Какой ИИ лучше всех переводит живую речь? Как раз делал подобные сравнения сам. Sony вместе с Университетом Карнеги-Меллона прогнали кучу ИИ-шек для перевода речи (как одиночных моделей, так и воркфлоу) через единый тест и, главное, дали живым людям послушать и выбрать, где звучит лучше. Сразу спойлер: одного победителя на все случаи нет. Но по задачам всё довольно понятно. Если упростить, есть два подхода: – «Всё в одном» – одна модель делает весь перевод целиком – «Конвейер» – несколько отдельных инструментов по цепочке: сначала распознать речь, потом перевести текст, потом озвучить Кто в чём хорош – Когда важна точность (медицина, серьёзные разговоры) – выигрывает «конвейер». В медицинских диалогах люди выбирали его в 70% случаев: отдельный переводчик текста оказался надёжнее, чем «всё в одном». Это Whisper+Gemma3+CosyVoice – Длинная речь и подкасты – один из «конвейеров» при переводе на английский однажды сравнялся с живым переводчиком. Это вообще единственный момент за весь тест, когда машина догнала человека. Это Voxtral+Chatterbox – Натуральность голоса (чтобы не звучало как робот) – тут лучше модели «всё в одном» и лидер - Qwen3-Omni – Универсальность – самый ровный результат на разных языках показала Qwen3-Omni от Alibaba. Она же единственная из «всё в одном», кто хоть где-то обошёл «конвейер». Кто разочаровал Seamless от Meta. И по цифрам, и по мнению людей он оказался последним – ни разу не занял первое место ни в одной задаче. Короче, пока реального человека end-2-end переводчики не заменяют. А «конвейеры» спотыкаются на редких языках вроде корейского или хинди – там слабый «озвучиватель» тянет вниз весь результат. 🔗 arxiv.org/abs/2606.03241