سه مدل صوتی جدید OpenAI برای توسعهدهندگان
هوش مصنوعیخلاصهٔ کاملتر
OpenAI سه مدل صوتی جدید رو برای Realtime API خودش معرفی کرده که هدفشون ارائه زیرساخت صوتی حرفهای به توسعهدهندگانه. این انتشار روی ساخت محصولات صوتی واقعی تمرکز داره، نه بهروزرسانی ChatGPT برای کاربران عادی.
GPT-Realtime-2 اصلیترین مدل این مجموعهست و OpenAI ادعا میکنه قدرت استدلالی در سطح GPT-5 رو برای مکالمات صوتی زنده داره. این مدل میتونه درخواستهای پیچیده رو مدیریت کنه، چند ابزار رو موازی صدا بزنه، از جملههایی مثل «بذار چک کنم» بهعنوان پریامبل کوتاه استفاده کنه و وقتی یه تسک شکست خورد، رفتار بهتری داشته باشه. پنجره کانتکستش هم از ۳۲ هزار توکن به ۱۲۸ هزار توکن افزایش پیدا کرده.
توسعهدهندگان میتونن سطح استدلال مدل رو از low تا xhigh تنظیم کنن. حالت low پیشفرضه و برای مکالمات روزمره مناسبه، اما حالتهای بالاتر برای وظایف صوتی پیچیدهای مناسبن که دقت مهمتر از سرعت پاسخه.
GPT-Realtime-Translate برای محصولات چندزبانه زنده طراحی شده. ورودی رو از بیش از ۷۰ زبان میفهمه و خروجی رو به ۱۳ زبان تحویل میده. این مدل برای پشتیبانی مشتری بینالمللی، فروش برونمرزی، آموزش، رویدادها، پلتفرمهای محتوا و بومیسازی رسانه مناسبه. نکته مهم اینه که مدل با لهجههای منطقهای، تغییر موضوع و اصطلاحات تخصصی هم کنار میاد.
GPT-Realtime-Whisper رونویسی زنده صدا به متن رو ممکن میکنه؛ یعنی بهجای اینکه منتظر پایان صحبت باشیم، همونطور که آدم حرف میزنه متن تولید میشه. این قابلیت برای زیرنویس زنده، یادداشت جلسات، کلاس درس، پشتیبانی مشتری، مستندات پزشکی و تماسهای فروش خیلی کاربردیه.
شرکتهایی مثل Zillow، Deutsche Telekom، Priceline و Vimeo جزو اولین استفادهکنندههای این مدلها معرفی شدن. قیمتگذاری هم اعلام شده: GPT-Realtime-2 هر میلیون توکن ورودی صوتی ۳۲ دلار و خروجی ۶۴ دلار هزینه داره. GPT-Realtime-Translate هر دقیقه ۰.۰۳۴ دلار و GPT-Realtime-Whisper هر دقیقه ۰.۰۱۷ دلار قیمت داره.
نکات کلیدی:
- سه مدل جدید
GPT-Realtime-2،GPT-Realtime-TranslateوGPT-Realtime-Whisperاز طریق Realtime API در دسترسن - GPT-Realtime-2 پنجره کانتکست ۱۲۸K داره و استدلال قابل تنظیم از
lowتاxhighارائه میده - GPT-Realtime-Translate ورودی بیش از ۷۰ زبان و خروجی ۱۳ زبان رو پوشش میده
- GPT-Realtime-Whisper رونویسی لحظهای (streaming) صدا به متن رو ممکن میکنه
- این مدلها برای توسعهدهندگان و کسبوکارهاست، نه کاربران عادی ChatGPT
- قابلیت تست در OpenAI Playground هم فراهمه
