A következő generációs audio modellek bemutatása az API-ban.

Frissítés 2025. augusztus 28-án: Bejelentettük a Realtime API általános elérhetőségét. Tudj meg többet itt.

Az elmúlt hónapok során tovább fejlesztettük a szövegalapú ágensek intelligenciáját, képességeit és gyakorlati hasznosságát—olyan rendszerekét, amelyek önállóan képesek feladatokat ellátni a felhasználók nevében—; ennek részeként kiadtuk az operátort, a mély kutatást, a számítógép-használó ügynököt és a beépített eszközökkel rendelkező Responses API-t, hogy még hatékonyabb fejlesztést és használatot tegyünk lehetővé. Azonban ahhoz, hogy az ügynökök valóban hasznosak legyenek, az embereknek képesnek kell lenniük mélyebb, intuitívabb interakciókra az ügynökökkel, nem csupán szövegen keresztül, hanem a természetes beszélt nyelvet használva a hatékony kommunikáció érdekében.

Ma új speech-to-text és szöveg-beszéd modelleket indítunk el az API-ban—ezek lehetővé teszik, hogy még erősebb, még inkább testre szabható és még intelligensebb hangalapú ügynökök létrehozását, amelyek valódi értéket nyújtanak. Legújabb beszéd-szöveg átalakító modelljeink új, csúcstechnológiás mércét állítanak fel, pontosságban és megbízhatóságban felülmúlva a meglévő megoldásokat—különösen a kihívást jelentő helyzetekben, mint például akcentus, zajos környezetek és változó beszédsebesség esetén. Ezek a fejlesztések növelik az átírat megbízhatóságát, így a modellek különösen jól alkalmazhatók olyan felhasználási esetekben, mint az ügyfélszolgálati call centerek, a megbeszélések jegyzeteinek átírása és még sok más.

A fejlesztők most először azt is megadhatják a szöveg-beszéd modellnek, hogy egy adott módon szólaljon meg—például: „úgy beszélj, mint egy együttérző ügyfélszolgálati munkatárs”—, ezzel a hangalapú ügynökök testreszabhatóságát új szintre emelve. Ez lehetővé teszi a testre szabott alkalmazások széles skáláját, az empatikusabb és dinamikusabb ügyfélszolgálati hangoktól a kreatív történetmesélési élmények kifejező narrációjáig.

Első hangmodellünket 2022-ben⁠ indítottuk el, és azóta elkötelezettek vagyunk e modellek intelligenciájának, pontosságának és megbízhatóságának javítása mellett. Ezekkel az új hangmodellekkel a fejlesztők pontosabb és robusztusabb beszéd-szöveg átalakító rendszereket, valamint kifejező, karakteres szöveg-beszéd hangokat építhetnek—mindezt az API-n belül.

Ezek az új audio modellek mostantól minden fejlesztő számára elérhetők – további információ az audio alapú fejlesztésről itt⁠(új ablakban nyílik meg) található. Azoknak a fejlesztőknek, akik már szöveges alapú modellekkel építik a beszélgetési élményt, a beszéd-szöveg és szöveg-beszéd átalakító modelljeink hozzáadása a legegyszerűbb módja egy hangalapú ügynök létrehozásának. Az Agents SDK⁠(új ablakban nyílik meg)-val való integrációt elérhetővé tesszük, amely jelentősen leegyszerűsíti ezt a fejlesztési folyamatot. Az alacsony késleltetésű beszéd-beszéd élmények létrehozására törekvő fejlesztőknek azt javasoljuk, hogy a Realtime API-ban használják a beszéd-beszéd modelljeinket.

Előretekintve azt tervezzük, hogy továbbra is befektetünk hangmodelljeink intelligenciájának és pontosságának javításába, valamint olyan lehetőségek feltárásába, amelyek révén a fejlesztők saját egyéni hangokat hozhatnak létre, hogy még személyre szabottabb élményeket teremtsenek, amelyek összhangban állnak a biztonsági szabványainkkal. Emellett továbbra is⁠ egyeztetünk a döntéshozókkal, kutatókkal, fejlesztőkkel és kreatívokkal a szintetikus hangok által felvetett kihívásokról és lehetőségekről. Izgatottan várjuk, hogy milyen innovatív és kreatív alkalmazásokat hoznak létre a fejlesztők a továbbfejlesztett hangfunkciók segítségével. Más modalitásokba is befektetünk—beleértve a videót is—, hogy a fejlesztők multimodális, ügynökszerű élményeket hozhassanak létre.