Présentation des modèles audio nouvelle génération dans l'API

Mise à jour du 28 août 2025 : nous avons annoncé la disponibilité générale de l'API Realtime. En savoir plus ici.

Au cours des derniers mois, nous avons investi dans le développement de l'intelligence, des capacités et de l'utilité des agents textuels, c'est-à-dire des systèmes qui accomplissent de manière autonome des tâches pour le compte des utilisateurs, avec des lancements tels que Operator, Deep Research, les agents capables d'utiliser un ordinateur et l'API Responses avec des outils intégrés. Cependant, pour que les agents soient véritablement utiles, les utilisateurs doivent pouvoir interagir avec eux de manière plus approfondie et intuitive, au-delà du simple texte, en utilisant le langage naturel parlé pour communiquer efficacement.

Aujourd'hui, nous lançons de nouveaux modèles audio de synthèse vocale et de reconnaissance vocale dans l'API, ce qui permet de créer des agents vocaux plus puissants, personnalisables et intelligents qui offrent une réelle valeur ajoutée. Nos derniers modèles de reconnaissance vocale établissent une nouvelle référence en matière de technologie de pointe, surpassant les solutions existantes en termes de précision et de fiabilité, en particulier dans les situations difficiles impliquant des accents, des environnements bruyants et des vitesses d'élocution variables. Ces améliorations augmentent la fiabilité de la transcription, rendant les modèles particulièrement adaptés à des cas d'utilisation tels que les centres d'appels clients, la transcription de notes de réunion, etc.

Pour la première fois, les développeurs peuvent également demander au modèle de synthèse vocale de parler d'une manière spécifique, par exemple « parler comme un agent du service client sympathique », ce qui ouvre de nouvelles possibilités de personnalisation pour les agents vocaux. Cela permet une large gamme d'applications sur mesure, allant de voix plus empathiques et dynamiques pour le service client à des narrations expressives pour des expériences narratives créatives.

Nous avons lancé notre premier modèle audio en 2022⁠ et depuis, nous nous sommes engagés à améliorer l'intelligence, la précision et la fiabilité de ces modèles. Grâce à ces nouveaux modèles audio, les développeurs peuvent créer des systèmes de reconnaissance vocale plus précis et plus performants, ainsi que des voix de synthèse vocale expressives et caractéristiques, le tout au sein de l'API.

Ces nouveaux modèles audio sont désormais disponibles pour tous les développeurs, plus d'informations sur la création avec l'audio ici⁠(ouverture dans une nouvelle fenêtre). Pour les développeurs qui créent déjà des expériences conversationnelles avec des modèles textuels, l'ajout de nos modèles de synthèse vocale et de reconnaissance vocale constitue le moyen le plus simple de créer un agent vocal. Nous lançons une intégration avec les Agents SDK⁠(ouverture dans une nouvelle fenêtre) qui simplifie ce processus de développement. Pour les développeurs qui souhaitent créer des expériences de synthèse vocale à faible latence, nous recommandons d'utiliser nos modèles de synthèse vocale dans l'API Realtime.

À l'avenir, nous prévoyons de continuer à investir dans l'amélioration de l'intelligence et de la précision de nos modèles audio et d'explorer des moyens permettant aux développeurs d'utiliser leurs propres voix personnalisées afin de créer des expériences encore plus personnalisées, tout en respectant nos normes de sécurité. De plus, nous poursuivons ⁠nos discussions avec les décideurs politiques, les chercheurs, les développeurs et les créatifs sur les défis et les opportunités que peuvent présenter les voix synthétiques. Nous sommes impatients de découvrir les applications innovantes et créatives que les développeurs construiront grâce à ces capacités audio améliorées. Nous investirons également dans d'autres modalités, y compris la vidéo, pour permettre aux développeurs de créer des expériences agentiques multimodales.