OpenAI introduce modele vocale GPT‑Realtime pentru dialoguri, traduceri și transcrieri în timp real în API

OpenAI a anunțat joi că API-ul său include acum o serie de noi funcții de inteligență vocală, create pentru a ajuta dezvoltatorii să realizeze aplicații care pot vorbi cu utilizatorii, pot transcrie și pot traduce conversații în timp real.

Noul model GPT‑Realtime‑2 este un alt model vocal, conceput pentru a genera o simulare vocală realistă, capabilă să poarte dialoguri naturale cu utilizatorii. Spre deosebire de predecesorul său (GPT‑Realtime‑1.5), acest model este construit cu capacități de raționament de clasă GPT‑5, despre care OpenAI afirmă că au fost dezvoltate pentru a gestiona solicitări mult mai complexe venite din partea utilizatorilor.

Compania lansează și GPT‑Realtime‑Translate, un serviciu care, așa cum indică și numele, este proiectat să ofere traducere în timp real, într-un ritm care „ține pasul” cu utilizatorul în conversație. Funcția acoperă peste 70 de limbi de intrare (pe care le poate înțelege) și 13 limbi de ieșire, adică limbile în care furnizează răspunsul vocal către interlocutor.

În plus, a fost lansată și o nouă capabilitate de transcriere, GPT‑Realtime‑Whisper, prin care utilizatorii obțin funcții de conversie live a vorbirii în text, pe măsură ce interacțiunea are loc, fără întârzieri majore.

„Împreună, modelele pe care le lansăm duc audio în timp real dincolo de simplul format call-and-response, către interfețe vocale care chiar pot munci: ascultă, raționează, traduc, transcriu și întreprind acțiuni pe măsură ce conversația se desfășoară”, a precizat compania.

Cine va beneficia cel mai mult de aceste actualizări? În mod evident, companiile care vor să își extindă capabilitățile de suport pentru clienți sunt un public țintă esențial. Totuși, OpenAI subliniază că noile funcții pot sprijini o gamă foarte largă de domenii: educație, media, organizarea de evenimente, platforme pentru creatori de conținut și multe altele.

Deși par extrem de utile pentru mediul enterprise, este de asemenea plauzibil că aceste instrumente ar putea fi folosite abuziv. Compania susține că a creat mecanisme de protecție menite să împiedice transformarea noilor funcții în instrumente pentru spam, fraude sau alte forme de abuz online. In sistem au fost integrate anumite declanșatoare, astfel încât „conversațiile pot fi oprite dacă sunt detectate ca încălcând liniile noastre directoare privind conținutul dăunător”, a menționat OpenAI.

Toate noile modele vocale sunt incluse în Realtime API al OpenAI. Translate și Whisper sunt taxate la minut, în timp ce GPT‑Realtime‑2 este tarifat în funcție de consumul de tokeni.