Præsentation af den næste generation af lydmodeller i API'en

Opdatering den 28. august 2025: Vi annoncerede den generelle tilgængelighed af Realtime API. Læs mere her.

I løbet af de seneste måneder har vi investeret i at forbedre intelligensen, kapaciteten og nytteværdien af tekstbaserede agenter – eller systemer, der uafhængigt udfører opgaver på vegne af brugerne – med udgivelser som Operator, Deep Research, Computer-Using Agents og Responses API med indbyggede værktøjer. For at agenter skal være virkelig nyttige, skal folk imidlertid kunne have dybere og mere intuitive interaktioner med agenterne, der går ud over blot tekst – ved at bruge naturligt talesprog til at kommunikere effektivt.

I dag lancerer vi nye tale-til-tekst- og tekst-til-tale-lydmodeller i API'en, hvilket gør det muligt at udvikle mere kraftfulde, tilpassede og intelligente stemmeagenter, der tilbyder reel værdi. Vores nyeste tale-til-tekst-modeller sætter en ny standard for det nyeste inden for området og overgår eksisterende løsninger i nøjagtighed og pålidelighed – især i udfordrende scenarier med accenter, støjende omgivelser og varierende talhastigheder. Disse forbedringer øger transskriptionens pålidelighed, hvilket gør modellerne særligt velegnede til brugssituationer som kundecentre, transskription af mødenotater og meget mere.

For første gang kan udviklere også instruere tekst-til-tale-modellen i at tale på en bestemt måde – for eksempel “tal som en sympatisk kundeservicemedarbejder” – hvilket åbner op for et nyt niveau af tilpasning for stemmeagenter. Dette muliggør en bred vifte af skræddersyede applikationer, fra mere empatiske og dynamiske kundeservicestemmer til udtryksfuld fortælling for kreative historiefortællingsoplevelser.

Vi lancerede vores første lydmodel i 2022⁠, og siden da har vi forpligtet os til at forbedre intelligensen, nøjagtigheden og pålideligheden af disse modeller. Med disse nye lydmodeller kan udviklere bygge mere præcise og robuste tale-til-tekst-systemer og udtryksfulde, karakterfulde tekst-til-tale-stemmer – alt sammen inden for API'en.

Disse nye lydmodeller er nu tilgængelige for alle udviklere – læs mere om at bygge med lyd her⁠(åbner i et nyt vindue). For udviklere, der allerede bygger samtaleoplevelser med tekstbaserede modeller, er det den enkleste måde at bygge en agent på ved at tilføje vores tale-til-tekst- og tekst-til-tale-modeller. Vi lancerer en integration med Agents SDK⁠(åbner i et nyt vindue), som forenkler denne udviklingsproces. For udviklere, der ønsker at skabe tale-til-tale-oplevelser med lav latenstid, anbefaler vi at bruge vores tale-til-tale-modeller i Realtime API.

Når vi ser fremad, planlægger vi at fortsætte med at investere i at forbedre intelligensen og nøjagtigheden af vores lydmodeller og udforske måder, hvorpå udviklere kan bringe deres egne brugerdefinerede stemmer for at skabe endnu mere personlige oplevelser, der stemmer overens med vores sikkerhedsstandarder. Derudover fortsætter⁠ vi med at indgå i samtaler med beslutningstagere, forskere, udviklere og kreative om de udfordringer og muligheder, som syntetiske stemmer kan præsentere. Vi er spændte på at se de innovative og kreative applikationer, som udviklere vil bygge ved hjælp af disse forbedrede lydfunktioner. Vi vil også investere i andre modaliteter – herunder video – for at gøre det muligt for udviklere at skabe multimodale agentoplevelser.