Speko debiutuje jako OpenRouter dla Voice AI: jeden interfejs dla rozproszonego rynku mowy
Rynek generatywnej sztucznej inteligencji wchodzi w fazę dynamicznego rozwoju agentów konwersacyjnych pracujących w czasie rzeczywistym, jednak budowa niezawodnych systemów mowy wciąż wiąże się ze skomplikowaną integracją wielu rozproszonych dostawców. Odpowiedzią na ten problem jest Speko – nowy startup wspierany przez akcelerator Y Combinator, który debiutuje na rynku jako wyspecjalizowany OpenRouter dla Voice AI. Platforma łączy modele transkrypcji mowy (Speech-to-text), duże modele językowe (LLM), syntezę głosu (Text-to-speech) oraz rozwiązania Speech-to-speech w ramach jednego ujednoliconego interfejsu API, dobierając optymalne silniki w oparciu o twarde pomiary wielojęzyczne, a nie marketingowe deklaracje poszczególnych producentów.
Twórcy systemów konwersacyjnych stają dziś przed koniecznością łączenia niezależnych silników dla każdego z etapów przetwarzania głosu. Każdy dostawca narzuca własne formaty zapytań, odrębne umowy SLA i osobne panele rozliczeniowe. Speko eliminuje ten dług integracyjny, oferując pojedynczy punkt dostępowy z jednym kluczem uwierzytelniającym, dynamicznie kierując ruch do modelu, który najlepiej radzi sobie z danym językiem, akcentem i budżetem projektu.
Problem anglocentrycznych rankingów i wyzwanie wielojęzyczności
Jednym z głównych problemów współczesnego ekosystemu modeli mowy jest powszechny brak rzetelnych danych dotyczących wydajności poza językiem angielskim. Z danych opublikowanych przez Speko wynika, że aż 11 z 23 uwzględnionych w zestawieniu modeli mierzonych jest wyłącznie w języku angielskim. W rezultacie ich rzeczywista skuteczność w jakimkolwiek innym języku pozostaje niewiadomą – dotyczy to również modeli, które zajmują czołowe miejsca w anglojęzycznych rankingach.
Pomiary przeprowadzone w 9 różnych językach (m.in. EN, AR, FR, DE, HI, NB, ES, TA, TE) dowodzą, że żaden pojedynczy model nie dominuje na całym świecie. W analizowanej próbie 9 języków pierwsze miejsca podzieliły między siebie 4 różne modele. Oznacza to, że uniwersalny wybór jednego dostawcy dla aplikacji globalnej prowadzi do znacznego spadku jakości u użytkowników posługujących się innymi językami niż angielski. Speko rozwiązuje tę barierę poprzez automatyczny ruting oparty na publikowanych, empirycznych pomiarach dopasowanych do konkretnego języka docelowego.
Benchmark Speech-to-Text: dokładność (WER) kontra koszty minuty
W segmencie transkrypcji mowy (Speech-to-text) Speko zestawia dokładność mierzoną wskaźnikiem błędu słów (Word Error Rate – WER w trybie wsadowym) z jednostkowym kosztem przetwarzania za minutę audio. Zestawienie pokazuje wyraźną dysproporcję cenową i jakościową między dostępnymi rozwiązaniami:
| Model | Identyfikator dostawcy | WER (%) | Koszt ($/min) |
|---|---|---|---|
| Universal-3.5 Pro | assemblyai:universal-3-5-pro |
2.0% | $0.0075 |
| GPT-4o Transcribe | openai:gpt-4o-transcribe |
2.3% | $0.0060 |
| GPT-4o-mini Transcribe | openai:gpt-4o-mini-transcribe |
2.7% | $0.0030 |
| Qwen3-ASR | alibaba:qwen3-asr-flash |
2.8% | $0.0054 |
| Realtime STT-1 | inworld:inworld-stt-1 |
3.3% | $0.0025 |
| Chirp 3 | google:chirp_3 |
3.9% | $0.0160 |
| Velma 2 | modulate:velma-2-stt-streaming-english-v2 |
4.4% | $0.0010 |
| Grok STT | xai:stt |
4.8% | $0.0033 |
| Solaria-1 | gladia:solaria-1 |
5.0% | $0.0125 |
| Pulse | smallest:pulse |
5.1% | ~$0.0050 |
| stt-rt-v5 | soniox:stt-rt-v5 |
7.5% | $0.0020 |
| Gradium ASR | gradium:default |
8.4% | $0.0104 |
| Nova-3 | deepgram:nova-3 |
9.8% | $0.0048 |
| Ink-2 | cartesia:ink-2 |
11.0% | $0.0090 |
| Dane: Speko (speko.ai) |
Najwyższą precyzją w zestawieniu charakteryzuje się Universal-3.5 Pro od AssemblyAI z wynikiem WER na poziomie 2.0% przy cenie $0.0075 za minutę. Z kolei najbardziej ekonomicznym rozwiązaniem okazuje się Velma 2 firmy Modulate, kosztująca $0.0010 za minutę przy błędzie 4.4%. Modele takie jak GPT-4o Transcribe (2.3% WER, $0.0060/min) oraz GPT-4o-mini Transcribe (2.7% WER, $0.0030/min) plasują się w czołówce pod względem relacji jakości do ceny. Poza powyższą tabelą w ofercie uwzględniono m.in. Flux ($0.0065/min), Scribe v2 Realtime ($0.0065/min) oraz GPT Live Transcribe ($0.0170/min).
Architektura bramy: integracja z LiveKit, Pipecat i protokołem MCP
Pod względem technicznym Speko funkcjonuje jako brama (Gateway) zgodna ze standardem OpenAI API. Oznacza to, że deweloperzy korzystający ze znanych bibliotek i frameworków nie muszą modyfikować logiki swoich agentów – wystarczy podmienić bazowy adres URL na https://api.speko.ai/v1 oraz przekazać klucz SPEKO_API_KEY.
Platforma natywnie wspiera popularne frameworki do budowy asystentów głosowych:
- LiveKit (TypeScript): integracja z wtyczką
@livekit/agents-plugin-openaipozwala na jednoczesne zdefiniowanie modułów STT, LLM i TTS wskazujących na bramę Speko. Wykorzystanie parametrumodel: 'auto'deleguje wybór konkretnego silnika algorytmom rutera. - Pipecat (Python): gotowa obsługa potoków audio w środowisku Python.
- Model Context Protocol (MCP): narzędzie dla edytorów i środowisk asystenckich (Cursor, Claude), uruchamiane poleceniem
$claude mcp add --transport http speko https://mcp.speko.ai/mcp.
Nowy standard infrastrukturalny w tworzeniu agentów głosowych
Pojawienie się platformy Speko odzwierciedla dojrzewanie infrastruktury Voice AI. Podobnie jak OpenRouter uporządkował rynek modeli tekstowych, umożliwiając łatwe przełączanie między dostawcami i optymalizację kosztów, tak wyspecjalizowany router dla mowy pozwala uniknąć uzależnienia od jednego dostawcy (vendor lock-in). Przejrzyste metryki wielojęzyczne, ujednolicona brama API oraz obsługa wszystkich etapów przetwarzania – od transkrypcji po syntezę mowy – czynią ze Speko istotne ogniwo w budowie nowoczesnych aplikacji głosowych czasu rzeczywistego.
