OpenAI adiciona GPT-Realtime-2, Translate e Whisper à API para apps de voz
A OpenAI anunciou três modelos de voz em tempo real na API. O GPT-Realtime-2 traz raciocínio de nível GPT-5, pode chamar ferramentas e mantém contexto de até 128K. O GPT-Realtime-Translate traduz fala de mais de 70 idiomas para 13 idiomas na hora, e o GPT-Realtime-Whisper oferece transcrição de baixa latência para reuniões, suporte e mídia. Os modelos já estão disponíveis na Realtime API e no Playground.
Processado por IA de OpenAI Blog; editado por Hamidun News
Em 7 de maio de 2026, a OpenAI apresentou na API três modelos de voz em tempo real: GPT-Realtime-2 para diálogo e ações, GPT-Realtime-Translate para tradução ao vivo e GPT-Realtime-Whisper para transcrição em streaming. A empresa claramente move as interfaces de voz do modo «respondeu a uma fala» para um assistente que sabe ouvir, raciocinar, usar ferramentas e não perder o fio da conversa.
Três modelos de uma vez
A ideia central do lançamento é simples: a voz nos aplicativos não deve funcionar como um enfeite bonito, mas como uma interface completa. A OpenAI diz que os desenvolvedores constroem cada vez mais três tipos de cenários: voice-to-action, em que o usuário formula uma tarefa por voz e o sistema executa as ações sozinho; systems-to-voice, em que o software avisa a pessoa sobre o que está acontecendo; e voice-to-voice, em que a IA ajuda a conduzir uma conversa entre pessoas que falam idiomas diferentes. A nova linha de modelos foi montada para esse conjunto de cenários.
- GPT-Realtime-2 é um modelo de voz com raciocínio de nível GPT-5, suporte a chamada de ferramentas e contexto mais longo.
- GPT-Realtime-Translate traduz fala em tempo real de mais de 70 idiomas de entrada para 13 de saída, quase sem pausas.
- GPT-Realtime-Whisper é uma transcrição em streaming que escreve o texto conforme a pessoa fala, e não depois que a frase termina.
- Os preços também foram divulgados de imediato: o GPT-Realtime-2 custa $32 por 1 milhão de tokens de áudio de entrada e $64 por 1 milhão de saída, o Translate custa $0.034 por minuto e o Whisper, $0.017 por minuto.
Os três modelos já estão disponíveis pela Realtime API e podem ser testados no Playground. Esse ponto é importante: a OpenAI não mostra um conceito distante, e sim lança um conjunto pronto de ferramentas para equipes que criam suporte, agentes de voz, tradução em tempo real, notas de reuniões e outros produtos com fala ao vivo. Para o mercado, é um sinal de que as ferramentas estão prontas não só para demos, mas também para pilotos.
O que melhorou no diálogo
A atualização mais visível é o GPT-Realtime-2. O modelo pode inserir frases curtas de serviço, como «vou verificar agora», para que o usuário entenda que o sistema está ocupado com uma tarefa. Ele pode chamar várias ferramentas em paralelo, anunciar em voz alta suas ações, se recuperar melhor de erros e interrupções e sustentar cenários bem mais longos: a janela de contexto subiu de 32K para 128K. Em produção, isso importa muito mais que uma «voz agradável», porque os assistentes reais costumam quebrar justamente em cadeias longas.
A OpenAI também destaca a controlabilidade do modelo. O desenvolvedor pode escolher o nível de raciocínio, de minimal a xhigh, equilibrando latência e qualidade da resposta. A compreensão de termos, nomes próprios e vocabulário especializado, como o médico, também melhorou. Em avaliações internas, o GPT-Realtime-2 no modo high teve resultado 15.2% maior que o GPT-Realtime-1.5 no Big Bench Audio e, no modo xhigh, foi 13.8% melhor no Audio MultiChallenge, que mede o seguimento de instruções em conversas.
«Depois de ajustar os prompts, vimos o sucesso das chamadas subir de 69% para 95%», é como a
Zillow descreve os primeiros testes do GPT-Realtime-2.
Tradução e transcrição
O segundo modelo, GPT-Realtime-Translate, mira a conversa multilíngue ao vivo. Ele traduz a fala durante a conversa, mantendo o ritmo do falante e o sentido mesmo quando há sotaque, mudanças de assunto ou jargão do setor. A OpenAI cita separadamente casos de suporte, vendas internacionais, educação, eventos, mídia e plataformas para criadores. A Deutsche Telekom testa o modelo no atendimento multilíngue ao cliente, e a Vimeo mostra um cenário em que um vídeo de treinamento é traduzido durante a reprodução.
O terceiro modelo, GPT-Realtime-Whisper, resolve uma tarefa mais prosaica, porém muito procurada: transformar fala em texto rapidamente. A OpenAI o posiciona como base para legendas, notas de reuniões, transcrição de aulas e transmissões, e para agentes de voz que precisam entender continuamente o que a pessoa diz.
A empresa também lembra dos mecanismos de proteção: na Realtime API funcionam classificadores ativos, parte das sessões pode ser interrompida em caso de violação das regras, e os desenvolvedores são obrigados a informar claramente ao usuário quando ele está falando com uma IA.
O que isso significa
A OpenAI tenta ocupar não só o mercado de modelos de chat, mas também a camada básica dos produtos de voz. Se a qualidade e a latência realmente corresponderem às métricas declaradas, a empresa ganha uma posição forte em call centers, serviços de viagem, plataformas educacionais e assistentes corporativos, onde importam não demos chamativas, mas uma conversa estável, tradução sem pausas e texto que aparece no mesmo instante em que a pessoa fala.
- 12 de nov. de 2026Jensen Huang deixa o cargo de CEO da Nvidia: empresa perde US$ 1,4 trilhão em duas semanas
- 12 de nov. de 2026Sindicato de Oakland garante requalificação em vez de demissões por causa da IA: 94,1% votaram a favor da greve
- 12 de nov. de 2026Oito países, OpenAI e Anthropic prometem um «botão de desligar» para modelos de IA, mas sem prazos nem multas
- 12 de nov. de 2026OpenAI e ModRetro lançam console de US$ 200 para jogos criados no Codex
Perguntas frequentes sobre a notícia
O que se sabe sobre Três modelos de uma vez?
A ideia central do lançamento é simples: a voz nos aplicativos não deve funcionar como um enfeite bonito, mas como uma interface completa. A OpenAI diz que os desenvolvedores constroem cada vez mais três tipos de cenários: voice-to-action, em que o usuário formula uma tarefa por voz e o sistema executa as ações sozinho; systems-to-voice, em que o software avisa a pessoa sobre o que está acontecendo; e voice-to-voice, em que a IA ajuda a conduzir uma conversa entre pessoas que falam idiomas diferentes.
O que melhorou no diálogo?
A atualização mais visível é o GPT-Realtime-2. O modelo pode inserir frases curtas de serviço, como «vou verificar agora», para que o usuário entenda que o sistema está ocupado com uma tarefa. Ele pode chamar várias ferramentas em paralelo, anunciar em voz alta suas ações, se recuperar melhor de erros e interrupções e sustentar cenários bem mais longos: a janela de contexto subiu de 32K para 128K.
O que se sabe sobre Tradução e transcrição?
O segundo modelo, GPT-Realtime-Translate, mira a conversa multilíngue ao vivo. Ele traduz a fala durante a conversa, mantendo o ritmo do falante e o sentido mesmo quando há sotaque, mudanças de assunto ou jargão do setor. A OpenAI cita separadamente casos de suporte, vendas internacionais, educação, eventos, mídia e plataformas para criadores. A Deutsche Telekom testa o modelo no atendimento multilíngue ao cliente, e a Vimeo mostra um cenário em que um vídeo de treinamento é traduzido durante a reprodução.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.