предлагайте ASR на устройстве тем, кто отказывается от облачной обработки.

Сколько времени уйдёт на сборку production-пайплайна перевода?

С AI-ассистируемой инженерией мы обычно закладываем 3–6 недель на переведённые субтитры поверх существующего стека WebRTC или HLS и 8–12 недель на полный дубляж с клонированием голоса, глоссариями и compliance-контролями. Translinguist (62 языка, гибрид AI и людей) занял ~12 недель от кикоффа до запуска.

Что почитать дальше

Готовы выйти на многоязычность?

Live AI-перевод в 2026 году — это трёхступенчатый каскадный пайплайн (ASR, MT, TTS), подключённый к слою доставки WebRTC или HLS. Удерживайте планку качества по WER, COMET и MOS. Удерживайте планку задержки в 800 мс для разговора и в 2–5 с для вещания. Сначала отгружайте субтитры, проверяйте спрос, затем добавляйте дубляж в когортах, которые действительно слушают переведённое аудио.

Если вам подходит такой план, наша команда уже строила это в масштабе 62 языков — и наш пайплайн Agent Engineering обычно доставляет production-запуск переведённых субтитров за 3–6 недель поверх существующего стека.