Рилтайм яндекса чистая калька опенаи с отставанием в ~год, но в целом, для voice-to-voice годится (на сколько это возможно), но если нужна детерминированность, то все это летит на свалку в любом случае, ибо пытаться приручить бешеную обезьяну само по себе безумие)

ElevenLabs turbo v2 давал хорошее соотношение latency/качество для real-time диалога. Но для phone-тренажёра ещё важна симуляция кодека, фильтрация частот 300-3400Hz. Без этого голос звучит слишком чисто и реализм теряется. Можно через ffmpeg поверх любого TTS.

Qwen3 tts - лучший OmniVoice tts CosyVoice 3.0