Vi presenterer neste generasjons lydmodeller i API-en

Oppdatering 28. august 2025: Vi kunngjorde den generelle tilgjengeligheten av Realtime API. Finn ut mer her.

I løpet av de siste månedene har vi investert i å videreutvikle intelligensen, kapasitetene og nytteverdien til tekstbaserte agenter–eller systemer som uavhengig utfører oppgaver på vegne av brukere–med lanseringer som Operator, dyp forskning, datamaskinbrukende agenter og Responses API med innebygde verktøy. Men for at agenter skal være virkelig nyttige, må folk kunne ha dypere, mer intuitive interaksjoner med agenter utover bare tekst–ved å bruke naturlig talespråk for å kommunisere effektivt.

I dag lanserer vi nye tale-til-tekst- og tekst-til-tale-lydmodeller i API–noe som gjør det mulig å bygge kraftigere, tilpassbare og intelligente taleagenter som gir ekte verdi. Våre nyeste tale-til-tekst-modeller setter en ny banebrytende standard, og overgår eksisterende løsninger i nøyaktighet og pålitelighet–spesielt i utfordrende scenarier med aksenter, støyende omgivelser og varierende talehastigheter. Disse forbedringene øker påliteligheten til transkripsjoner, noe som gjør modellene spesielt godt egnet for bruksområder som kundesentre, transkripsjon av møtenotater og mer.

For første gang kan utviklere også instruere tekst-til-tale-modellen til å snakke på en bestemt måte–for eksempel «snakk som en sympatisk kundeservicemedarbeider»–og dermed åpne for et nytt nivå av tilpasning for taleagenter. Dette muliggjør et bredt spekter av skreddersydde applikasjoner, fra mer empatiske og dynamiske kundeservicestemmer til uttrykksfull fortellerstemme for kreative, opplevelsesbaserte historiefortellinger.

Vi lanserte vår første lydmodell i 2022⁠, og siden den gang har vi forpliktet oss til å forbedre intelligensen, nøyaktigheten og påliteligheten til disse modellene. Med disse nye lydmodellene kan utviklere utvikle mer nøyaktige og robuste tale-til-tekst-systemer og uttrykksfulle, karaktersterke tekst-til-tale-stemmer–alt innenfor API.

Disse nye lydmodellene er nå tilgjengelige for alle utviklere – mer om utvikling basert på lyd her⁠(åpnes i et nytt vindu). For utviklere som allerede utvikler samtaleopplevelser med tekstbaserte modeller, er det enkleste å legge til våre tale-til-tekst- og tekst-til-tale-modeller for å utvikle en stemmeagent. Vi lanserer en integrasjon med Agents SDK⁠(åpnes i et nytt vindu) som forenkler denne utviklingsprosessen. For utviklere som ønsker å lage tale-til-tale-opplevelser med lav ventetid, anbefaler vi å bruke tale-til-tale-modellene våre i Realtime API.

I fremtiden planlegger vi fortsatt å investere i å forbedre intelligensen og nøyaktigheten til lydmodellene våre, samt utforske måter som gjør det mulig for utviklere å bruke sine egne tilpassede stemmer for å skape enda mer personlig tilpassede opplevelser, på måter som samsvarer med våre sikkerhetsstandarder. I tillegg fortsetter⁠ vi å delta i samtaler med beslutningstakere, forskere, utviklere og kreative om utfordringene og mulighetene syntetiske stemmer kan innebære. Vi gleder oss til å se de innovative og kreative applikasjonene utviklere vil bygge ved hjelp av disse forbedrede lydfunksjonene. Vi vil også investere i andre modaliteter–inkludert video–for å gjøre det mulig for utviklere å bygge multimodale agentopplevelser.