Apresentamos os modelos de áudio de última geração na API

Atualização em 28 de agosto de 2025: Anunciamos a disponibilidade geral da API em tempo real. Saiba mais aqui.

Nos últimos meses, investimos no aprimoramento da inteligência, das capacidades e da utilidade de agentes baseados em texto — ou sistemas que realizam tarefas de forma independente em nome dos usuários — com lançamentos como Operator, Deep Research, Computer-Using Agents e a API Responses com ferramentas integradas. No entanto, para que os agentes sejam realmente úteis, as pessoas precisam ser capazes de ter interações mais profundas e intuitivas com eles, que vão além do texto — usando a linguagem falada natural para se comunicar de forma eficaz.

Hoje, estamos lançando novos modelos de áudio de conversão de fala em texto e de texto em fala na API, possibilitando a criação de agentes de voz mais poderosos, personalizáveis e inteligentes que oferecem valor real. Nossos mais recentes modelos de conversão de fala em texto estabelecem um novo padrão de excelência, superando as soluções existentes em precisão e confiabilidade — especialmente em cenários desafiadores que envolvem sotaques, ambientes ruidosos e velocidades de fala variáveis. Essas melhorias aumentam a confiabilidade da transcrição, tornando os modelos especialmente adequados para casos de uso como centrais de atendimento ao cliente, transcrição de atas de reuniões e muito mais.

Pela primeira vez, os desenvolvedores também podem instruir o modelo de conversão de texto em fala a falar de uma maneira específica — por exemplo, "falar como um agente de atendimento ao cliente atencioso" — desbloqueando um novo nível de personalização para agentes de voz. Isso possibilita uma ampla gama de aplicações personalizadas, desde vozes de atendimento ao cliente mais empáticas e dinâmicas até narrações expressivas para experiências criativas de contar histórias.

Lançamos nosso primeiro modelo de áudio em 2022⁠ e, desde então, temos nos dedicado a aprimorar a inteligência, a precisão e a confiabilidade desses modelos. Com esses novos modelos de áudio, os desenvolvedores podem criar sistemas de conversão de fala em texto mais precisos e robustos, além de vozes expressivas e cheias de personalidade para a síntese de voz — tudo dentro da API.

Esses novos modelos de áudio já estão disponíveis para todos os desenvolvedores – saiba mais sobre como desenvolver com áudio aqui⁠(abre em uma nova janela). Para desenvolvedores que já criam experiências conversacionais com modelos baseados em texto, adicionar nossos modelos de conversão de fala em texto e de texto em fala é a maneira mais simples de construir um agente de voz. Estamos lançando uma integração com o SDK de Agentes⁠(abre em uma nova janela) que simplifica esse processo de desenvolvimento. Para desenvolvedores que desejam criar experiências de conversão de fala em fala com baixa latência, recomendamos o uso de nossos modelos de conversão de fala em fala na API em Tempo Real.

Olhando para o futuro, planejamos continuar investindo na melhoria da inteligência e precisão de nossos modelos de áudio e explorando maneiras de permitir que os desenvolvedores tragam suas próprias vozes personalizadas para criar experiências ainda mais personalizadas, de forma que estejam alinhadas aos nossos padrões de segurança. Além disso, continuamos⁠ em diálogo com legisladores, pesquisadores, desenvolvedores e criativos sobre os desafios e as oportunidades que as vozes sintéticas podem apresentar. Estamos ansiosos para ver os aplicativos inovadores e criativos que os desenvolvedores criarão usando esses recursos de áudio aprimorados. Também investiremos em outras modalidades — incluindo vídeo — para permitir que os desenvolvedores criem experiências interativas multimodais.