OpenAI ajoute GPT-Realtime-2, Translate et Whisper à son API pour les applications vocales

Le 7 mai 2026, OpenAI a présenté dans son API trois modèles vocaux en temps réel : GPT-Realtime-2 pour le dialogue et l'action, GPT-Realtime-Translate pour la traduction en direct et GPT-Realtime-Whisper pour la transcription en continu. L'entreprise fait clairement passer les interfaces vocales du mode « réponse à une réplique » à un assistant capable d'écouter, de raisonner, d'utiliser des outils et de ne pas perdre le fil de la conversation.

Trois modèles d'un coup

L'idée centrale de cette sortie est simple : la voix dans les applications ne doit pas être un joli complément, mais une interface à part entière. OpenAI affirme que les développeurs construisent de plus en plus trois types de scénarios : voice-to-action, où l'utilisateur formule une tâche à voix haute et le système exécute lui-même les actions ; systems-to-voice, où le logiciel informe la personne de ce qui se passe ; et voice-to-voice, où l'IA aide à tenir une conversation entre personnes parlant des langues différentes. La nouvelle gamme a été conçue pour cet ensemble de scénarios.

• GPT-Realtime-2 est un modèle vocal doté d'un raisonnement de niveau GPT-5, de l'appel d'outils et d'un contexte plus long.
• GPT-Realtime-Translate traduit la parole en temps réel depuis plus de 70 langues d'entrée vers 13 langues de sortie, presque sans pause.
• GPT-Realtime-Whisper est une transcription en continu qui écrit le texte au fil de la parole, et non après la fin de la phrase.
• Les tarifs sont annoncés dès maintenant : GPT-Realtime-2 coûte $32 pour 1 M de tokens audio en entrée et $64 pour 1 M en sortie, Translate $0.034 la minute et Whisper $0.017 la minute.

Les trois modèles sont déjà accessibles via la Realtime API et peuvent être testés dans le Playground. Le point est important : OpenAI ne montre pas un concept lointain, mais livre un ensemble d'outils prêt pour les équipes qui développent du support, des agents vocaux, de la traduction en temps réel, des notes de réunion et d'autres produits fondés sur la parole en direct. Pour le marché, c'est le signal que ces outils sont prêts non seulement pour les démos, mais aussi pour des pilotes.

Ce qui change dans le dialogue

La mise à jour la plus visible est GPT-Realtime-2. Le modèle peut glisser de courtes phrases de service, comme « je vérifie », pour que l'utilisateur comprenne que le système est occupé par une tâche. Il peut appeler plusieurs outils en parallèle, annoncer ses actions à voix haute, mieux se remettre des erreurs et des interruptions, et tenir des scénarios nettement plus longs : la fenêtre de contexte est passée de 32K à 128K. En production, cela compte bien plus qu'une « voix agréable », car ce sont généralement les longues chaînes d'étapes qui font échouer les assistants réels.

OpenAI insiste aussi sur la maîtrise du modèle. Le développeur peut choisir le niveau de raisonnement, de minimal à xhigh, pour arbitrer entre latence et qualité de réponse. La compréhension des termes, des noms propres et du vocabulaire spécialisé, par exemple médical, s'est également améliorée. Lors d'évaluations internes, GPT-Realtime-2 en mode high a obtenu un résultat supérieur de 15.2% à celui de GPT-Realtime-1.5 sur Big Bench Audio et, en mode xhigh, il fait 13.8% mieux sur Audio MultiChallenge, qui mesure le suivi des instructions en conversation.

«

Après réglage des prompts, nous avons vu le taux de réussite des appels passer de 69% à 95% », c'est ainsi que Zillow décrit ses premiers tests de GPT-Realtime-2.

Traduction et transcription

Le deuxième modèle, GPT-Realtime-Translate, vise la conversation multilingue en direct. Il traduit la parole pendant l'échange, en conservant le rythme du locuteur et le sens, même lorsque les gens ont un accent, sautent d'un sujet à l'autre ou emploient un lexique sectoriel. OpenAI cite séparément des cas d'usage dans le support, la vente transfrontalière, l'éducation, l'événementiel, les médias et les plateformes pour créateurs. Deutsche Telekom teste le modèle dans le support client multilingue, et Vimeo présente un scénario où une vidéo de formation est traduite pendant sa lecture.

Le troisième modèle, GPT-Realtime-Whisper, répond à un besoin plus terre à terre mais très demandé : transformer rapidement la parole en texte. OpenAI le positionne comme base pour les sous-titres, les notes de réunion, la transcription de cours et d'émissions, ainsi que pour les agents vocaux qui doivent comprendre en continu ce que dit la personne.

Parallèlement, l'entreprise rappelle les garde-fous : des classificateurs actifs fonctionnent dans la Realtime API, une partie des sessions peut être interrompue en cas de violation des règles, et les développeurs doivent indiquer clairement à l'utilisateur lorsqu'il parle à une IA.

Ce que cela signifie

OpenAI cherche à occuper non seulement le marché des modèles de chat, mais aussi la couche de base des produits vocaux. Si la qualité et la latence correspondent réellement aux métriques annoncées, l'entreprise obtient une position solide dans les centres d'appels, les services de voyage, les plateformes éducatives et les assistants d'entreprise, où comptent non pas les démos spectaculaires, mais une conversation stable, une traduction sans pause et un texte qui apparaît à l'instant même où la personne parle.