Как считается минута по Mini

Все связки, записи и стоимости ↗

Текущие связки: локальный голос + диалоговый API

Сначала выделяем время распознавания и синтеза из сохранённых прогонов Mini. Из полного времени вычитаем локальную генерацию текста: её вычисления в этом варианте не оплачиваем, вместо них добавляем диалоговый API. Это компонентная оценка; весь гибрид и параллельность на NVIDIA ещё не измерены.

Для MOSS и Fish используются отдельные прогретые синтезы: полный разговор остановлен ограничителем памяти. Для CosyVoice и VoxCPM фаза синтеза выделена из недавнего прогона с другим распознавателем; базовое распознавание учтено отдельно. Silero исполняется на CPU, его время используется как консервативная занятость общего узла, а не как время GPU-ядер.

Диапазон стоимости строится по минимуму и максимуму времени синтеза на 2–3 фразах с округлением числа VM вверх и диапазону тарифов диалогового API. Это сценарный диапазон, не доверительный интервал и не гарантия себестоимости. Общая память гибрида, нагрузочные задержки и перенос CUDA требуют проверки. Загруженная локальная LLM пока может оставаться в памяти, хотя не участвует в генерации.

Как из Mini получаем расходы NVIDIA

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.

Количество 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 с диалоговым API

На трёх прогретых репликах: синтез 4,118 с на 16,480 с звука; распознавание 0,444 с на 15,123 с речи. При 40% речи клиента и 40% речи бота — около 6,70 с обработки на разговорную минуту. Пик 20 и запас 25% дают 3 VM. 420 оплачиваемых часов на каждую VM по 244,28 ₽/ч, плюс предварительный бюджет серверов, сети и данных: 4,38 ₽/мин. Диалоговый API добавляет 0,03–0,09 ₽/мин, итого около 4,41–4,48 ₽/мин.

API: публичные ставки выбранной диалоговой модели, проверены 19.10.2026: $0,10–0,20 за 1M входных и $0,50–1,00 за 1M выходных токенов для обычных/быстрых маршрутов. Повторяются инструкции и до четырёх пар истории. В примере: инструкции 800 токенов, 220 токенов на минуту речи, 3–5 ответов/мин, разговор 2/3 мин, курс 90 ₽/$. Расход токенов и курс — допущения, не замер и не банковская котировка. Их можно изменить в настройках расчёта.

Коммерческие лицензии моделей, связь, внедрение и сопровождение не входят в этот инфраструктурный бюджет. У OmniVoice/Silero некоммерческие веса, у Fish отдельные коммерческие условия: наличие цифры не означает разрешение на коммерческое применение.

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.

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.