Kynning á næstu kynslóð hljóðlíkana í API

Uppfærsla 28. ágúst 2025: Við tilkynntum almennt framboð á Realtime API. Lestu meira hér.

Undanfarna mánuði höfum við fjárfest í að efla gervigreind, getu og notagildi textamiðaðra fulltrúa—eða kerfa sem sjálfstætt framkvæma verkefni fyrir hönd notenda—með útgáfum eins og Stjórnandi, djúprannsókn, fulltrúum sem nota tölvu og Responses API með innbyggðum verkfærum. Hins vegar, til þess að fulltrúar séu raunverulega gagnlegir, þarf fólk að geta átt dýpri og innsæisríkari samskipti við þá en bara í gegnum texta—með því að nota náttúrulegt talað mál til að eiga skilvirk samskipti.

Í dag kynnum við ný tal-í-texta og texta-í-tal hljóðlíkön í API—sem gerir það mögulegt að þróa öflugri, sérsniðnari og greindari raddfulltrúa sem veita raunverulegt virði. Nýjustu tal-í-texta líkönin okkar setja nýtt viðmið í fremstu röð og skara fram úr núverandi lausnum hvað varðar nákvæmni og áreiðanleika—sérstaklega í krefjandi aðstæðum með hreim, hávaðasömu umhverfi og mismunandi talhraða. Þessar endurbætur auka áreiðanleika umritunar, sem gerir líkönin sérstaklega hentug fyrir notkunartilvik eins og þjónustuver, umritun fundargerða og fleira.

Í fyrsta sinn geta forritarar einnig leiðbeint texta-í-tal líkaninu um að tala á ákveðinn hátt—til dæmis „talaðu eins og samúðarfullur þjónustufulltrúi“—og þannig opnað nýtt stig sérsniðningar fyrir fulltrúa. Þetta greiðir fyrir fjölbreytt úrval sérsniðinna forrita, allt frá samkenndarfullum og dýnamískum röddum í þjónustu við viðskiptavini til tjáningarríkrar frásagnar fyrir skapandi sagnagerðarupplifanir.

Við settum á markað fyrsta hljóðlíkanið okkar árið 2022⁠ og síðan þá höfum við skuldbundið okkur til að bæta gervigreind, nákvæmni og áreiðanleika þessara líkana. Með þessum nýju líkönum geta forritarar búið til nákvæmari og öflugri tal-í-texta kerfi og svipmeiri, persónulegri texta-í-tal raddir—allt innan API.

Þessi nýju hljóðlíkön eru nú í boði fyrir alla forritara – meira um hvernig á að smíða með hljóði hér⁠(opnast í nýjum glugga). Fyrir þróunaraðila sem þegar eru að þróa samræðuupplifanir með textamiðuðum líkönum er einfaldasta leiðin til að búa til raddfulltrúa að bæta við tal-í-texta og texta-í-tal líkönum okkar. Við erum að gefa út samþættingu við Agents SDK⁠(opnast í nýjum glugga) sem einfaldar þetta þróunarferli. Fyrir þróunaraðila sem vilja búa til tal-í-tal upplifun með litlum biðtíma mælum við með að nota tal-í-tal líkönin okkar í Realtime API.

Við horfum til framtíðar og ætlum að halda áfram að fjárfesta í að bæta gervigreind og nákvæmni hljóðlíkana okkar. Við munum einnig kanna leiðir til að gera forriturum kleift að nota sínar eigin sérsniðnu raddir til að skapa enn persónulegri upplifanir, í samræmi við öryggisstaðla okkar. Að auki erum við að halda áfram⁠ að eiga í samtölum við stefnumótendur, rannsakendur, þróunaraðila og skapandi einstaklinga um þær áskoranir og tækifæri sem tilbúnar raddir geta haft í för með sér. Við hlökkum til að sjá nýstárleg og skapandi forrit sem forritarar munu smíða með þessum endurbættu hljóðmöguleikum. Við munum einnig fjárfesta í öðrum miðlum—þar á meðal myndböndum—til að gera forriturum kleift að byggja upp fjölþætta upplifun með fulltrúum.