OpenAI ogłosiło w czwartek, że jego API będzie teraz zawierać zestaw nowych funkcji inteligencji głosowej, zaprojektowanych, aby pomóc programistom w tworzeniu aplikacji, które mogą rozmawiać, transkrybować i tłumaczyć rozmowy z użytkownikami. Bo najwyraźniej pisanie na klawiaturze jest tak bardzo zeszłowieczne.

Nowy model GPT-Realtime-2 to kolejny model głosowy, stworzony do realistycznej symulacji głosu, który może prowadzić rozmowy z użytkownikami. W przeciwieństwie do swojego poprzednika (GPT-Realtime-1.5), ten ma rozumowanie klasy GPT-5, które – jak twierdzi OpenAI – zostało stworzone do obsługi bardziej skomplikowanych próśb użytkowników. Więc tak, jest mądrzejszy, ale nadal nie potrafi zamówić pizzy bez pytania o napiwek.

Wprowadzono również GPT-Realtime-Translate, który – jak sama nazwa wskazuje – zapewnia tłumaczenie w czasie rzeczywistym, które "dotrzymuje kroku" użytkownikowi w rozmowie. Funkcja obsługuje ponad 70 języków wejściowych (języki, które rozumie) i 13 języków wyjściowych (języki, na które przekazuje mówcy). To dużo języków, ale wciąż czekamy, aż przetłumaczy sarkazm.

Wreszcie jest GPT-Realtime-Whisper, nowa funkcja transkrypcji, która zapewnia użytkownikom na żywo zamianę mowy na tekst podczas interakcji. Bo robienie notatek ręcznie to już 2019.

"Razem modele, które wprowadzamy, przenoszą dźwięk w czasie rzeczywistym z prostego połączenia zapytanie-odpowiedź w kierunku interfejsów głosowych, które faktycznie mogą pracować: słuchać, rozumować, tłumaczyć, transkrybować i podejmować działania w trakcie rozmowy" – powiedziała firma. Innymi słowy, twój telefon może w końcu zrozumieć, gdy mówisz "już jadę", a ty wciąż leżysz w łóżku.

Kto skorzysta na tych aktualizacjach? Firmy chcące rozszerzyć możliwości obsługi klienta to oczywisty cel. Ale OpenAI zauważa również, że funkcje pomogą w edukacji, mediach, wydarzeniach i platformach dla twórców. Bo nic tak nie mówi "edukacja" jak robot, który potrafi ci przerwać.

Choć te narzędzia wydają się przydatne z perspektywy przedsiębiorstw, mogą być również nadużywane. Firma twierdzi, że wbudowała zabezpieczenia, aby zapobiegać nadużyciom, takim jak spam, oszustwa czy inne niegodziwości online. W systemie wbudowano pewne wyzwalacze, tak że "rozmowy mogą być przerwane, jeśli zostaną wykryte jako naruszające nasze wytyczne dotyczące szkodliwych treści". Więc jeśli spróbujesz użyć tego do oszukiwania starszych pań, po prostu się rozłączy. Jak miło.

Wszystkie nowe modele głosowe są zawarte w Realtime API OpenAI. Translate i Whisper są rozliczane za minutę, a GPT-Realtime-2 za zużycie tokenów. Bo w przyszłości zapłacisz za każdą sylabę.