Как собрать голосового ИИ-агента в 2026 году: LiveKit, Pipecat и Vapi
Как устроены голосовые агенты, чем отличаются три популярных инструмента и сколько стоит минута разговора.
Голосовой ИИ-агент — это программа, которая слушает человека, понимает сказанное и отвечает голосом без заметной паузы. Его ставят на телефонную линию поддержки, встраивают в приложение или используют как голосовой интерфейс к внутренним системам. Собирать такого агента с нуля в 2026 году уже не нужно: есть открытые фреймворки и готовые платформы, которые берут на себя звук, сеть и телефонию.
В этом обзоре три самых заметных варианта: открытые фреймворки LiveKit Agents и Pipecat и управляемая платформа Vapi. Мы сравнили, как они устроены, сколько кода нужно для первого запуска и сколько стоит минута разговора. Команды и примеры взяты из документации и README, цены проверены 16 ноября 2026 года.
Ключевые выводы
- У Pipecat 17 290 звёзд на GitHub и лицензия BSD-2-Clause, у LiveKit Agents 15 248 звёзд и Apache 2.0 (данные на 16 ноября 2026 года); оба фреймворка можно развернуть на своих серверах.
- Vapi берёт $0,05 за минуту сверх стоимости моделей: по калькулятору сервиса 1000 минут с Deepgram, OpenAI и ElevenLabs обходятся в $82–129.
- В LiveKit Cloud минута сессии агента стоит $0,01, на бесплатном тарифе включено 1000 минут в месяц; телефонный звонок с моделями и наблюдаемостью из калькулятора выходит в $0,0479 за минуту.
- В Pipecat Cloud агент на профиле agent-1x стоит $0,01 за минуту, телефонная линия через PSTN — $0,018 за минуту; модели оплачиваются провайдерам напрямую.
- Телефонные номера LiveKit продаёт только в США; для номеров в других странах все три инструмента подключаются к оператору по SIP.
Из чего состоит голосовой агент?
Из трёх моделей и транспорта между ними. Документация Vapi описывает схему так: распознавание речи (STT) превращает звук в текст, языковая модель (LLM) формирует ответ, синтез речи (TTS) озвучивает его. Четвёртая часть — транспорт: WebRTC для браузера и приложений либо телефония для звонков.
Главная сложность — согласовать работу моделей по времени. Агент должен отличать паузу в речи от конца фразы, начинать ответ до того, как LLM допишет весь текст, и замолкать, если его перебили. Документация Pipecat называет ключевой идеей параллельность: пока языковая модель генерирует конец ответа, его начало уже синтезируется и проигрывается пользователю.
Typical voice interactions complete in 500-800ms for natural conversations
Это внутренняя оценка разработчиков фреймворка: реальная задержка зависит от выбранных моделей и сети. Есть и второй путь, без цепочки из трёх моделей: модели «речь в речь», которые принимают и выдают звук напрямую. Pipecat поддерживает в этой категории OpenAI Realtime, Gemini Multimodal Live, AWS Nova Sonic и Grok Voice Agent; на базе последней работают голосовые звонки агентам в Cursor, о которых мы писали в ноябре.
Чем отличаются LiveKit Agents, Pipecat и Vapi?
Степенью контроля и объёмом ручной работы. LiveKit Agents и Pipecat — библиотеки: вы пишете агента на Python, сами выбираете модели и решаете, где его запускать. Vapi работает как сервис: агент настраивается в панели или через API, а всю инфраструктуру держит платформа.
LiveKit Agents, Pipecat и Vapi в сравнении
8 сервисов, 4 столбца
Листайте столбцы →Смахните влевоВсе 4 столбца
GitHub, документация и прайсы проектов, 16 ноября 2026 года
По числу звёзд фреймворки близки, а релизы у обоих выходят часто: последние версии датированы 12 и 13 ноября. У LiveKit есть ещё один актив: медиасервер livekit с 22 236 звёздами, на котором фреймворк и работает.
Как запустить первого агента на LiveKit Agents?
Через утилиту lk и готовый шаблон проекта: по руководству на это уходит меньше 10 минут. Нужны Python 3.10 или новее и менеджер пакетов uv. Команды для Linux:
Команда lk agent dev запускает агента в режиме разработки и печатает ссылку на консоль, где с ним можно поговорить через микрофон. Развёртывание в LiveKit Cloud запускает lk agent create. Сам агент описывается несколькими объектами. Фрагмент примера из README:
Здесь видна вся схема: детектор речи (VAD), распознавание, языковая модель и синтез. В примере модели вызываются через LiveKit Inference, единый API облака LiveKit; вместо него можно подключить плагины провайдеров со своими ключами. Из заметных возможностей README называет семантическое определение конца реплики отдельной моделью-трансформером, встроенную поддержку MCP и собственный фреймворк тестов с оценщиками.
Fully open-source, allowing you to run the entire stack on your own servers, including LiveKit server, one of the most widely used WebRTC media servers.
Как устроен конвейер в Pipecat?
Как цепочка обработчиков, по которой идут «кадры» с данными. Кадр — это порция звука, текста или служебное событие; обработчик принимает кадры одного типа и выдаёт другие. Порядок обработчиков в списке и есть логика агента. Так выглядит конвейер из быстрого старта:
Проект создаётся утилитой из пакета pipecat-ai. По README, она готовит каталог так, чтобы дальше агента мог дописывать ИИ-ассистент для кода, и способна собрать работающего бота меньше чем за минуту:
Ключи Deepgram, OpenAI и Cartesia для этого примера записываются в файл .env; после запуска бот доступен в браузере по адресу http://localhost:7860/client. Главное отличие Pipecat от LiveKit Agents — независимость от транспорта. Один и тот же конвейер работает через Daily, LiveKit, обычный WebSocket или собственный WebRTC-транспорт, а для телефонии есть сериализаторы под Twilio, Telnyx, Plivo и Exotel. В README перечислены десятки подключаемых сервисов распознавания, синтеза и языковых моделей.
Когда проще взять Vapi?
Когда нужен работающий телефонный агент без собственной инфраструктуры и команды поддержки. В Vapi агент называется ассистентом: это системный промпт, набор инструментов и выбранные модели. Для сложных сценариев есть «отряды» (Squads), где несколько ассистентов передают друг другу разговор с сохранением контекста. Подключение к сайту занимает несколько строк; пример из документации:
За удобство платят наценкой и ограничениями. Без пакета поддержки доступны $5 стартового кредита и 4 одновременных звонка; пакет Core за $29 в месяц поднимает лимит до 10 звонков, Pro от $999 в месяц — до 30. Дополнительный слот одновременного звонка стоит $10 в месяц. Европейский регион, по документации по SIP, доступен только на старшем пакете Premier.
Сколько стоит минута разговора с агентом?
В примерах из калькуляторов платформ — от 4 до 13 центов, и заметная часть суммы достаётся поставщикам моделей. Это оценки конкретных конфигураций, а не пределы: с другими моделями минута выйдет и дешевле, и дороже. Счёт складывается из четырёх строк: платформа, распознавание, языковая модель, синтез; для звонков добавляется телефония.
The cost to run a voice agent mainly depends on the costs of the transcriber, LLM, and voice.
Плата платформам за минуту, без стоимости моделей
4 сервиса, 4 столбца
Листайте столбцы →Смахните влевоВсе 4 столбца
vapi.ai/pricing, livekit.io/pricing, daily.co/pricing/pipecat-cloud, 16 ноября 2026 года
Полную цену показывают калькуляторы на страницах тарифов. У Vapi 1000 минут в месяц с распознаванием Deepgram, моделью OpenAI и голосом ElevenLabs оцениваются в $82–129: $50 берёт платформа, $10 распознавание, $8–45 языковая модель, $15–24 синтез. У LiveKit входящий телефонный звонок с Gemma 4 31B, распознаванием AssemblyAI и синтезом Fish Audio выходит в $0,0479 за минуту, то есть около $48 за 1000 минут. В эту сумму входит $0,01 за наблюдаемость (Observability); без неё получается $0,0379.
Напрямую эти два числа сравнивать нельзя: в калькуляторах стоят разные модели, а в прайсе LiveKit самая дешёвая и самая дорогая языковые модели различаются по цене в десятки раз. Сопоставима только плата самой платформе: у Vapi она в пять раз выше, чем у облаков LiveKit и Pipecat. При 100 тыс. минут в месяц эта разница составляет $4000.
В Pipecat Cloud есть ещё одна статья расходов: зарезервированные агенты, которые всегда запущены, стоят $0,0005 за каждую зарезервированную минуту на профиле agent-1x. В LiveKit Cloud защита от холодного старта включена в тариф Ship от $50 в месяц; там же 5000 минут сессий и 20 одновременных сессий против 5 на бесплатном тарифе.
Как подключить телефонный номер и нужный язык?
Через SIP-транк своего оператора: встроенные номера у платформ в основном американские. LiveKit, по документации по телефонии, продаёт местные номера и номера с бесплатным вызовом только в США, для остальных случаев поддерживает сторонних SIP-провайдеров через входящие и исходящие транки. Vapi подключает SIP-транк по адресу sip.vapi.ai и требует добавить его IP-адреса в список разрешённых у оператора. Pipecat работает с Twilio, Telnyx, Plivo и Exotel или с SIP и PSTN от Daily.
Язык разговора зависит от выбранных моделей распознавания и синтеза, сам фреймворк на него не влияет. В примере LiveKit распознавание Deepgram nova-3 запускается с параметром language="multi"; поддерживает ли конкретная модель русский и с каким качеством, нужно проверять в документации её поставщика и на своих записях. Доступность платформ и оплату из России мы не проверяли: в документации сервисов об этом ничего не сказано.
О готовых продуктах на этих технологиях, без программирования, у нас есть отдельные материалы: сервисы клонирования голоса и дубляжа видео.
Что выбрать под свою задачу?
Выбор сводится к трём вопросам: нужен ли контроль над кодом, кто будет поддерживать инфраструктуру и какой ожидается объём.
- Прототип или небольшой объём звонков: Vapi. Агент настраивается в панели, телефония встроена. Платформа берёт $0,05 за минуту, и при малом объёме это дешевле времени разработчика.
- Продукт с собственным клиентом и видео: LiveKit Agents. Один поставщик закрывает медиасервер, SDK для клиентов, телефонию и фреймворк агентов; облако можно позже заменить своим сервером без переписывания кода.
- Нестандартный конвейер или смена поставщиков: Pipecat. Транспорт и модели меняются перестановкой обработчиков, поэтому фреймворк удобен, когда нужно сравнивать провайдеров или встраиваться в существующую телефонию.
- Большой объём: свой сервер на LiveKit или Pipecat. Плата платформе исчезает, остаются сервер, модели и телефония. Считайте порог окупаемости по числу минут в месяц.
Перед выбором стоит собрать один и тот же сценарий в двух инструментах и измерить задержку ответа на своих моделях: это тот параметр, который сильнее всего влияет на впечатление от разговора и который нельзя оценить по документации.
Частые вопросы
Можно ли сделать голосового агента бесплатно?
Для экспериментов да. Фреймворки LiveKit Agents и Pipecat бесплатны, в LiveKit Cloud на тарифе Build включено 1000 минут сессий агента в месяц, Vapi даёт $5 кредита. Модели распознавания, синтеза и LLM оплачиваются по тарифам их поставщиков.
Что лучше: LiveKit Agents или Pipecat?
Оба фреймворка открыты и написаны на Python. LiveKit Agents теснее связан со своим медиасервером и облаком, Pipecat не привязан к транспорту и может работать в том числе поверх LiveKit. Выбор зависит от того, нужна ли вам единая платформа или гибкость в поставщиках.
Нужна ли видеокарта для голосового агента?
Нет, если модели вызываются через API: агент только пересылает звук и текст. В Pipecat Cloud базовый профиль агента — 0,5 vCPU и 1 ГБ памяти. Если распознавание, языковую модель или синтез вы запускаете у себя, потребность в видеокарте зависит от выбранных моделей и требований к скорости.
Сколько одновременных разговоров выдержит агент?
Зависит от тарифа. В LiveKit Cloud это 5 одновременных сессий на бесплатном тарифе и 20 на Ship; в Vapi 4 звонка без пакета и 10 на Core; Pipecat Cloud в прайсе заявляет неограниченную одновременность, но по документации о масштабировании на одно развёртывание по умолчанию приходится до 50 экземпляров, по одному на сессию; увеличение лимита запрашивается отдельно.
Источники: GitHub: livekit/agents, LiveKit Docs: Voice AI quickstart, LiveKit: Pricing, LiveKit Docs: Telephony, GitHub: pipecat-ai/pipecat, Pipecat Docs: Overview of Pipecat, Pipecat Docs: Quickstart, Daily: Pipecat Cloud Pricing, Vapi Docs: Introduction, Vapi Docs: Web calls, Vapi: Pricing, Vapi Docs: SIP trunking, Vapi Docs: How voice agent component costs and estimates work