Îți prezentăm modelele audio de ultimă generație din API

Actualizare din 28 august 2025: am anunțat disponibilitatea generală a API-ului Realtime. Află mai multe aici.

În ultimele câteva luni, am investit în avansarea inteligenței, capacităților și utilității agenților bazați pe text — sisteme care îndeplinesc independent sarcini pentru utilizatori — prin lansări precum Operator, Cercetare Aprofundată, Agenți de Utilizare a Computerului și API-ul Responses cu instrumente integrate. Totuși, pentru ca agenții să fie cu adevărat utili, oamenii trebuie să poată avea interacțiuni mai profunde și mai intuitive cu agenții, dincolo de simplul text - folosind limbajul vorbit natural pentru a comunica eficient.

Astăzi, lansăm noi modele audio de conversie vorbire-în-text și text-în-vorbire în API — făcând posibilă crearea unor agenți vocali mai puternici, personalizabili și inteligenți, care oferă valoare reală. Modelele noastre cele mai recente de conversie a vorbirii în text au stabilit un nou standard de vârf, depășind soluțiile existente în ceea ce privește precizia și fiabilitatea — mai ales în scenarii dificile care implică accente, medii zgomotoase și viteze variabile ale vorbirii. Aceste îmbunătățiri sporesc fiabilitatea transcrierii, ceea ce face ca modelele să fie deosebit de potrivite pentru cazuri de utilizare precum centrele de asistență pentru clienți, transcrierea notelor de ședință și multe altele.

Pentru prima dată, dezvoltatorii pot, de asemenea, să instruiască modelul de text-în-vorbire să vorbească într-un mod specific — de exemplu, „vorbește ca un agent empatic de asistență pentru clienți” — deblocând un nou nivel de personalizare pentru agenții vocali. Acest lucru permite o gamă largă de aplicații personalizate, de la voci mai empatice și dinamice pentru serviciul de asistență clienți până la narațiuni expresive pentru experiențe creative de povestire.

Am lansat primul nostru model audio în 2022⁠ și, de atunci, ne-am angajat să îmbunătățim inteligența, precizia și fiabilitatea acestor modele. Cu aceste noi modele audio, dezvoltatorii pot construi sisteme de conversie vorbire-în-text mai precise și mai robuste și voci de sinteză vocală mai expresive și pline de personalitate — toate în cadrul API-ului.

Aceste noi modele audio sunt disponibile acum pentru toți dezvoltatorii – mai multe despre cum să construiești cu audio aici⁠(se deschide într-o fereastră nouă). Pentru dezvoltatorii care creează deja experiențe conversaționale cu modele bazate pe text, adăugarea modelelor noastre de conversie vorbire-în-text și text-în-vorbire este cea mai simplă modalitate de a construi un agent vocal. Lansăm o integrare cu SDK pentru agenți⁠(se deschide într-o fereastră nouă), care simplifică acest proces de dezvoltare. Pentru dezvoltatorii care doresc să creeze experiențe de tip vorbire-în-vorbire cu latență redusă, vă recomandăm să folosiți modelele noastre de tip vorbire-în-vorbire în API-ul Realtime.

Privind spre viitor, plănuim să continuăm să investim în îmbunătățirea inteligenței și preciziei modelelor noastre audio și să explorăm modalități de a permite dezvoltatorilor să-și aducă propriile voci personalizate pentru a crea experiențe și mai personalizate, în moduri care se aliniază cu standardele noastre de siguranță. În plus, continuăm⁠ să purtăm conversații cu factorii de decizie politică, cercetători, dezvoltatori și creatori despre provocările și oportunitățile pe care le pot prezenta vocile sintetice. Suntem entuziasmați să vedem aplicațiile inovatoare și creative pe care dezvoltatorii le vor construi folosind aceste capabilități audio îmbunătățite. De asemenea, vom investi în alte modalități — incluzând video — pentru a le permite dezvoltatorilor să creeze experiențe agentive multimodale.