Контур · оценка по Mini
Арендуем NVIDIA, вычислительную нагрузку оцениваем по прогонам Mac mini M4 Pro / 48 ГиБ. База: 75 000 разговорных минут, пик 20, резерв 25%, 30 рабочих дней по 12 часов. Речь клиента — 40%, бота — 40%, паузы — 20%. Коэффициент скорости GPU к Mini — 1×: ускорение не предполагается.
| Связка | Первый PCM | Работа Mini / мин разговора | График, ₽/мин | Послушать |
|---|---|---|---|---|
| Qwen · SerenaКомпозит | 0,78–1,08 с | 9,6 с | ≈ 7,15 | |
| CosyVoice3 · 1Композит | 1,84–2,30 с | 13,5 с | ≈ 8,53 | |
| VoxCPM2 · 1Композит | 3,70–5,49 с | 27,2 с | ≈ 16,82 | |
| Qwen Omni · EthanОмни | 1,12–1,28 с | 19,2 с | ≈ 14,97 | |
| MiniCPM-o 4.5 · 1Омни · эксперимент | 1,74–1,90 с | 37,7 с | ≈ 22,34 |
Время первого PCM измерено на Mini. Деньги — экстраполяция на аренду NVIDIA; MiniCPM показана только как эксперимент.
Qwen · Serena
Потоковый ответ Serena. Русский текст и выбранное время сохранены в трёх репликах; естественность человеком не оценена. В контрольном вопросе LLM ошиблась: назвала Санкт-Петербург столицей России.
Исходный замер: 6,586 с обработки, 15,123 с входной речи и 16,480 с аудиоответа. Первый PCM измерен на трёх прогретых репликах без VAD и браузера.
Для базового расчёта: 9,65 с обработки на разговорную минуту; 5 GPU при пике 20 и резерве 25%. Выбранная VM: A100 40 ГБ · 6 vCPU · 87 ГБ RAM, 244,28 ₽/ч. Один полный экземпляр связки предполагается размещённым на одной такой VM. Это допущение размещения и памяти, а не отдельный GPU на звонок.
CosyVoice3
Текущий Swift-адаптер отдаёт целую фразу. Пик MLX только TTS 2,68 ГиБ не является памятью всего каскада.
Исходный замер: 6,002 с обработки, 15,123 с входной речи и 10,440 с аудиоответа. Первый PCM измерен на трёх прогретых репликах без VAD и браузера.
Для базового расчёта: 13,46 с обработки на разговорную минуту; 6 GPU при пике 20 и резерве 25%. Выбранная VM: A100 40 ГБ · 6 vCPU · 87 ГБ RAM, 244,28 ₽/ч. Один полный экземпляр связки предполагается размещённым на одной такой VM. Это допущение размещения и памяти, а не отдельный GPU на звонок.
VoxCPM2
Текущий MLX-адаптер отдаёт целую фразу; на этих репликах генерирует медленнее длительности аудиоответа.
Исходный замер: 13,157 с обработки, 15,123 с входной речи и 11,521 с аудиоответа. Первый PCM измерен на трёх прогретых репликах без VAD и браузера.
Для базового расчёта: 27,18 с обработки на разговорную минуту; 12 GPU при пике 20 и резерве 25%. Выбранная VM: A100 40 ГБ · 6 vCPU · 87 ГБ RAM, 244,28 ₽/ч. Один полный экземпляр связки предполагается размещённым на одной такой VM. Это допущение размещения и памяти, а не отдельный GPU на звонок.
Qwen Omni
При загрузке общий swap хоста вырос на 3,18 ГиБ; во время прогретых реплик не рос. Ответ о «принятой записи» не подтверждён интеграцией.
Исходный замер: 14,068 с обработки, 15,123 с входной речи и 20,000 с аудиоответа. Первый PCM измерен на трёх прогретых репликах без VAD и браузера.
Для базового расчёта: 19,23 с обработки на разговорную минуту; 9 GPU при пике 20 и резерве 25%. Выбранная VM: RTX 6000 Pro 96 ГБ · 16 vCPU · 120 ГБ RAM, 289,79 ₽/ч. Один полный экземпляр связки предполагается размещённым на одной такой VM. Это допущение размещения и памяти, а не отдельный GPU на звонок.
MiniCPM-o 4.5
Русский сценарий не пройден: смена языка, неверные имя и время. Оставлена экспериментом; стоимость — только исследовательский бюджет.
Исходный замер: 47,145 с обработки, 15,123 с входной речи и 44,880 с аудиоответа. Первый PCM измерен на трёх прогретых репликах без VAD и браузера.
Для базового расчёта: 37,71 с обработки на разговорную минуту; 16 GPU при пике 20 и резерве 25%. Выбранная VM: A100 40 ГБ · 6 vCPU · 87 ГБ RAM, 244,28 ₽/ч. Один полный экземпляр связки предполагается размещённым на одной такой VM. Это допущение размещения и памяти, а не отдельный GPU на звонок.
Как из Mini получаем расходы NVIDIA
Для композита отдельно нормируем ASR по длительности речи клиента, а LLM и синтез — по длительности речи бота. Так минута аудиоответа не подменяет минуту разговора. Средняя длина реплики и её сложность берутся из трёх прогретых тестовых ходов.
работа Mini на разговорную минуту = 60 × (доля речи клиента × ASR-секунды / входные аудиосекунды + доля речи бота × секунды LLM+TTS / выходные аудиосекунды)Для native S2S раздельных фаз нет: берём время всей обработки, делим на сумму входной и выходной речи и умножаем на речевую долю минуты. Соотношение входа/выхода внутри этой модели сохраняется как в тесте. Это более грубая аппроксимация, чем раздельный композит.
работа GPU = работа Mini ÷ коэффициент скорости
GPU под пик = округлить вверх(пик × работа GPU / 60 × (1 + резерв))
себес минуты = (GPU × ставка VM × оплаченные часы + другая инфраструктура) ÷ разговорные минутыКоличество GPU больше не назначается одинаковым для всех моделей. Коэффициент 1× означает плановое равенство скорости реплики на GPU и Mini, не утверждение о физической эквивалентности устройств. 2× означает вдвое меньшую занятость; 0,7× — более медленный перенос. Он доступен в настройках калькулятора.
Пример Serena
Прогон: ASR — 0,444 с на 15,123 с входа; LLM и TTS — 6,142 с на 16,480 с ответа. При долях 40/40% получаем 9,649 с обработки на разговорную минуту. Пик с резервом: 20 × 1,25 × 9,649 / 60 = 4,021, округляем до 5 GPU. На этой границе округления небольшое изменение исходного замера может изменить парк на один узел — это причина для примерного знака у цены.
Какие часы оплачиваем
Сохраняем парк под заданный пик готовым всю смену. Для графика 08:00–20:00 и 10 минут до/после затрагиваются 14 оплачиваемых часовых интервалов в день, 420 часов на VM. Форма кривой сама по себе не уменьшает стоимость этого парка. Автоскейлинг по часам внутри смены здесь не приписан как гарантированная экономия.
График предполагает настоящее освобождение GPU вне смены. Обычная остановка Selectel сохраняет оплату; возобновление после освобождения зависит от наличия ресурсов. Резерв 25% учитывается один раз при выборе GPU. Фиксированный запас N+1 автоматически не добавляется.
Что входит в деньги
Публичные позиции Selectel, проверены 18.10.2026: A100 40 ГБ с 6 vCPU/87 ГБ RAM — 244,28 ₽/ч за VM; RTX 6000 Pro 96 ГБ с 16 vCPU/120 ГБ RAM — 289,79 ₽/ч. CPU, RAM и энергия этой VM уже в её ставке. Для композитов и MiniCPM используем первый тип, для Omni — второй под полную модель.
Отдельный предварительный техбюджет: служебные CPU-сервисы — 12 000 ₽, сеть — 3 000 ₽, данные — 3 000 ₽ на 30 дней; диски — 1 000 ₽ на выбранный GPU-узел. Он делится на разговорные минуты и меняется с календарём и числом узлов. Для Serena получается 0,31 ₽/мин поверх GPU. Это оставленное допущение инфраструктуры, а не отдельный измеренный тариф. Телефония, труд, внедрение и маржа не добавлены.
Чувствительность к скорости GPU · по графику, ₽/мин
| Связка | 0,7× | 1× | 2× |
|---|---|---|---|
| Qwen · Serena | 8,53 | 7,15 | 4,38 |
| CosyVoice3 | 12,67 | 8,53 | 4,38 |
| VoxCPM2 | 23,72 | 16,82 | 8,53 |
| Qwen Omni | 19,87 | 14,97 | 8,42 |
| MiniCPM-o 4.5 | 32,01 | 22,34 | 11,29 |
Это сценарии одного коэффициента, не измеренный диапазон и не вероятность. В основной таблице выбран 1×.
Точность прикидки
Это законченная инженерная оценка на основе имеющихся Mini-прогонов; прямой тест NVIDIA не требуется для её использования как прикидки. Рабочее время реплики включает CPU и GPU стадии Mini, а не только CUDA-ядра. Предполагаются перенос полной связки, очередь запросов и разделение GPU между разговорами. Длинный контекст, синхронные ответы, память сессий, batching и смена точности весов остаются источниками погрешности; коэффициенты позволяют проверить чувствительность оценки к ним, но не измеряют каждый эффект отдельно.
Средняя занятость не доказывает заданный p95 отклика. Документация Ray Serve также отделяет целевую нагрузку реплики от очередей и задержки. При новых данных коэффициенты можно уточнить; текущий расчёт этим не блокируется. Естественность голосов человеком не оценена, MiniCPM русский сценарий не прошёл. Ватты отдельно не измерялись и к цене аренды повторно не прибавлялись.