Vi presenterar nästa generations ljudmodeller i API:n

Uppdatering den 28 augusti 2025: Vi meddelade att Realtime API nu är allmänt tillgänglig. Läs mer här.

Under de senaste månaderna har vi investerat i att förbättra intelligensen, kapaciteten och användbarheten hos textbaserade agenter (eller system som självständigt utför uppgifter för användare) med lanseringar såsom Operator, Djup forskning, Datoranvändande agenter och Responses API med inbyggda verktyg. För att agenter verkligen ska vara användbara krävs det dock att man kan ha djupare och mer intuitiva interaktioner med agenter genom tal för effektiv kommunikation.

I dag lanserar vi nya tal-till-text- och text-till-tal-ljudmodeller i API:n som gör det möjligt att skapa mer kraftfulla, anpassningsbara och intelligenta röstagenter som erbjuder verkligt värde. Våra senaste tal-till-text-modeller sätter en ny branschledande standard och överträffar befintliga lösningar i noggrannhet och tillförlitlighet, särskilt i utmanande scenarier med accenter, bullriga miljöer och varierande talhastigheter. Dessa förbättringar ökar transkriptionens tillförlitlighet och gör modellerna särskilt lämpliga för användningsområden såsom kundtjänstcenter, transkribering av mötesanteckningar med mer.

Utvecklare kan även för första gången instruera text-till-tal-modellen att tala på ett specifikt sätt, t.ex. "prata som en sympatisk kundtjänstagent", vilket öppnar upp en ny nivå av anpassning för röstagenter. Detta möjliggör ett brett spektrum av skräddarsydda tillämpningar, från mer empatiska och dynamiska kundtjänströster till uttrycksfulla berättarröster för kreativa berättarupplevelser.

Vi lanserade vår första ljudmodell under 2022⁠ och har sedan dess åtagit oss att förbättra intelligensen, noggrannheten och tillförlitligheten hos dessa modeller. Dessa nya ljudmodeller låter utvecklare skapa mer exakta och robusta tal-till-text-system och uttrycksfulla, karaktärsfulla text-till-tal-röster – allt med en API:n.

Dessa nya ljudmodeller är nu tillgängliga för alla utvecklare, du kan läsa mer om att skapa med ljud här⁠(öppnas i ett nytt fönster). För utvecklare som redan skapar samtalsupplevelser med textbaserade modeller är det enklaste sättet att skapa en röstagent att lägga till våra tal-till-text- och text-till-tal-modeller. Vi släpper en integration med Agents SDK⁠(öppnas i ett nytt fönster) som förenklar utvecklingsprocessen. För utvecklare som vill skapa låglatenta tal-till-tal-upplevelser rekommenderar vi att använda våra tal-till-tal-modeller i Realtime API.

Framöver planerar vi att fortsätta investera i att förbättra intelligensen och noggrannheten i våra ljudmodeller och utforska sätt som låter utvecklare använda sina egna anpassade röster till att skapa ännu mer personliga upplevelser som överensstämmer med våra säkerhetsstandarder. Dessutom fortsätter⁠ vi att delta i samtal med beslutsfattare, forskare, utvecklare och kreatörer om de utmaningar och möjligheter som syntetiska röster kan innebära. Vi ser fram emot att se de innovativa och kreativa applikationer som utvecklare kommer att skapa med dessa förbättrade ljudfunktioner. Vi kommer även att investera i andra modaliteter (inklusive video) för att göra det möjligt för utvecklare att skapa multimodala agentupplevelser.