OpenAI представила единый голосовой стек — и строить ассистентов стало проще
Раньше для голосового бота нужно было собирать конструктор из трёх сервисов: расшифровка от одного вендора, рассуждения от другого, синтез от третьего. OpenAI теперь даёт единый стек. Это как если бы один производитель предложил сразу мотор, коробку передач и кузов в одной коробке.
Три новые модели в рамках Realtime API
GPT-Realtime-2 — флагман
Главная голосовая модель линейки. Научилась рассуждать, как флагманская GPT-5.2. Контекстное окно расширили — длинные диалоги не теряют связность. Пять уровней «усилия рассуждений» (от minimal до xhigh) позволяют балансировать между скоростью и глубиной ответа. Выбираете под задачу: нужен быстрый ответ — минимальный уровень, нужна точность — higher.
GPT-Realtime-Translate — живой перевод речи
Модель переводит речь из 70+ входных языков на 13 выходных. Односторонняя: не ведёт диалог, а переводит один поток в другой. Подходит для двуязычной техподдержки или live-трансляций — поток на входе, поток на выходе.
GPT-Realtime-Whisper — потоковая транскрипция
В отличие от оригинального Whisper, который обрабатывал готовые фрагменты, новая модель расшифровывает на лету. Текст появляется по мере речи, а не после целого фрагмента. Задержка регулируется: чем меньше — тем раньше текст появляется, но ниже точность.
На пальцах: что это даёт
Представьте: вы звоните в техподдержку, а ИИ уже понял контекст вашей проблемы из предыдущих диалогов и не просит дважды назвать номер договора. Или вам в реальном времени переводят презентацию на родной язык, пока спикер ещё говорит. Или система сама протоколирует совещание и через минуту выдаёт текст, а не через час.
Раньше для голосового ассистента нужно было три разных сервиса — теперь это единый стек от одного вендора.
Качество и цены
Качество значительно выросло по сравнению с предыдущей версией — предыдущая часто отвечала «я не понял», новая решает задачу. Транскрипция стоит $0,017 за минуту, перевод — $0,034 за минуту. Для сравнения, рыночные альтернативы стоят в разы дороже. Это может обрусить стоимость автоматических протоколов встреч, субтитров и голосовых аналитик.
Ограничения, о которых стоит знать
GPT-Realtime-Translate поддерживает 70+ входных языков, но только 13 выходных. Для глобальных рынков это текущее ограничение, однако в OpenAI обещают расширение списка. Высокие уровни рассуждений (high/xhigh) дают точность, но увеличивают задержку — под конкретный use case придётся тестировать.
Почему это важно для бизнеса
Realtime API теперь доступен вне бета-статуса — это снятие «печати ненадёжности» для enterprise. Компании, которые ждали стабильного продукта, теперь получат зелёный свет. Голосовые ассистенты для колл-центров, медицинские записи, live-трансляции — всё это выходит из категории «эксперимент» в категорию «продакшн».
Кому это нужно
Колл-центрам и службам поддержки — для снижения нагрузки на операторов. Медицинским учреждениям — для автоматизации записей и протоколов. Конференц-сервисам — для live-перевода и субтитров. Всем, кто работает с голосовым взаимодействием на уровне продукта, а не прототипа.
