Představujeme audio modely další generace v rozhraní API

Aktualizace k 28. srpnu 2025: Oznámili jsme všeobecnou dostupnost rozhraní Realtime API. Více informací zde.

Během posledních několika měsíců jsme investovali do rozvoje inteligence, schopností a užitečnosti textových agentů (tedy systémů, které samostatně plní úkoly jménem uživatelů) a vydali jsme funkce typu operátor, hloubkový výzkum, agent používající počítač a rozhraní Responses API s integrovanými nástroji. Aby však byli agenti skutečně užiteční, musí mít lidé možnost hlubší a intuitivnější interakce s agenty, než je pouhý text. K efektivní komunikaci musí používat přirozený mluvený jazyk.

Dnes v rozhraní API spouštíme nové zvukové modely převodu řeči na text a textu na řeč, které umožňují vytvářet výkonnější, přizpůsobitelnější a inteligentnější hlasové agenty, kteří nabízejí skutečnou hodnotu. Naše nejnovější modely převodu řeči na text nastavují nový standard špičkové úrovně, překonávají stávající řešení přesností a spolehlivosti, zejména v náročných scénářích zahrnujících přízvuky, hlučné prostředí a různé rychlosti řeči. Tato vylepšení zvyšují spolehlivost přepisu, takže modely jsou obzvláště vhodné pro použití v zákaznických call centrech, při přepisování poznámek z jednání atd.

Poprvé také mohou vývojáři dát modelu převodu textu na řeč pokyn, aby mluvil určitým způsobem: například „mluv jako sympatický pracovník zákaznického servisu“ Otevírá se tím nová úroveň přizpůsobení hlasových agentů. To umožňuje širokou škálu aplikací na míru, od empatičtějšího a dynamičtějšího hlasu v zákaznickém servisu až po expresivní vyprávění pro kreativní vyprávění příběhů.

Náš první audio model jsme uvedli na trh v roce 2022⁠ a od té doby se snažíme zlepšovat inteligenci, přesnost a spolehlivost těchto modelů. Díky těmto novým zvukovým modelům mohou vývojáři vytvářet přesnější a robustnější systémy převodu řeči na text a výrazné, charakteristické hlasy pro převod textu na řeč. To vše v rámci rozhraní API.

Tyto nové audio modely jsou nyní k dispozici všem vývojářům – více informací o vývoji s audiem najdete zde⁠(otevře se v novém okně). Pro vývojáře, kteří už vytvářejí konverzační aplikace s textovými modely, je přidání našich modelů pro převod řeči na text a textu na řeč nejjednodušším způsobem, jak vytvořit hlasového agenta. Vydáváme integraci s Agents SDK⁠(otevře se v novém okně), která tento proces vývoje zjednodušuje. Vývojářům, kteří chtějí vytvářet aplikace s nízkou latencí pro řečový vstup i výstup, doporučujeme použít naše modely pro řečový vstup i výstup v rozhraní Realtime API.

Do budoucna plánujeme i nadále investovat do zlepšování inteligence a přesnosti našich audio modelů a zkoumat způsoby, jak umožnit vývojářům přinášet vlastní hlasy a vytvářet tak ještě personalizovanější zážitky způsobem, který je v souladu s našimi bezpečnostními standardy. Kromě toho se i nadále zapojujeme⁠ do rozhovorů s tvůrci politik, výzkumníky, vývojáři a kreativci o výzvách a příležitostech, které mohou syntetické hlasy přinášet. Jsme zvědaví, jaké inovativní a kreativní aplikace budou vývojáři s využitím těchto rozšířených zvukových možností vytvářet. Budeme také investovat do dalších modalit, včetně videa, abychom vývojářům umožnili vytvářet multimodální agentntí prostředí.