Η OpenAI ανακοίνωσε νέα χαρακτηριστικά voice intelligence για το API της, δίνοντας στους developers τη δυνατότητα να δημιουργούν εφαρμογές που μπορούν να συνομιλούν, να μεταγράφουν και να μεταφράζουν συνομιλίες σε πραγματικό χρόνο.
Στο επίκεντρο των ανακοινώσεων βρίσκεται το νέο GPT-Realtime-2, ένα voice model που δημιουργήθηκε για πιο φυσικές και ρεαλιστικές φωνητικές αλληλεπιδράσεις. Σύμφωνα με την OpenAI, το νέο μοντέλο βασίζεται σε reasoning δυνατοτήτες επιπέδου GPT-5, επιτρέποντας τη διαχείριση πιο σύνθετων αιτημάτων και διαλόγων σε σχέση με το προηγούμενο GPT-Realtime-1.5.
Παράλληλα, η εταιρεία λανσάρει το GPT-Realtime-Translate, μια νέα δυνατότητα real-time μετάφρασης που λειτουργεί conversationally και «ακολουθεί» τον ρυθμό της συνομιλίας του χρήστη. Το σύστημα υποστηρίζει περισσότερες από 70 γλώσσες εισόδου και 13 γλώσσες εξόδου.
Η τρίτη σημαντική προσθήκη είναι το GPT-Realtime-Whisper, το οποίο προσφέρει live speech-to-text δυνατότητες, μετατρέποντας την ομιλία σε κείμενο τη στιγμή που πραγματοποιείται η συνομιλία.
Όπως αναφέρει η OpenAI, τα νέα μοντέλα μεταφέρουν το real-time audio «από απλά call-and-response συστήματα σε voice interfaces που μπορούν πραγματικά να εκτελέσουν εργασίες: να ακούσουν, να σκεφτούν, να μεταφράσουν, να μεταγράψουν και να αναλάβουν δράση όσο εξελίσσεται μια συζήτηση».
Οι νέες δυνατότητες στοχεύουν κυρίως επιχειρηματικές εφαρμογές, με προφανές use case την αναβάθμιση υπηρεσιών customer service. Ωστόσο, η εταιρεία σημειώνει ότι τα εργαλεία μπορούν να αξιοποιηθούν και σε τομείς όπως η εκπαίδευση, τα media, τα events και οι creator platforms.
Την ίδια στιγμή, η OpenAI αναγνωρίζει και τους πιθανούς κινδύνους κατάχρησης των νέων voice εργαλείων, όπως spam, fraud και άλλες μορφές online abuse. Για αυτόν τον λόγο, η εταιρεία δηλώνει ότι έχει ενσωματώσει guardrails και triggers ασφαλείας, ώστε οι συνομιλίες να μπορούν να διακόπτονται όταν εντοπίζονται παραβιάσεις των harmful content guidelines.
Όλα τα νέα voice models είναι διαθέσιμα μέσω του Realtime API της OpenAI. Τα GPT-Realtime-Translate και GPT-Realtime-Whisper χρεώνονται ανά λεπτό χρήσης, ενώ το GPT-Realtime-2 βασίζεται σε token-based pricing.
