OpenAI lança GPT-Realtime-2 e mais dois modelos de voz via API

A OpenAI anunciou a ampliação dos recursos de voz da sua API. Os desenvolvedores agora têm acesso a um GPT-Realtime-2 atualizado e a dois novos modelos de voz para reconhecimento, síntese e tradução de fala.

Três novos modelos de voz na API

A API passa a ter três modelos: um GPT-Realtime-2 atualizado (versão aprimorada do existente) e dois modelos totalmente novos. Eles servem a tarefas diferentes: reconhecer a fala do usuário, sintetizar a resposta em voz e traduzir conversas entre idiomas em tempo real.

Isso significa que os desenvolvedores podem embutir a interação por voz diretamente em seus aplicativos, sem usar serviços externos de reconhecimento e síntese de fala. Até agora, era preciso integrar vários provedores: um para reconhecimento, outro para síntese e um terceiro para tradução. Agora tudo fica em um só lugar.

O que os novos modelos fazem

• Reconhecimento de fala (speech-to-text) com suporte a muitos idiomas
• Síntese de fala (text-to-speech) com som e entonação naturais
• Tradução de conversas em tempo real, preservando o contexto
• Baixa latência para aplicativos interativos (streaming)
• Integração profunda com o GPT-4 para compreender o sentido

Os modelos foram treinados com grandes volumes de dados de áudio e têm bom desempenho tanto em inglês quanto em outros idiomas. O GPT-Realtime-2 foi atualizado: melhorou o processamento da fala natural, a compreensão de contexto e a velocidade de resposta.

Os desenvolvedores ganham ferramentas para criar aplicativos que ouvem o usuário, entendem o que ele diz e respondem por voz. Isso é importante para assistentes de voz, call centers, aplicativos de ensino e serviços interativos.

Como funciona na prática

Imagine um aplicativo para aprender idiomas. O aluno fala em uma língua estrangeira. A API ouve (speech-to-text), envia o texto ao GPT-4 para verificação e correção e depois lê o resultado com voz natural (text-to-speech). Tudo isso acontece em tempo real.

Ou um aplicativo de tradução: uma turista fala em russo, e a API traduz em tempo real e fala em inglês. Sem atrasos, ao contrário do Google Translate.

Disponibilidade e concorrência

Por enquanto, os modelos estão disponíveis só para desenvolvedores via API. Eles não aparecerão no ChatGPT nem em outros aplicativos de consumo da OpenAI (pelo menos no curto prazo). Assim, a OpenAI coloca os novos recursos nas mãos de especialistas, os lapida em aplicativos reais e, se necessário, os integra depois a produtos de consumo.

Os preços da API serão maiores que os dos modelos de texto, mas menores que os da concorrência (por exemplo, o Google Cloud Speech-to-Text). A OpenAI concorre com Google, Amazon Polly, Microsoft Azure Speech Services e outras plataformas de nuvem. APIs de voz são um campo competitivo em que cada milissegundo de latência e cada ponto percentual de precisão importam.

A interface de voz deixa de ser exotismo e se torna padrão nos

aplicativos modernos.

O que isso significa

A interface de voz fica mais acessível. Agora qualquer desenvolvedor pode adicionar ao seu aplicativo conversa por voz com IA sem uma integração cara de serviços de terceiros. Isso deve acelerar a chegada de aplicativos de IA com voz ao mercado e tornar a interação com os serviços mais natural.