Predstavujeme audio modely novej generácie v API.

Aktualizácia z 28. augusta 2025: Oznámili sme všeobecnú dostupnosť Realtime API. Viac informácií nájdeš tu.

Za posledných niekoľko mesiacov sme investovali do rozvoja inteligencie, schopností a užitočnosti textových agentov alebo systémov, ktoré samostatne vykonávajú úlohy v mene používateľov s vydaniami ako operátor, hlboký výskum, agent používania počítača a Responses API so vstavanými nástrojmi. Aby však boli agenti skutočne užitoční, ľudia musia byť schopní mať s agentmi hlbšie a intuitívnejšie interakcie nad rámec samotného textu – musia na efektívnu komunikáciu používať prirodzený hovorený jazyk.

Dnes uvádzame nové modely prevodu reči na text a textu na reč v rozhraní API, čo umožňuje vytvárať výkonnejších, prispôsobiteľných a inteligentných hlasových agentov, ktorí prinášajú skutočnú hodnotu. Naše najnovšie modely prevodu reči na text stanovujú nový špičkový štandard, prekonávajú existujúce riešenia v presnosti a spoľahlivosti, najmä v náročných situáciách s prízvukmi, hlučným prostredím a rôznymi rýchlosťami reči. Tieto vylepšenia zvyšujú spoľahlivosť prepisu, vďaka čomu sú modely obzvlášť vhodné na použitie v zákazníckych call centrách, pri prepisovaní poznámok zo stretnutí a podobne.

Po prvýkrát môžu vývojári inštruovať model prevodu textu na reč, aby hovoril konkrétnym spôsobom – napríklad „hovor ako empatický agent zákazníckej podpory“ – čím sa otvára nová úroveň prispôsobenia pre hlasových agentov. Toto umožňuje širokú škálu prispôsobených aplikácií, od empatickejších a dynamickejších hlasov zákazníckeho servisu až po expresívne rozprávanie pre kreatívne zážitky z tvorivého rozprávania príbehov.

V roku 2022⁠ sme uviedli na trh náš prvý audio model a odvtedy sme sa zaviazali zlepšovať inteligenciu, presnosť a spoľahlivosť týchto modelov. S týmito novými audio modelmi môžu vývojári vytvárať presnejšie a robustnejšie systémy na prevod reči na text a expresívne, charakteristické hlasy na prevod textu na reč – to všetko v rámci API.

Tieto nové audio modely sú teraz k dispozícii všetkým vývojárom – viac o tvorbe so zvukom nájdeš tu⁠(otvorí sa v novom okne). Pre vývojárov, ktorí už vytvárajú konverzačné zážitky s textovými modelmi, je pridanie našich modelov na prevod reči na text a textu na reč najjednoduchším spôsobom, ako vytvoriť hlasového agenta. Uvádzame integráciu s Agents SDK⁠(otvorí sa v novom okne), ktorá zjednodušuje tento proces vývoja. Pre vývojárov, ktorí chcú vytvárať zážitky s nízkou latenciou pri preklade z reči do reči, odporúčame použiť naše modely prekladu z reči do reči v Realtime API.

S výhľadom do budúcnosti plánujeme naďalej investovať do zlepšovania inteligencie a presnosti našich audio modelov a skúmať spôsoby, ako umožniť vývojárom priniesť si vlastné hlasy na vytváranie ešte personalizovanejších zážitkov, ktoré sú v súlade s našimi bezpečnostnými štandardmi. Okrem toho pokračujeme⁠ v rozhovoroch s tvorcami politík, výskumníkmi, vývojármi a kreatívcami o výzvach a príležitostiach, ktoré môžu syntetické hlasy prinášať. Tešíme sa na inovatívne a kreatívne aplikácie, ktoré vývojári vytvoria s týmito vylepšenými zvukovými možnosťami. Taktiež budeme investovať do ďalších modalít vrátane videa, aby sme vývojárom umožnili vytvárať multimodálne agentné zážitky.