AI Callerресёрч голосового агента · 2026-10-15

Ресёрч · 2026-10-15

Bland.ai изнутри: можно ли повторить самим

Что у Bland своё, а что склейка: архитектура, API, цены, замеры скорости, перебивание, русский и португальский.

Метки: DOC подтверждено официальными докой/страницами Bland; 3RD сторонний источник (часто конкурент — отмечено); GUESS моя догадка/вывод.

0. Сводка (10 строк)

  1. Bland заявляет, что весь стек свой: "Voice, LLM, TTS, STT. All in-house", "we don't wrap anyone's models", ранние деньги ушли на GPU; в API нельзя подключить OpenAI/Anthropic (Fortune). Это заявления компании, независимо не проверены. DOC/3RD
  2. Телефония у Bland — не своя сеть операторов, а Twilio-подложка (в биллинге: "Twilio charges Bland $0.004/min for SIP traffic"; BYO Twilio штатно). Звонки идут с пула номеров Bland. DOC
  3. Заявленная задержка: "sub-400ms" (CEO, "under 400 ms"; без методики). Независимо замерено (caller-side, по записям реальных звонков, ~430 ходов): p50 1520 мс, p95 2248 мс — 3-е из 5, у Vapi 1558/2008, Retell 1740/2259, Telnyx 1296/1856, ElevenLabs 1424/1768. Ни одна платформа не <1 с на медиане. 3RD: openbenchmarks.com
  4. Ещё замеры: Tested Media (500 звонков) Bland 850/1180 мс voice-to-voice; Techsy сам: ~820 мс p50 / 2.1 с p95; Retell (конкурент) пишет 700–1500 мс, до 2.5 с под нагрузкой. Методики расходятся на 0.7–1 с — сравнивать между отчётами нельзя. 3RD
  5. Перебивание: настраиваемо interruptibility 0–4, "stops at word boundary", короткое "угу" не прерывает, ответ после паузы адаптивный (до ~2.5 с ожидания у медленного собеседника, подстройка за ~15 с). Числа задержки реакции на перебивание не публикуются и никем не замерены. DOC; цифр нет
  6. Клонирование голоса: ОДИН образец ~10 с (WAV, ≤10 МБ), движок BTTS V3, "17+ языков"; Start-тариф — 1 клон, Build — 5, Scale — 15. Через voice в /v1/calls клон используется напрямую. DOC
  7. Русский и португальский (pt-PT) есть в списке language API, но отзывов/бенчмарков по ним нет; сторонние обзоры: "English-first, non-English less polished"; в enterprise-доке португальский идёт как "по запросу, настроим другой STT/TTS". Гарантий качества нет. DOC + 3RD
  8. Цены (с 2025-12-05): $0.14/мин (Start, бесплатно), $0.12 (Build, $299/мес), $0.11 (Scale, $499/мес); +$0.015 минимум за исходящий; LLM+STT+TTS включены. Измеренная реальная стоимость $0.1408/мин. Agent Phone Plan $29.99/мес "безлимит" — только США/Канада, 1 канал: для Португалии не годится. DOC + 3RD
  9. "Секрета" нет в смысле недоступных идей: это классический каскад STT → LLM → TTS со своим turn-detection и tuned-инфраструктурой, плюс Twilio. Реально дорого повторить — собственные модели (особенно качественный TTS/клон и русский STT), а не оркестрация. GUESS на основе 1–8
  10. Вердикт: по скорости Bland НЕ лучше открытых/сборных стеков (на независимом замере вровень с Vapi/Retell, хуже Telnyx/ElevenLabs). Самосбор на Pipecat/LiveKit + хороший STT/TTS способен дать ~1 с, но "из коробки" замеряется 2.5–3 с (Cekura). Для прототипа Bland быстрее всего поднимается; для критерия «скорость отклика» выигрыша нет. GUESS

1. Архитектура

1.1 Свои модели или вендоры

1.2 Хостинг

1.3 Телефония

1.4 Как заявлено достигается скорость

Заявлено (компания): владение всеми слоями (нет сетевых хопов к вендорам), потоковая обработка, собственный turn-taking. DOC/3RD

2. API-фичи (что подтверждено доками)

Фича Статус Источник
Send call: POST https://api.bland.ai/v1/calls (phone_number, task или pathway_id, voice, first_sentence, from, language, wait_for_greeting, max_duration (мин, default 30), record, webhook, webhook_events, summary_prompt, metadata, tools, voicemail, keywords, pronunciation_guide, temperature, noise_cancellation, background_track и др.) DOC https://docs.bland.ai/api-v1/post/calls.md
Pathways / conversational flows (узлы, условия, global nodes, webhooks в узлах, версии, Norm-ассистент) DOC https://docs.bland.ai/tutorials/pathways.md
Tools во время звонка: webhook-tool (GET/POST к вашему эндпоинту; "agent speech" пока tool выполняется), custom code, integrations; в звонок передаются tools: ["TL-…","KB-…"] DOC https://docs.bland.ai/agents/tools.md
Webhook по ходу и в конце звонка (webhook_events: connected/transferred/ended; пост-колл payload с транскриптом), подпись вебхуков DOC https://docs.bland.ai/platform/agent-quickstart.md
Запись: record: true при отправке (нельзя включить потом), recording_url и GET /v1/calls/{id}/recording (mp3/wav) DOC https://docs.bland.ai/api-v1/get/calls-id-recording.md
Транскрипт: GET /v1/calls/{id} → concatenated_transcript (строка), transcripts[] (turn, user: user/assistant/robot/agent-action, created_at), summary (появляется до ~1 мин после hangup), answered_by, status, analysis DOC https://docs.bland.ai/api-v1/get/calls-id.md
Голосовой клон: Clone Voice (страница docs api-v1/post/clone, точный путь не выписывал; multipart: name, audio_samples ровно 1 файл ~10 с, ≤10 МБ, WAV; gender, description; isBTTS_V3 по умолчанию); возвращает voice_id; "17+ языков"; клон приватный для org; лимит по плану DOC https://docs.bland.ai/api-v1/post/clone.md , https://docs.bland.ai/tts/voices.md
Пользование клоном на звонках: параметр voice "accepts custom voice clones" DOC https://docs.bland.ai/api-v1/post/calls.md
Исходящие номера: по умолчанию общий пул Bland; свой номер — купить у Bland (Numbers API) или импортировать из Twilio (BYOT); SIP trunk — enterprise; dialing_strategy для выбора from DOC https://docs.bland.ai/tutorials/custom-twilio.md
Прерывание: interruptibility 0–4 (default 2), block_interruptions, interruption_threshold (legacy) DOC https://docs.bland.ai/tutorials/agent-speech.md
Голосовая почта, IVR/DTMF (ivr_mode, precall_dtmf_sequence), warm transfer, SMS/RCS/iMessage, batch calls DOC https://docs.bland.ai/llms.txt (индекс)
Звучание "по-человечески": prompt как транскрипт, "umm/uh", фоновый трек (office/cafe), [say warmly]-теги в V3 голосах DOC https://docs.bland.ai/platform/sounding-human.md
MCP-сервер https://api.bland.ai/v1/mcp (create_call, wait_for_call, get_call_log, list_voices, …), 120 запросов/мин DOC https://docs.bland.ai/integrations/mcp/overview.md
BYO LLM / сторонний TTS внутри звонка отрицается (Fortune); в доках не найдено 3RD

Языки language (в списке): en-варианты, es, fr, de, pt, pt-BR, pt-PT, ru, uk, it, nl, pl, zh, ja, ko, tr и др.; babel/fluent — авто-переключение, "experimental"/beta; auto = только EN+ES. Welcome/блог: "40+ языков". Для Babel/fluent в pathway нужно в промпте явно просить отвечать на языке собеседника. DOC https://docs.bland.ai/api-v1/post/calls.md , https://www.bland.ai/blog/multilingual-ai-voice-assistant Примечание: клон 17+ языков — это язык TTS, а STT/LLM для русского/португальского отдельно не описаны. Док предупреждает: если клон "ломается" при смене языка, виноват образец — клонируйте по записи, содержащей нужные языки. DOC https://docs.bland.ai/tts/voices.md

Безопасность/этика (не исследовалось): политика допустимого использования Bland для звонков третьим лицам от имени человека, раскрытие "это ИИ" — в доках не смотрел. [не проверено]

3. Цены (2026)

DOC https://docs.bland.ai/platform/billing.md (действует с 2025-12-05; более новых изменений не найдено)

План Цена Минута (connected) Трансфер Лимиты Клонов
Start бесплатно $0.14 $0.05 100 зв./день, 10 одновременных 1
Build $299/мес $0.12 $0.04 2000/день, 50 одновременных 5
Scale $499/мес $0.11 $0.03 5000/день, 100 одновременных 15
Enterprise договор кастом — без лимита без лимита
Agent Phone $14.99 первый месяц, затем $29.99 безлимит, но ТОЛЬКО США/Канада, 1 канал, 50 зв./день, ≤60 мин — 1 номер США —

Пример: 3-минутный звонок на Start ≈ 3×$0.14 = $0.42; $0.015 — лишь минимальный порог за попытку. GUESS по арифметике

4. Качество и отзывы — особенно скорость

4.1 Задержка ответа (главный критерий)

Источник Что измерено Bland Другие Надёжность
Bland (homepage/CEO) заявка "sub-400 ms" / "under 400 ms"; Turbo (2024): "human-level speed" — без методики
Welcome-блог Bland заявка "<1 с на self-hosted инфраструктуре" — заявка
openbenchmarks.com (код на GitHub openbenchmarks-labs/voice-agent-latency) caller-side TTFAB по записи реальных звонков (Plivo), ~430 ходов/платформа, дефолтные стеки, endpointing 0.1 с принудительно для Telnyx/Vapi/Retell p50 1520 мс, p95 2248 мс, хвост ×1.48 (худший), $0.1408/мин Telnyx 1296/1856; ElevenLabs 1424/1768; Vapi 1558/2008; Retell 1740/2259 самая методичная из найденных; издатель неизвестен, даты сбора нет, OpenAI Realtime нет; Vapi потерял 50 из 432 ходов
Tested Media (по Telnyx-странице) voice-to-voice, 500 звонков, март 2026 850 мс / 1180 мс Retell 680/920; Vapi (tuned) 720/1050; Synthflow 920/1250 метод детекции не опубликован; медианы на 0.7–1 с ниже openbenchmarks по тем же вендорам
Techsy (собственные звонки NYC Twilio → мобильный) end-to-end ~820 мс p50, 2.1 с p95; TTFA ~500 мс; "p95 под нагрузкой 1.6–2.4 с" все три >1.5 с на p95 малая выборка, отчасти ссылки на "third-party tests"
Retell (конкурент) сводка/оценка "700–1500 мс типично, до 2500 мс при стресс-тесте"; цитата Reddit "too slow for production" Vapi 500–900 мс конкурент, методика не раскрыта
Cekura (p50/p95, per-turn, один и тот же агент на 6 платформах) Bland и OpenAI Realtime НЕ тестировались ElevenLabs 1730/3194; Retell 1960/3789; Vapi 2340/2950; LiveKit 2460/3870; Pipecat 3150/5419; Synthflow 3160/5080 Дефолты, без тюнинга; часть платформ SIP-мост

Ссылки: https://openbenchmarks.com/voice-agent-latency/bland , https://telnyx.com/resources/voice-ai-agents-compared-latency , https://techsy.io/en/blog/retell-ai-vs-vapi-vs-bland , https://www.retellai.com/blog/vapi-vs-bland , https://www.cekura.ai/discover/p99-latency-voice-ai-agents

Выводы:

4.2 Задержка реакции на перебивание

4.3 Что про OpenAI Realtime (для сравнения)

4.4 Естественность / «роботность»

4.5 Русский / португальский

5. «Секрет» или склейка

Что в Bland — обычное (воспроизводимо готовыми компонентами) GUESS по 1–4:

Что действительно «своё» и дорого GUESS:

  1. Собственный streaming STT и "Babel" мультиязычный — трудно сделать лучше вендорских, но и вендорские (Deepgram, Google) закрывают русский/португальский.
  2. Собственный TTS + клон по 10 с (BTTS V3) — вендорские аналоги: ElevenLabs, Cartesia (клон по ~10 с), Fish/Chatterbox/XTTS (open-source, хуже по ru/pt).
  3. Адаптивный turn-taking + классификация "угу" vs перебивание — именно тут самосбор обычно слабее (Cekura: Pipecat 3.1 с и LiveKit 2.5 с на дефолтах), но решается turn-detection моделями (Deepgram Flux, LiveKit turn detector, Pipecat Smart Turn).
  4. Масштаб: 65M+ звонков/мес — не нужен для Роберта.

Для задач Роберта (десятки звонков, ru/pt, клон голоса): GUESS

6. Что в skill'е рилса (по гайду agentnative.inc)

Источник: https://agentnative.inc/resources/let-your-agent-call-you — страница публичная, открылась (WebFetch вернул пересказ; дословно не получилось, показывал сводку). Разбор самого рилса — на странице «Разбор рилса».

Это сценарий «агент звонит ЧЕЛОВЕКУ, чтобы спросить решение», а не переговоры с третьими лицами.

7. Пробелы / что не удалось