Az OpenAI bemutatta a GPT‑Realtime‑2-t és két új hangalapú változatot, amelyek csak az API-n keresztül érhetők el.

Az OpenAI bővíti a hang API képességeit

A cég bejelentette új funkcióinak elindítását az API-jához, amelyek lehetővé teszik a fejlesztők számára, hogy „életszerűbb” hangalkalmazásokat hozzanak létre: beszélni tudnak a felhasználókkal, szöveggé alakítják a beszédet és fordítják a beszélgetéseket élőben.

Új Realtime modellek
A Realtime interfészen keresztül most három modell érhető el:

Modelleltár – cél – kulcsfontosságú jellemzők
GPT‑Realtime‑2: Hang alapú valós idejű interakció. Kérészek elemzése, eszközhívás, javítások feldolgozása és sima folytatás a párbeszédben. GPT‑5 logikáján alapul, így összetettebb feladatokat is kezelhet, mint a GPT‑Realtime‑1.5.
GPT‑Realtime‑Translate: Valós idejű fordítás. Támogat 70+ bemeneti nyelvet és 13 kimeneti nyelvet. Megőrzi a jelentést még kontextusváltáskor, regionális akcentusok vagy speciális terminológia esetén is.
GPT‑Realtime‑Whisper: Beszéd szöveggé alakítása. Alacsony késleltetésű streaming modell, amely szinte azonnal átalakítja a hangot szöveggé.

> „Az új modelleink valós időben fordítják a hangot egyszerű párbeszédről olyan hangfelületekre, amelyek valóban működnek: hallgatnak, gondolkodnak, fordítanak, transzkripálják és cselekedeteket hajtanak végre a beszélgetés során,” – mondta a vállalat.

Árak
Modell – Ár
GPT‑Realtime‑2: $32 1 millió bemeneti hang tokenért, $0.40 1 millió gyorsítótárazott tokenért és $64 1 millió kimeneti hang tokenért
GPT‑Realtime‑Translate: $0.034 percenként
GPT‑Realtime‑Whisper: $0.017 percenként

Hogyan próbálhatod ki
A fejlesztők tesztelhetik az új modelleket az OpenAI Playground online platformján, és valós időben láthatják, hogyan működnek.