Ti presentiamo i modelli audio di nuova generazione nell’API

Aggiornamento del 28/08/2025: abbiamo annunciato la disponibilità generale dell'API Realtime. Scopri di più qui.

Negli ultimi mesi abbiamo investito nello sviluppo dell'intelligenza, delle capacità e dell'utilità degli agenti basati su testo, sistemi in grado di portare a termine compiti in autonomia per conto degli utenti, con rilasci come Operator, Deep Research, agenti IA informatici e l'API Responses con strumenti integrati. Tuttavia, affinché gli agenti siano davvero utili, le persone devono poter avere interazioni più profonde e intuitive con gli agenti, oltre il semplice testo, usando il linguaggio parlato naturale per comunicare efficacemente.

Oggi introduciamo nell'API nuovi modelli audio di speech-to-text e text-to-speech, che consentono di costruire agenti vocali più intelligenti, personalizzabili e performanti. I nostri modelli più recenti di speech-to-text stabiliscono un nuovo punto di riferimento all'avanguardia, superando le soluzioni esistenti in termini di accuratezza e affidabilità, soprattutto in scenari difficili che coinvolgono accenti, ambienti rumorosi e velocità di parlato variabili. Questi miglioramenti aumentano l'affidabilità della trascrizione, rendendo i modelli particolarmente adatti a casi d'uso come i call center per l'assistenza clienti, la trascrizione degli appunti presi durante le riunioni e altro ancora.

Per la prima volta, gli sviluppatori possono anche istruire il modello di text-to-speech a parlare in un modo specifico, ad esempio “parla come un agente del servizio clienti empatico“, aggiungendo un nuovo livello di personalizzazione per gli agenti vocali. Questo consente un'ampia gamma di applicazioni personalizzate, dalle voci più empatiche e dinamiche per il servizio clienti a una narrazione espressiva per esperienze di storytelling creativo.

Abbiamo lanciato il nostro primo modello audio nel 2022⁠ e da allora ci siamo impegnati a migliorare l’intelligenza, la precisione e l’affidabilità di questi modelli. Con questi nuovi modelli audio, gli sviluppatori possono creare sistemi speech-to-text più accurati e validi e voci text-to-speech ricche di personalità, tutto all'interno dell'API.

Questi nuovi modelli audio sono ora disponibili per tutti gli sviluppatori: qui⁠(si apre in una nuova finestra) è possibile trovare maggiori informazioni su come sviluppare con l'audio. Per gli sviluppatori che stanno già creando esperienze conversazionali con modelli basati su testo, aggiungere i nostri modelli di riconoscimento vocale e sintesi vocale è il modo più semplice per creare un agente vocale. Stiamo rilasciando un'integrazione con l'Agents SDK⁠(si apre in una nuova finestra) che semplifica il processo di sviluppo. Per gli sviluppatori che vogliono creare esperienze da voce a voce a bassa latenza, consigliamo di utilizzare i nostri modelli da voce a voce tramite l'API Realtime.

Guardando al futuro, prevediamo di continuare a investire nel miglioramento dell'intelligenza e dell'accuratezza dei nostri modelli audio ed esplorare modi per consentire agli sviluppatori di integrare le proprie voci personalizzate per creare esperienze ancora più su misura, in linea con i nostri standard di sicurezza. Inoltre, stiamo continuando⁠ a dialogare con responsabili politici, ricercatori, sviluppatori e creativi in merito alle sfide e alle opportunità che le voci sintetiche possono offrire. Siamo entusiasti di vedere le applicazioni innovative e creative che gli sviluppatori costruiranno utilizzando queste capacità audio migliorate. Investiremo anche in altre modalità, incluso il video, per consentire agli sviluppatori di creare esperienze agentiche multimodali.