Вопрос был скорее в том что даёт передача голоса напрямую в нейронки? Казалось бы нейронки OpenAI претендуют на создание консультативных ботов, но они без rag не имеют смысла. Всю базу знаний в запрос не поместишь, а если для обработки запроса нужен текст вопроса от пользователя целиком, тогда зачем передавать в нейронки голосом когда можно сразу текстом?
предполагаю, цель опенаи съесть тот кусок рынка который сейчас предлагает stt > ai > tts
дадут сип транк, дадут векторное хранилищие , всё - пользователи довольны