OpenAI udostępnił właśnie trzy nowe modele audio pracujące w czasie rzeczywistym w ramach swojego Realtime API. Chodzi o GPT-Realtime-2, GPT-Realtime-Translate i GPT-Realtime-Whisper - rozwiązania pozwalające na natychmiastowe przetwarzanie mowy na tekst, tłumaczenie oraz generowanie odpowiedzi bez opóźnień. To znaczący krok w kierunku bardziej naturalnych i płynnych interakcji głosowych z sztuczną inteligencją. Modele trafiają do rąk deweloperów, którzy mogą już teraz integrować je ze swoimi aplikacjami.
Dotychczas współpraca z modelami AI opierała się głównie na tekście lub wymagała dodatkowych narzędzi do konwersji mowy. Nowe rozwiązania eliminują te ograniczenia i pozwalają na bezpośrednią, dwukierunkową komunikację głosową. GPT-Realtime-Whisper to ulepszona wersja popularnego modelu do rozpoznawania mowy, GPT-Realtime-Translate obsługuje tłumaczenie między językami praktycznie bez opóźnień, zaś GPT-Realtime-2 to główny model przeznaczony do prowadzenia rozmów i odpowiadania na pytania. Ta aktualizacja znosi czasowe przeszkody, które dotąd hamowały rozwój asystentów głosowych opartych na OpenAI.
Zmiana otwiera nowe możliwości dla komunikacji międzynarodowej i globalnych asystentów głosowych. Nowe modele mogą znaleźć zastosowanie w aplikacjach edukacyjnych, obsłudze klienta, tłumaczeniach na żywo czy systemach dostępności dla osób z niepełnosprawnościami. OpenAI pozwala deweloperom wybierać między różnymi konfiguracjami w zależności od potrzeb, a same modele obsługują wiele języków, co czyni je atrakcyjnym rozwiązaniem dla firm działających na rynkach międzynarodowych.