Оглавление

Компания OpenAI представила трио новых моделей для работы в реальном времени — GPT-Realtime-2, GPT-Realtime-Translate и GPT-Realtime-Whisper. Как сообщает издание The Decoder, эти инструменты призваны стереть грань между медленным, вдумчивым текстовым анализом и мгновенной голосовой коммуникацией.

До сих пор аудиорежимы в ChatGPT или Gemini от Google оставались лишь упрощенными надстройками, заметно уступающими основным LLM в способности к глубокому анализу. Новые модели меняют правила игры: теперь система способна не просто преобразовывать голос в текст, а полноценно рассуждать в процессе диалога, сохраняя контекст и одновременно обращаясь к внешним инструментам.

Три сценария взаимодействия с голосом

Разработчики предложили концепцию, разделенную на три паттерна использования, которые могут комбинироваться в зависимости от бизнес-задач. Первый — Voice-to-Action, где пользователь вслух описывает задачу, а модель самостоятельно подбирает инструменты для ее решения. Это превращает ИИ из пассивного собеседника в активного исполнителя.

Второй сценарий, Systems-to-Voice, позволяет софту преобразовывать данные в полезные голосовые советы. Представьте приложение для путешествий, которое само сообщает вам, что стыковочный рейс задерживается, и тут же голосом ведет вас к нужному гейту. Третий паттерн — Voice-to-Voice — ориентирован на живой перевод, который уже тестирует Deutsche Telekom для клиентской поддержки.

Технические нюансы GPT-Realtime-2

Флагманская модель GPT-Realtime-2 получила впечатляющее расширение контекстного окна — с 32 000 до 128 000 токенов. Это позволяет вести по-настоящему долгие беседы без потери нити повествования. Интересной деталью стали «преамбулы»: модель использует фразы вроде «минутку, сейчас проверю», чтобы заполнить паузы, пока идут сложные вычисления.

Для разработчиков введена гибкая настройка интенсивности рассуждений. Доступно пять уровней: от минимального до «xhigh». По умолчанию установлен низкий уровень для минимизации задержек (latency), но для решения архитектурных или математических задач можно задействовать всю мощь алгоритмов, пожертвовав скоростью ответа.

За громкими заявлениями об «уровне GPT-5» скрывается неизбежный рост вычислительных затрат. Пока мы видим лишь витрину возможностей: реальная ценность будет зависеть от того, насколько эффективно система справится с галлюцинациями в режиме стриминга, где у модели нет права на долгую рефлексию. Это не революция, а очень дорогая и качественная шлифовка интерфейса.

Инструменты для перевода и транскрибации

Помимо основной модели, OpenAI выпустила специализированные решения. GPT-Realtime-Translate поддерживает более 70 входных языков. В отличие от классических переводчиков, модель старается сохранить эмоциональный окрас и адаптируется к региональным акцентам в режиме реального времени, что критически важно для международных конференций.

В свою очередь, GPT-Realtime-Whisper сфокусирован на потоковой транскрибации с минимальной задержкой. Этот инструмент нацелен на корпоративный сегмент: от создания мгновенных протоколов встреч до формирования автоматических отчетов в здравоохранении и продажах прямо в процессе разговора.

Доступность и стоимость

Все новинки уже интегрированы в Realtime API. Ценовая политика разделена: использование GPT-Realtime-2 обойдется в $32 за миллион входных аудио-токенов. Специализированные модели тарифицируются поминутно: перевод стоит около $0,034 за минуту, а транскрибация — вдвое дешевле. Для европейских клиентов предусмотрена возможность хранения данных внутри ЕС, что снимает часть вопросов по безопасности.